金融大数据论文范文

引言：寻求写作上的突破？我们特意为您精选了12篇金融大数据论文范文，希望这些范文能够成为您写作时的参考，帮助您的文章更加丰富和深入。

篇1

1.强化数据治行理念大数据革命必将颠覆银行传统观念和经营模式。通过营造“数据治行”的文化，建立分析数据的习惯，落实全行的数据标准和数据治理，切实提升“大数据”开发利用的综合能力，将现有数据转化为信息资源，让决策更加有的放矢，让发展更加贴近市场需求。

2.建设大数据平台构建处理能力强、扩展性好、开放度及共享度高的大数据存储加工平台，整合行内外、各种形态、跨历史周期的海量数据，并构建统一、全面、稳定的企业级数据模型，为大数据的分析利用提供基础的数据、环境、模型及配套工具等全方位立体式支撑。

3.打造数据分析应用体系构建适应大数据分析的多功能、跨渠道、多粒度的分析挖掘模型和应用体系，为服务质量改善、经营效率提升、金融模式创新提供支持。通过对海量数据的深度分析，全方位调整产品结构、营销模式，从根本上提高风险管理、成本绩效管理、资产负债管理和客户关系管理水平。

4.实现智慧银行的目标智慧银行是指，通过大数据技术不断优化业务办理流程，高效配置金融资源，敏锐洞察并引领客户需求的高度智能化的金融商业形态。智慧银行可提供“银行始终在客户身边”的全场景金融服务，为客户创造最佳服务体验。

二、农业银行大数据平台概述

经过多年的努力探索，农业银行在大数据平台建设的道路上锐意开拓，大胆创新，逐步形成了以四大基础平台、五类数据服务为核心的大数据平台。

1.四大基础平台（1）企业级数据仓库随着银行业数据利用能力的逐步提升，业务分析呈现跨领域分析、高度整合分析、长周期历史分析等特点，企业级数据仓库通过对行内跨领域海量数据的高度整合和模型化，形成对客户、账务、产品等的统一视图，使大数据分析成为可能。农业银行企业级数据仓库以存储和处理结构化数据为主要目标，全面涵盖了农业银行存、贷、中间业务等行内业务条线的核心类数据，实现PB级数据的高效存储，可以满足全行在各个领域数据分析和价值发现的各类需求，并为全行数据治理提供有力的支撑。如通过网点的多维度、全方位、长历史周期数据挖掘给出网点资源配置建议，提升运营效率，优化业务流程。（2）信息共享平台信息共享平台以存储和处理行内非结化数据为主，辅以来自行外的社会数据。基于非结构化数据的分析和深度挖掘，在客户关系管理、中小企业信贷、风险管理、品牌建设等众多领域发挥了重要的作用。如基于对社交网络各类非结构化数据的综合分析可以获取行外目标客户；通过机器学习、语音识别、情绪识别等技术，对客服语音记录进行深度挖掘，发现客户的需求。（3）实时流计算平台传统数据计算平台多以批量计算为主，数据处理能力较强，但时效性较差。农业银行的实时流计算平台采用业界最先进的流计算框架，实现数据的快速采集、交换、处理和应用，主要用于实时营销、实时客户服务、欺诈监控、大额动账监控、系统运营监控等各类对时效性要求比较高的业务场景。如结合持卡人的行为偏好为客户实时推荐精准的营销信息、优惠信息和特惠商户信息，并为特定客户群体提供实时的有针对性的服务提示。（4）高性能数据处理平台海量数据的分析挖掘亟须一个高性能环境的支撑，农业银行高性能数据处理平台采用大内存处理、分布式、闪存等新技术，以高性能计算为主要特点，实现对海量结构化数据、非结构数据等进行综合处理、全面分析和深度挖掘。如通过大数据语义分析和情绪分析追踪海量网络信息蕴藏的经济金融“微信号”，借此判断未来的市场走势，为前瞻性风险管理提供参考。

2.五类数据服务农业银行基于四大基础平台的优势，大力发展应用系统建设，形成了五大类数据服务形式有机结合的数据服务体系。（1）指标检索服务通过构建全行统一的指标库，为各个业务条线提供常用指标的检索服务，在此基础上提供各类经营管理、监管报送等指标采集、加工及报送服务。（2）即席查询服务采用特定的工具，构建功能强大的查询支持库，满足各类灵活查询、临时查询及特殊复杂查询需求。如果说报表是经营管理的瞭望塔，那么灵活的即席查询就是执行经营决策的指南针。以客户营销为例，即席查询服务可以为全行的客户经理提供多角度的客户信息查询，针对当前市场热点，提供具体的业务指导。（3）定制化信息服务通过iReport智能资源视窗对信息进行统一管理、分层检索、灵活配置和个性展示，并针对用户的不同需求、不同层次及不同偏好，提供定制化、个性化的信息订阅，联动邮件、短信、微信等渠道提供主动信息推送服务。（4）多维分析服务多维分析可以帮助业务人员实现多维度、多视图、多层次的分析，并可以通过下钻、上钻、切片、旋转等操作，提供更加动态、智能的数据分析，发现数据背后的规律。如从机构、时间、客户、产品类型、渠道、营销活动等多个维度对产品盈利情况进行综合分析，进而有效推动产品优化和创新。（5）深度数据挖掘服务海量数据中蕴含的规律和价值通常不直观，大数据的显著特点之一就是海量数据的知识发现和数据挖掘。农业银行基于大数据平台构建了多个特定领域或主题的数据挖掘实验室，包括客户洞察及精准营销、信用评价及风险评估、舆情分析与客户情感管理等，紧跟市场发展动态，直面业务热点、难点，充分挖掘大数据的巨大价值，为业务发展和经营决策提供更加深入的洞察和更加有力的支撑

