数据智能的三大财资金融应用场景

数字化时代，平台经济大行其道。平台模式撮合海量的双方互动，同时完成大量的直接交易与互动，并实现资源的高效共享，提高了协同价值创造的效率，推动了开放式创新。

平台经济的崛起，造就了一批专业平台，尤其综合型平台、垂直型平台、要素市场平台、细分产业平台、供应链平台等不断涌现。随着专业平台会越来越多、越来越细分，平台与平台之间、平台与用户之间的交易和生意也将越来越频繁，并呈现出高频化、个性化、碎片化、场景化、数字化的趋势。伴随新型交易以及交易的数据流动，推动着商业范式和金融手段不断创新，形成全新的生态网络与价值网络。越来越多的企业集团、传统产业，开始推动原有的生产模式向数字化、互联网化、智能化、服务化的平台模式转变，培育新的经济增长点。

财资科技的核心是数据，各项科技的应用主要围绕数据加工分析处理能力展开，数据成为未来企业和银行的重要资产。要推进大数据处理能力由结构性数据延伸到非结构性数据，由简单的数据挖掘扩展到深度学习、神经网络计算等，提高服务的智能化水平，成为数据智能。

数据智能，科技赋能，未来已来，借助大数据的关键技术，形成财资大数据，将赋能财资管理网络化、数据化和智能化。尤其体现在用户画像、商业洞察、智能交易、智能风控、数据资产、智能预测等场景。

应用场景一：交易数据＋数据融资＋数据资产

利用大数据技术，通过提供信用评估服务，使原先传统信用评估服务无法覆盖的申请人可以获得金融服务，并降低其借贷成本。传统的评分卡评分考察维度较为单一，对客户的筛选欠准确。大数据利用一切客户数据，挖掘客户信用信息。在数据采集方面，导入了大量结构化和非结构化数据，包括企业经营流水、交易数据、订单、纳税等信息，以及企业经营环境、客户关系、行业地位、管理层、劳工关系等非结构化数据。

在数据处理方面，基于机器学习的分析建立了模型，从数以万计的信息中抽取相应的变量进行分析，寻找数据间的关联性，将相关变量整合成反映企业特征的测量指标，根据不同分析模型的需要，选取相应的指标，最后根据模型的测算结果。并通过不断完善和增加信用评估模型，拓展模型的类型。

通过大数据的采集分析，利用了大数据时代数据量无限扩大、链条无限延长、体系不断完善、捕捉难度日益降低的历史契机，可建立客观信用评价体系，打破了以财务信息为核心的传统信用评价思维，改变了以抵押担保为主的传统信贷方式，创建一个全生命周期、全流程的智能风控体系。

海量数据背景之下，信息和数据开始逐渐成为价值的载体，愈发被市场重视。数据也成为供应链融资的基础。随着各方面技术的成熟，以真实交易数据和行为数据为基础开展的金融服务开始崭露头角。此种新型的金融服务通过对用户的交易和行为数据进行数据挖掘，并以此为依据对其进行评级和授信，进而提供相关金融服务。具有此种“数据特质”的金融服务被称为“数据质押”，即运用大数据分析，以交易过程中所形成的能够交叉验证的真实交易数据和行为数据进行评级和授信，并以此为依据向企业提供融资服务的模式。

随着数据所具备的价值愈加明显，围绕数据租赁、数据交易、数据加工服务、数据合作等环节，会出现全新的商业模式。

应用场景二：数据流＋现金流＋智能预测

预测是进行科学决策的前提，它是根据已有的现象和数据，结合影响某事物的因素，运用科学的方法，对事物的发展趋势、结果、影响作出推断。进行财资预测，是为了体现财务管理的事先性，降低未来的不确定性，使企业发展的手段和预期目标与客观环境的变化保持一致，提高决策效率，降低企业风险。

财资预测的工作性质决定了财务工作者对数据要保持高度敏感。要做好现金流预测，需要对历史数据进行解读，研究其规律，又要对未来情况进行推断，作出前瞻性的判断。在历史数据方面，相对于大数据，传统的历史数据主要源于企业财务系统中所储存的数据。这类数据来源单一，仅局限在财务数据的小范围里，缺乏必要的业务信息，这样所得出的分析结果很难达到科学有效。在对未来情况进行预测时，由于缺乏多元化的数据支持，财务人员往往过于依赖业务部门的分析结果，难以对数据的有效性进行甄别。

随着移动互联网的高速发展，数据量呈几何级增长，数据提取、分析难度加大，而世界政治、经济环境复杂多变，政府政策、地缘政治问题的不确定性也给企业的经营带来影响，这些因素都应该纳入财资工作当中。财务工作者迫切需要引入和熟练使用大数据技术，以使财资预测更准确。