三、农行大数据应用实践

农业银行在构建大数据体系时坚持以应用为核心，统筹部署数据平台开发与业务应用，加强业务创新与数据利用的良性迭代，实现传统业务和新型业态的融合发展，充分发挥了数据对全行业务发展和经营管理的支撑作用。借助大数据这把利剑，实现了“营销更精准、服务更贴心、管理更精细、监管更透明、风险更可控、决策更智能”，有效促进了全行经营理念、业务运营、组织流程的不断创新，为全行业务发展和经营管理提供了有力的科技引擎。以下三类应用案例可充分说明情况。

1.精准营销基于大数据的客户营销“三步曲”：获取客户、客户画像、精准营销（如图1所示）。通过大数据强大的信息获取和处理能力，充分挖掘行内外的潜在客户；通过大数据实现对客户的360°立体画像，在掌控客户行为、洞察客户情感的基础上，准确地预测客户需求，从而实现精准营销及交叉营销。以贵宾客户信用卡精准营销为例，农业银行通过综合行内外数据，应用聚类分析、关联规则发现、决策树等数据挖掘算法，构建了完整的精准交叉营销模型库和应用体系，动态实现目标客户识别、客群划分、优先级划分、产品推荐、渠道推荐等功能。在合适的时间，以合适的渠道，通过合适的方式，为合适的客户推介甚至定制合适的产品，实现差异化、个性化的精准营销。2.热点分析农业银行基于大数据平台构建了热点问题专题分析模型库，对当前的热点事件进行定期跟进、深度分析和动态监测，为策略制定、产品创新及运营模

篇2

一、绪论

（一）背景

随着我国互联网是迅速发展，互联网模式迅速占据各行各业，而我国的互联网经济也取得了飞速的发展。截止2015年我国的网民已经达到了9亿人，这个庞大的数字表明我国的互联网市场的巨大潜力。此外，政府的大数据政策也开始向互联网行业倾斜，表明了互联网大数据时代的美好机遇的到来。互联网金融的融资理财等模块的发展也取得了很大的进步，第三方支付交易规模已经达到了11.9万亿，第三方移动支付交易规模达到了9.5万亿。

通过在大数据背景下研究互联网金融的盈利模式，可以对于我国今后互联网金融的发展提供良好的理论基础，同时针对大数据环境下互联网金融和传统金融相比存在的优劣势做出对比，可以为传统金融的转变提供良好的方案此外为互联网金融的问题给出良好的解决措施，从而有利于我国互联网金融的健康发展。

（二）相关理论和概念

互联网金融是传统金融行业与互联网精神相结合的新兴领域。互联网“开放、平等、协作、分享”的精神向传统金融业态渗透，对人类金融模式产生根本影响，具备互联网精神的金融业态统称为互联网金融。

“大数据”是指以多元形式，自许多来源搜集而来的庞大数据组，往往具有实时性。在企业对企业销售的情况下，这些数据可能得自社交网络、电子商务网站、顾客来访纪录，还有许多其他来源。这些数据，并非公司顾客关系管理数据库的常态数据组。

博弈论又被称为对策论（Game Theory）既是现代数学的一个新分支，也是运筹学的一个重要学科。博弈论主要研究公式化了的激励结构间的相互作用。是研究具有斗争或竞争性质现象的数学理论和方法。

二、传统金融盈利模式分析

（一）传统金融机构盈利模式分析

广义上说我国传统的金融机构有银行，基金，保险，证券公司等，这些公司都属于我国传统进行机构，传统金融的盈利模式分为不同的机构进行简单介绍。

1.银行。我国的银行主要盈利模式是吸纳存款给存款人发放利息，同时对外房贷，收取贷款利息，其中贷款利息和存款利息的差额就的利润，中间业务收入，同行拆借，承兑汇票贴现利息收入，信用证，托管业务等。这些构成了银行的盈利来源。

2.证券。证券是多种经济权益凭证的统称，因此，广义上的证券市场指的是所有证券发行和交易的场所，狭义上，也是最活跃的证券市场指的是资本证券市场、货币证券市场和商品证券市场。

3.保险。保险公司（insurance company）是销售保险合约、提供风险保障的公司。保险公司可以这样分类：人寿保险公司和财产保险公司。按照中华民国保险法之规定，两者必须分开经营。所以有的保险公司成立了集团公司，下设独立核算的人寿保险公司和财产保险公司。再保险公司是保险公司的保险公司，对保险公司承担的风险进行分散和转嫁。

（二）传统金融在互联网背景下发展的局限性

第一，产品品种优势不明显，投资门槛高，客户体验度差。银行的流程繁琐和复杂，使得一些客户避而远之，加上银行近些年的理财产品不以客户为中心，客户理念差。

第二，渠道单一。对于传统金融机构来说，更多的是来自物理渠道的客户，商业银行的客户群体多来自网点的客户，而线上客户缺乏，也没有线上客户来源，线上市场推广策略缺乏，缺乏市场前瞻性。

第三，传统的管理战略思想导致银行发展缓慢。银行带有浓重的政治色彩，一直都是国家控股，对于银行的战略管理也是以国家战略管理为核心而展开的，因此，银行的变革一直在比较缓慢的。

第四，缺乏良好的人才选拔机制和内部晋升渠道。现代管理中，具有竞争力的人才才能给公司带来发展，银行人才的竞争和选拔也缺乏合理性，传统银行很多都是关系户，导致银行内部人才缺乏公平竞争机制。

三、互联网金融盈利模式分析

（一）互联网金融的运作模式

第一，第三方支付企业指在收付款人之间作为中介机构提供网络支付、预付卡发行预受理、银行卡收单以及其他支付服务的非金融机构。代表企业：支付宝、易宝支付、拉卡拉、财付通为代表的互联网支付企业，快钱、汇付天下为代表的金融型支付企业。

第二，P2P小额贷款。P2P金融又叫P2P信贷，指个人与个人间的小额借贷交易，一般需要借助电子商务专业网络平台帮助借贷双方确立借贷关系并完成相关交易手续。

第三，众筹融资模式。众筹融资模式是基于“互联网+金融”所创新的一种模式，意义不仅在金融创新本身，而在于对传统金融领域和金融业态提出的挑战，并且在一定意义上具有颠覆性。

第四，虚拟电子货币模式。虚拟货币是一种计算机运算产生或者网络社区发行管理的网络虚拟货币，可以用来购买一些虚拟的物品，也可以使用像比特币这样的虚拟货币购买现实生活当中的物品。

（二）互联网金融主要盈利收入来源

我国目前互联网金融发展迅速，很多的经营模式以规模制胜，P2P模式中的主要利润来源是赚取中间的差价，借款人和贷款人之间的利息差为主要利润来源。虚拟货币的主要利润来源就是卖虚拟货币的收入扣除相应的成本之后所得利润。对于众筹融资模式来说，盈利模式大多数以收取佣金的形式来实现收益，其次，很多众筹平台也采取分成模式或广告模式，也就是众筹成功之后从其收取一定的广告费。

四、大数据及互联网金融视角下国有商业银行盈利模式研究

（一）博弈论角度分析商业银行和互联网金融选择

1.假设前提

第一，金融市场中只存在了商业银行和互联网金融两个参与者。

第二，经济人假设。商业银行和互联网金融机构是两个理性经济人，以个人最大利益为出发点，基于自身利益最大化做出决策。

第三，在应对互联网金融同时商业银行可以采取措施有合作和不合作，即选择集合为（合作，不合作）。互联网金融在应对商业银行时采取的措施有合作和不合作两种选择，即选择集合为（合作，不合作）。

第四，互联网金融和商业银行的博弈过程是完全的信息动态博弈，即在博弈过程中，商业银行很清楚的了解到互联网金融的交易模式及其有点，在互联网金融机构也了解商业银行的优势所在。

2.博弈过程

商业银行和互联网金融博弈模型

博弈过程的开始我们以商业银行首先做出选择，上图所示。最上方商业首先进行选择信息集（合作，不合作），如果商业银行选择不合作，那么博弈结束，各自都以自己的利益最大化为目标开始自己的发展。

如果商业银行选择合作，那么就开始由互联金融机构开始选择，这个时候互联网金融机构可以选择合作还是不合作，选择不合作，那么互联网金融机构就可以借助商业银行的优势综合自己的优势来大力发展自身，而商业银行则不能利用互联网金融的优势去发展自身。如果互联网金融机构选择合作，那么相互之间就可以进行优势互补，从而达到双赢的局面。

从上图可以看出来，商业银行在博弈中的处境和地位，选择不合作那么就会处于劣势，可能会被互联网金融抢占原有的市场，如果选择合作的时候，互联网金融业选择合作那么双方都可以得到一个很好的发展局面，如果互联网金融不选择合作，那么商业银行就会成为牺牲品，优势被互联网金融所利用，逐渐被互联网金融边缘化。

互联网金融机构选择是否合作，都可以看得出来其的发展结构。如果选择不合作，那么必然受到道德风险的阻碍，根据自身利益最大化做出选择，那么在短期内必然受到信用方面的负面影响。所以从长远来看，互联网金融机构根据自身利益最大化原则是比要和商业银行进行合作。如果为了避免不合作情况的发生，商业银行会选择与互联网金融机构签订一份相互合作的协议，以维持合作的状态。