大数据＋资金预测模型就是在现有的财务信息系统和业务信息系统的基础上，将大数据理念和技术、人工智能算法与资金预测的关键因素相结合，将业务的信息流转化为财务的数据流，并与财务信息系统的历史数据相整合，通过机器学习，形成智能资金预测模型。

大数据＋资金预测模型构建的整体思路可以分为4步：第一，对企业涉及资金收支的业务进行解读，找出影响收支的关键因素；第二，收集相关的历史数据，将涉及关键因素的对手信息和业务信息转化为财务数据；第三，将关键因素与转化后的数据流相结合，形成预测结果；第四，结合财务指标对预测结果的合理性进行修正，并不断完善模型。

应用场景三：数据画像＋分析建模＋智能风控

随着大数据的普及应用，大数据风控的概念随之而生，它是指通过运用大数据构建模型的方法对借款方进行风险控制和风险提示。

大数据风控通过采集大量借款企业的各项指标进行数据建模分析，不仅提高了效率，还使统计结果变得更加有效。企业在运用大数据进行风控时，需要建立自身的云数据系统、风险评估模型、信用衡量体系和风险定价模型等核心产品，并且要对自身体系内以及体系外的用户进行海量数据的搜集分析，将数据模型应用到信贷业务中，从而来实现用数据驱动产品和业务，实现企业风控的流程化和自动化。对于更多规模较小的金融信贷类企业，需要根据自身的成本问题，再来取决是建立大数据风控系统还是采用其他平台成熟的产品。大数据风控模型到底是什么？它的基本流程主要分为四个部分：数据收集、数据建模、构建数据画像和风险定价。

▲ 基于大数据的风险控制流程

由于大数据风控系统大大降低了风险，信贷行业尤其是小微金融机构大量地运用了大数据风控应用系统。其中金电联行为了防范风险就建立了三个主要的算法模型，而贷后模型追求速度，风险概率也随之增加。但是建立贷后算法模型就可以实现24小时监管，保证了风险防范的及时性和实时性。运用大数据风控手段后，它的监管手段都是由计算机通过数学模型的算法实现的，不仅保证了结果的真实性，更重要的是大数据的预测能力使风险能够被提前发现，金融风险也能被提前抑制，大大降低了风险的发生率。金电联行长期以来都追求研究数据的真实性，因此它还搭建了一整套基于超过40万家中小企业经营数据的算法模型，并且保留了最真实、有效的数据，保证了结果的客观性。

平安科技依托了集团在金融领域场景化服务方面的资源优势，不断地推进大数据、云计算等技术成果的应用和转化，充分挖掘了大量数据碎片中的关联性，并且不断地完善数据统计模型，能够更加科学地反映用户的信用状况。平安科技通过对内外部数据的整合，建立了一个非常清晰明确的体系和不同的模型。它能够通过人工智能技术对大数据进行深度挖掘，并应用在风险控制的金融场景服务中，不仅丰富了信用风险评估的数据维度，还扩展了征信数据规模和数据维度。

微众银行陆续建立了客户分群授信、社交评分、信用评分、商户授信管理和欺诈侦测等系列模型。微众银行同时也在做技术输出，推进同业的合作，帮助合作伙伴构建了移动互联网金融的服务能力。

京东金融形成了由多种大数据机器学习模型构成的弱分类组合预测模型，借助了随机森林、lasso回归等算法，参考了数千个预测变量，借此评估用户的还款意愿和还款能力。京东称，正在构建开放生态，开放技术和产品能力，为传统金融机构赋能，帮助其降低成本并提高效率。

蚂蚁金服旗下的芝麻信用称，利用梯度提升决策树、随机森林、神经网络、分群调整技术和增量学习技术等在内的机器学习算法，可以为缺少信贷记录的人群做出客观的信用评价。芝麻信用已通过商家自助服务平台全面开放消费金融风控能力，帮助行业提升风控水平。

百度金融将自己定位为科技金融公司，以大数据技术为发力点，通过人工智能、用户画像、精准建模等技术，扩大征信范围，并对外开放技术能力。

在未来，大数据风控的格局会延续，平台企业在做资产端的同时会将自己的大数据风控体系开放出来，并帮助创业公司和传统金融机构等企业提升风控能力，不仅自己可以扩大收入来源，壮大自己的大数据风控生态圈，而且创业公司在形成自身大数据风控体系的同时，也能够接入大企业的风控体系来助力自家公司资产端的拓展。

数据智能下，数据不是用来支持决策的，数据本身就是决策。数据智能将成为未来商业的基础，而智能商业也将成为数据时代的全新商业范式。伴随着互联网技术，特别是物联网、数据科学和计算能力持续的高速发展，基于数据智能的商业将大大超越102年前的福特流水线，给人类整体的生产力带来又一次根本性突破。

除了BAT等大公司掌握了各种强大的风控技术之外，其他金融科技新兴企业也有了自己很多格局特色的大数据风控系统。具体内容请查看《财资中国》杂志2017年11月刊。