（二）大数据互联网背景下商业银行创新盈利模式

互联网迅速发展，商业银行的客户大数据必然是其发展的基础。大数据能力将成为银行的核心竞争力。所谓的“核心竞争力”，关键的要素是“不可复制”、“不可替代”。

数据是大银行的战略资产。随着数据挖掘技术的发展，银行可谓是数据密集型行业，其资产不仅是贷款等，还包括数据。要把数据作为重要资产保护、经营，这是大银行区别于小银行，也是现代银行区别于传统银行的关键之处。而且数据财富是没有天花板的，可以不断挖掘、不断创造，最近国际上很多机构都在探讨如何量化数据等无形资产的价值。

商业银行通过对自己原有客户群体的数据挖掘提炼客户需求，提高客户服务质量，从而改变当前银行的困局。创新服务模式，提高服务效率和便捷性。每个用户都会办理银行卡，利用这个基础进行相关客户端软件安装，对于有余额的客户提供理财服务，发展互联网银行多种理财方式和渠道。

未来商业银行的业务模式中将转移到以大数据客户资源为核心，以数据资源为主要竞争力量和利润来源，来扩大和发展银行相关业务。

五、结论

篇3

[ 2 ] 江洪，钟永恒.国际科学数据共享研究[J].现代情报，2008（11）：56-58.

[ 3 ] 黄鼎城，郭增艳.科学数据共享管理研究[M]北京：中国科学技术出版社，2002：36.

[ 4 ] 黄鼎城，郭增艳.科学数据共享管理研究[M]北京：中国科学技术出版社，2002：130-140.

[ 5 ] 欧盟委员会副主席Neelie Kroes：希望每个欧洲人都

参与数字化[EB/OL].[2013-10-11].http：//.cn/5f00653e83b753d652a86001/20125e74/46708/6b2776df59d454584f1a526f4e3b5e2dneelie-kroes-5e0c671b6bcf4e2a6b276d324eba90fd53c24e0e-65705b575316.

[ 6 ] 刘润达，赵辉，李大玲. 科学数据共享平台之数据联盟模式初探[J].中国基础科学，2010（6）：27-32.

[ 7 ] 地震科学数据共享管理办法[EB/OL].[2013-10-11].http：///policy/gxbf.htm.

[ 8 ] 浙江建成全国首家省级地理空间数据平台[EB/OL].[2013-10-11].http：//.cn/html/2013-02/22/content_21927.htm.

篇4

在过去的一年，仿佛一夜之间，大数据时代成为炙手可热的话题，相关的论文和著书可谓汗牛充栋。甚至在中国大连的夏季达沃斯论坛上，专门开辟一个分会场，激辩大数据论题。其实，早在2007年，人类制造的信息量有史以来第一次在理论上超过可用存储空间总量，近几年两者的剪刀差越来越大。2010年，全球数字规模首次达到了“ZB”（1ZB=1024TB）级别。2012年，淘宝网每天在线商品数超过8亿件。2013年底，中国手机网民超过6亿户。随着互联网、移动互联网、传感器、物联网、社交网站、云计算等的兴起，我们这个社会的几乎所有方面都已数字化，产生了大量新型、实时的数据。无疑，我们已身处在大数据的海洋。

有两个重要的趋势使得目前的这个时代（大数据时代）与之前有显著的差别：其一，社会生活的广泛数字化，其产生数据的规模、复杂性及速度都已远远超过此前的任何时代；其二，人类的数据分析技术和工艺使得各机构、组织和企业能够以从前无法达到的复杂度、速度和精准度从庞杂的数据中获得史无前例的洞察力和预见性。

大数据是技术进步的产物，而其中的关键是云技术的进步。在云技术中，虚拟化技术乃最基本、最核心的组成部份。计算虚拟化、存储虚拟化和网络虚拟化技术，使得大数据在数据存储、挖掘、分析和应用分享等方面不仅在技术上可行，在经济上也可接受。

在人类文明史上，人类一直执着探索我们处的世界以及人类自身，一直试图测量、计量这个世界以及人类自身，试图找到隐藏其中的深刻关联、运行规律及终极答案。大数据以其人类史上从未有过的庞大容量、极大的复杂性、快速的生产及经济可得性，使人类第一次试图从总体而非样本，从混杂性而非精确性，从相关关系而非因果关系来测量、计量我们这个世界。人类的思维方式、行为方式及社会生活的诸多形态（当然包括商业活动）正在开始发生新的变化。或许是一场革命性、颠覆性的变化。从这个意义上讲，大数据不仅是一场技术运动，更是一次哲学创新。

大数据金融

正如诸多文献所谈到的，大数据对许多行业的影响和冲击已经呈现。例如，商业零售、物流、医药、文化产业等。金融，作为现代经济中枢，其实也已透出了大数据金融的曙光。

过去的2013年，中国金融界热议最多的或许是互联网金融，更有人指出2013年是中国互联网金融元年。确实，第三方支付、P2P、网贷、众筹融资、余额宝、微信支付等发展迅速。众多传统金融业者也或推出自己的电商平台，或与互联网企业联手提供相应的金融产品和服务。

互联网金融，无论是业界、监管者或理论界，都在试图给出自己的理解和定义。但到目前为止，尚未有一个统一的、规范的概念。在我看来，互联网金融本来就是一个不确切的概念，也不可能有一个明确的定义。严格说来，所谓互联网金融只是大数据金融的一种展现或形态。换言之，前者是表，后者是里。

这是因为，无论是互联网还是金融业，其实质都是大数据（信息）。首先，对互联网企业而言，流量、客户等数据（信息）是其涉足金融业的基石。对金融企业而言，提供中介服务，撮合金融交易也是以数据（信息）为基础。其次，没有大数据技术的支撑，所谓互联网金融也难以快速、持续成长。20世纪90年代互联网浪潮的蓬勃兴起，至今已近二十年。但从世界范围看，所谓互联网金融却发展缓慢。当然，其中原因很多，但其主要原因则是大数据技术是近几年才快速发展起来的。最后，从金融企业来看，在数据中心建设，软硬件系统建设，数据（信息）挖掘、分析等方面也是做得有声有色，其庞大的客户数据、海量交易记录及众多信息源，使其在大数据应用方面也做了许多积极探索。因此，要准确反映近年新金融趋势，“大数据金融”比“互联网金融”更为贴切。

大数据金融有以下七大特征：

网络化的呈现。在大数据金融时代，大量的金融产品和服务通过网络来展现，包括固定网络和移动网络。其中，移动网络将会逐渐成为大数据金融服务的一个主要通道。随着法律、监管政策的完善，随着大数据技术的不断发展，将会有更多、更加丰富的金融产品和服务通过网络呈现。支付结算、网贷、P2P、众筹融资、资产管理、现金管理、产品销售、金融咨询等都将主要通过网络实现，金融实体店将大量减少，其功能也将逐渐转型。

基于大数据的风险管理理念和工具。在大数据金融时代，风险管理理念和工具也将调整。例如，在风险管理理念上，财务分析（第一还款来源）、可抵押财产或其他保证（第二还款来源）重要性将有所降低。交易行为的真实性、信用的可信度通过数据的呈现方式将会更加重要，风险定价方式将会出现革命性变化。对客户的评价将是全方位、立体的、活生生的，而不再是一个抽象的、模糊的客户构图。基于数据挖掘的客户识别和分类将成为风险管理的主要手段，动态、实时的监测而非事后的回顾式评价将成为风险管理的常态性内容。

信息不对称性大大降低。在大数据金融时代，金融产品和服务的消费者和提供者之间信息不对称程度大大降低。对某项金融产品（服务）的支持和评价，消费者可实时获知该信息。

高效率性。大数据金融无疑是高效率的。许多流程和动作都是在线上发起和完成，有些动作是自动实现。在合适的时间，合适的地点，把合适的产品以合适的方式提供给合适的消费者。同时，强大的数据分析能力可以将金融业务做到极高的效率，交易成本也会大幅降低。

金融企业服务边界扩大。首先，就单个金融企业而言，其最合适经营规模扩大了。由于效率提升，其经营成本必随之降低。金融企业的成本曲线形态也会发生变化。长期平均成本曲线，其底部会更快来临，也会更平坦更宽。其次，基于大数据技术，金融从业人员个体服务对象会更多。换言之，单个金融企业从业人员会有减少的趋势，或至少其市场人员有降低的趋势。

产品的可控性、可受性。通过网络化呈现的金融产品，对消费者而言，是可控、可受的。可控，是指在消费者看来，其风险是可控的。可受，是指在消费者看来，首先其收益（或成本）是可接受的；其次产品的流动性也是可接受的；最后消费者基于金融市场的数据信息，其产品也是可接受的。

普惠金融。大数据金融的高效率性及扩展的服务边界，使金融服务的对象和范围也大大扩展，金融服务也更接地气。例如，极小金额的理财服务、存款服务。支付结算服务等普通老百姓都可享受到。甚至极小金额的融资服务也会普遍发展起来。传统金融想也不敢想的金融深化在大数据金融时代完全实现。

大数据金融图景

尽管大数据技术还处于早期发展阶段，但大数据金融已透出了一片曙光。我们结合多方面的文献和事实，试图勾勒出大数据金融图景。

泛金融化。金融供给也许不再是传统金融业者的专属领地，许多具备大数据技术应用能力的企业都会或多或少涉足、介入金融行业。在未来的某一天，也许银行与非银行间，证券公司与非证券公司间，保险公司与非保险公司间的界限会非常模糊。金融企业与非金融企业间的跨界融合成为常态。同时，金融企业在提供传统金融服务的同时，其服务范围、内容也会泛金融化，会提供综合的、社会化的服务。

多层次的行业格局。大数据金融时代，金融服务层次将空前丰富，既有行业寡头，也有区域金融服务企业。同时，也存在大量的地方、社区金融企业，也会出现无实体店的金融企业。行业市场更加细分。不同层次的消费者都能享受到特定的金融服务。在此过程中，会催生许多与大数据金融相关的行业和企业。

篇5

21世纪是信息化、数字化和网络化时代。数字信息逐渐渗入我国企业的血液，企业如何利用数据信息提高财务管理的水平，为企业领导提供科学可靠的决策依据，是企业发展的关键所在。企业面对数据时代的变化应该顺应时代的发展,勇于面临新的挑战，接受新的事物，对企业财务管理进行深层次的变革，使其在当今信息数字化的市场游刃有余。

一、大数据背景的概述

(一)大数据背景的优势

大数据的时代为企业带来更多的机遇，促使企业更深层次的重视数据信息所反映的本质，深层次的挖掘数字信息的能量。经济全球化意味着我国企业不仅仅面临国内企业的竞争，更面临国外企业抢占市场的危机。面对国内市场一时涌入大量的数据信息，传统的企业财务管理水平已经不能应对现今的市场。企业财务部门需要更为高效、精确的处理大量数据信息的能力，企业领导根据数据信息所反映的现状，从而估测未来市场的发展趋势，结合企业自身的发展现状，选择最佳经营方案和正确决策，为企业更好、更快的发展创建良好的数据平台。

(二)大数据背景的劣势

大数据时代在为企业带来更多新机遇的同时，也为企业带来更多的新挑战。大数据时代在为人们带来便捷的同时，也对人们的隐私权提出挑战，企业财务管理收集信息时也经常会触及人们隐私权的问题。在这个时代中人们的隐私经常侵害，很多数据信息的采集都是为被人们许可，甚至有些组织直接出售人们的信息，直接侵害人们的隐私；除此之外企业在面临大量数据信息的时候，要意识到收集的数据信息也存在虚假信息或表面信息，其所得出的结果很有可能具有片面性，甚至是虚假性，很容易误导企业领导做出错误的决策。

(三)大数据背景对企业的要求

企业财务管理面临大量的数据信息，其应该意识到对于数据信息处理的工作不是一个部门或者传统的工作方式就可以胜任或解决。企业财务部门应该注重部门之间的协作，并对其数据信息的分析结果进行共享，促使企业各个部门对企业经营的现状有一个深刻认知，确保各个部门做出对企业最佳的决策，确保各个部门协作企业高层领导引导企；面对数据信息大爆发的现状，传统的企业财务管理已经不能应付庞大的数据信息。目前我国数据信息处理的方案仍处于探索的阶段，会计与估值方案应与科学技术巧妙结合，成功掌握市场的变动和发展趋势，财务人员应熟练掌握相关先进的会计软件和具备数据统计的工作能力，为企业创建完善的数据信息库。

二、大数据背景下企业财务管理面临的挑战与变革

(一)企业财务管理理论的挑战

企业财务管理理论主要是以非金融企业为主体，着重讲述财务理论与金融工具相结合对财务资源的统筹、组织与配置，实现财务资源的科学、合理、利率最大化的目标。现今大数据、互联网和云计算的市场经济环境为企业财务管理理论提出新的挑战，其包括现今财务管理理论是否符合当下的企业财务管理实践活动，股东价值的提升路径和财务风险评估的精确性和预测性，企业财务管理论框架完善性等。从企业财务管理理论与财务管理实践不相符的角度出发，使其财务学理论出现失误，这些挑战从侧面反映出企业财务管理需要创新与突破，消除其局限性和落后性的负面影响。

(二)大数据背景下企业财务管理体系的创新

大数据背景下企业感受来自国际上新技术、新理念、新突破等多方面的压力，为了促使我国企业财务管理赶上国际水平的大步伐，我国应该鼓励企业财务管理不断创新。目前我国一些大型企业已经意识到企业财务管理创新的重要性以及其研发的方向性。财务管理理论中“大司库”的新概念被人们提出，大司库是指利用管理统一、集中结算、多渠道融资、风险管理等方式对现金进行管理，降低企业金融风险和提高企业价值。以中国石油为例，其大司库项目的实施，从观念创新的角度分析是从资金集中管理到司库管理再到大司库管理。2000年中国石油实施资金的集中管理，实现规范资金收支、提高资金使用效率、降低资金成本、扩宽融资渠道等目标。随着我国经济飞速发展，资产的扩展和经济全球化的程度不断加深，显出资金集中管理的落后性和局限性、2009年提出建立司库项目，从之前的被动管理转变为主动管理、战略管理和超前管理。在大数据的背景下企业财务管理建立“大司库”体系，实现统筹管理金融资源和金融业务，并有效控制金融风险，促进企业更加适应大数据的时展。

三、大数据财务管理的要点

大数据背景下庞大的数据信息、高效的处理能力、不稳定等特征对企业财务管理提出更为严峻的要求，企业迎接新的挑战和发生巨大的变革，创建这个时代特有的“大数据财务管理”。

(一)企业价值内涵和驱动因素的变化

企业财务管理的最终目标是企业经济利益最大化。传统的财务管理经常将企业价值与市场价值混淆，造成企业财务管理以企业市场价值为参考依据。现代化的财务管理纠正企业价值的内涵，企业价值是企业实际利润、现金和净资产等因素共同决定。但是大数据背景下，国际股价与国内市场存在很大的差异，不能仅凭企业利润、现金和净资产来估算企业价值，还要对企业综合竞争能力、商业模式发展潜力、创新能力等多方面进行评估。这些评估需要根据企业筹资来源、资金投入，网络数据信息等方面的数据。利用大数据、互联网和云计算等深度挖掘数据信息的能量，为企业创造更大的价值，由此可知企业收集、处理和预测数据信息的能力是企业市场竞争的主要内容。

(二)大数据财务管理边界化的消除

大数据时代为企业数字化、网络化和智能化提供优良的发展环境。大数据时代的数据共享特征为企业总公司和子公司之间的信息共享与交流提供便利。企业内部的数据信息能够互通有无、整合归纳，使企业财务管理与企业项目联合统筹管理，模糊企业财务管理与项目管理的便捷，实现数据集中管理，是企业大数据管理的必要条件，也是企业现代化改革的主要内容之一。

(三)投资决策标准的变革

企业投资决策直接影响企业近期或长期企业的发展状态，因此企业必然要确保企业决策的正确性和前沿性。大数据背景下传统的投资项目评估法已经不能适应大数据时代的市场变动，货币的之间价值随之波动，很有可能造成企业决策的失误，尤其是现金流小和未来现金流不定的投资项目更不能选择这一评估标准。大数据和互联网实现现金流的全程监控，能高效获取精确的数据信息；其次是在大数据的背景下“现金流”少或未来现金流不定，企业根据企业资源来源与投资和发展前进的估算可以较为精确的确定现金流。

(四)企业财务风险管理的重新构建

企业财务管理中财务风险的有效控制是其管理的主要内容，实现风险评估和风险防控。显然传统的财务风险管理并不适应大数据下的企业发展。风险评估过程中企业上下级领导的交流由于权利的限制，沟通较为顺利，但是部门之间的交流存在一定的障碍，企业应利用大数据、互联网和云计算加强部门之间的沟通，并建立部门之间沟通的意识，真正发挥数据信息功共享的功能，为企业财务管理提供科学可靠的数据依据，有效预测以及评估企业项目风险。

四、结束语

综上所述，大数据时代具有大数据、互联网和云计算的标志性特征，在大数据背景下企业财务管理利用借助大数据的特征推动企业财务管理理论的完善，财务管理体系的创新，企业价值的重新定义，边界化的消除，投资标准的确定等方面的改进与完善。

参考文献：

[1]马美芳.大数据背景下企业财务管理的挑战与变革探讨[J].商.2015（45）

[2]汤谷良,张守文.大数据背景下企业财务管理的挑战与变革[J].财务研究,2015（1）

篇6

2013年以来，互联网金融快速崛起并深刻影响着金融学子的学习生活、社会实践和思维观念。一系列互联网金融的新概念进入高等金融教育的视线：“大数据”、“云计算”、“社会征信”、“共享经济”、“数字货币”、“机器学习”、“人工智能”等，让金融专业的师生既兴奋又备感压力。互联网金融相对于传统金融的思维观念已经改变，经济和金融明显可分的界限被打破。当前，互联网“经济”、互联网“金融”和互联网下的“大数据”高度融合，浑然一体，不可分割。一切资金支付活动均通过移动终端进行，几乎不需要现实货币参与，点对点的资金流动使得“金融脱媒”趋势来得异常凛冽，基于大数据的分析解决了信息不对称的难题。受此影响，复合型人才和跨界发展不再是空洞的口号，传统金融教育的专才培养模式不再可行。互联网金融是新生事物，其实践远远走在了当前高等金融教育的前面，对传统高等金融教育产生强烈冲击，但也带来了变革和发展的机遇。因此，强化对互联网金融教育的研究，通过互联网金融思维重塑和再造高等金融教育势在必行。

一、互联网金融的优势和特点

（一）大数据优势

互联网金融首先是从“草根金融”兴起的，在民间金融“野蛮生长”和“乱象丛生”的时代中逐渐走向成熟，对传统正规金融形成强大压力。实际上，历史上非正规金融发展缓慢的根源在于一系列困境的桎梏：信息不对称导致严重的逆向选择和道德风险、社会征信缺失、无足值抵押等。互联网金融的出现，较好克服了这些顽疾，信息不对称可以依靠大数据技术有效缓解，移动终端的广泛使用结合人工智能使社会征信和债务催收都不再成为问题，在此基础上进一步催生了众筹、共享经济等变革创业方式、生活方式的全新业态。

（二）人工智能优势

与传统金融相比，人工智能效率高，错误率低，模型不断进行自主训练和优化，大大提高了适应性，在量化投资、决策咨询和风险控制等方面逐步取得优势。人工智能的核心是机器学习，互联网金融下每日新增的海量用户数据，以及公司之间的数据共享使得感知机、决策树、随机森林、支持向量机、Logistic回归、BP神经网络等一系列机器学习的核心算法和模型不断“学习成长”，在实践中取代了传统基于人工授信、核查和对客户分类的工作模式。在不远的将来，这种开放、大维度、多渠道的人工智能下的“智能”金融，必然取得对银行依赖中央银行建立的封闭客户数据系统的优势。

（三）“互联网+”的后发优势

“互联网+”是一种全新的思维，智能化、去中心化、脱媒化、信息化以及便捷快速的推广模式催生了各类体量巨大的新兴业态，作为这些业态的基础和共同体，互联网金融拥有显著的后发优势，领先于传统产业成为近年创新创业的最大落脚点。

（四）规模优势

2008年以来，互联网金融的交易规模迅速扩大，经营上的规模优势日益明显，各项交易成本明显下降。与传统金融业态不同，互联网金融由一系列的产业链构成：征信、借贷、催收和服务等环节可分散于不同的公司，在业务模式上可以灵活分散也可有效整合，每一环节聚焦其优势业务，可将规模优势带来的低成本优势发挥到极致。

（五）双创优势

2013年以来，互联网金融的交易成本低，可有效缓解信息不对称问题，交易效率高等的优势愈发明显，不断与其他行业形成跨界融合发展，催生创新，推动创业，极具双创优势。一是依托互联网的移动支付业务的快速发展，不仅远程支付场景不断完善，近场支付也在爆发；二是支付产业链的受理端及其延伸的综合金融增值服务———海量支付数据以及数据驱动的增值服务，为互联网金融企业带来了新的发展；三是区块链技术的融合运用引爆了“跨境支付”的探索热潮；四是在P2P等典型的互联网金融业务模式上，从以往只提供信息中介服务平台的模式创新发展出了引导P2P平台与担保机构合作、整合线上与线下服务以及增加债权转让等服务的新型模式；五是利用大数据、云计算和人工智能等技术帮助互联网金融公司开展客户的理财或量化投资业务；六是基于互联网的共享经济大大便利了人们的生活体验和观念。

二、当前高校金融教育应对互联网金融冲击的SWOT分析

表1是高校金融教育应对互联网金融冲击的SWOT分析矩阵，在理论和实践两个层面为当前高校金融教育如何应对互联网金融的影响提供了分析思路和依据。

（一）优势

首先，传统金融教育具有雄厚的人才基础和优势。自20世纪80年代我国建立高等金融教育事业以来，到目前为止高等金融教育已取得质的突破，金融专业的品牌认可、高考招分、学生素质、国际化程度、毕业后的薪资水平、社会评价等各项指标均处于各行业的前列。同时，国内金融领域在国际一流期刊发表的论文数量也在整个社会科学领域处于领先地位。其次，当前高校金融专业的培养方案和课程设置一般采取模块化搭建的思路，从公共基础、学科基础、专业培养、素质教育和实践实习等方面进行模块化管理，具有良好的可拓展性，互联网金融的相关课程可根据不同专业需要，进行优化组合，体现功能性。第三，互联网经济和互联网金融给高校师生带来了良好体验和观感，高校师生有充分的积极性迎接新专业的建设和发展。

（二）劣势

传统金融教育是单一化的金融专才培养模式，一般分为货币经济、金融市场、投资、金融工程、银行经营与管理、公司金融、家庭金融等方向，注重对货币、投资、资产定价、股票、债券和财务等“纯金融”知识的讲授，对大数据、人工智能和机器学习等涉及计算机与统计学习等跨领域的知识鲜有涉及。在互联网金融的冲击到来之后，我们发现业界需要复合型的跨界人才，单一聚焦金融领域的教学思维和模式开始变得落后和陈旧，金融教育需要“混业发展”。另一方面，教材建设相对滞后。目前，比较缺乏互联网金融的专业教材：一是自编教材的质量令人担忧；二是优秀的互联网金融的国外教材引用较少；三是互联网金融跟风开设课程的现象比较突出，没有因地适宜，教学内容和难度都过犹不及，影响了教学效果。

（三）机遇

互联网金融是朝阳产业，带来了巨大的发展机遇。当前，互联网金融行业的人才极度缺乏，不得不采取“挖墙脚”的无奈之举，导致银行业人才流失严重。限于人才奇缺，互联网金融目前的进入门槛较低，人员素质和水平良莠不齐，原因在于高校对互联网金融人才的培养处于摸索阶段，传统金融教育毕业的学生青睐于在正规金融行业就业，对以民营企业为主的互联网金融行业心存疑虑甚至偏见，人才供给严重不足。显然，传统金融教育向互联网金融教育转型发展的机遇巨大。不仅如此，互联网金融还在科研立项、论文选题、学生的实习实践、就业创业、高校金融教育的学科点申报、专业建设和师资培养等方面开拓了广阔空间，前景可期。另一方面，相对于传统的金融业而言，互联网金融是典型的跨界金融，从一开始就在进行业务模式的细分和产品之间进行内部整合。互联网金融也正在逐步通过用户、大数据和场景的互动来实现对银行、证券、保险、基金和资产管理等传统金融机构进行强有力的整合运作。互联网金融的跨界整合实现了不同行业功能的有机结合，推动了我国区域经济在空间和深度上的拓展。互联网金融需要既懂得信息技术又懂得金融业务、营销和管理知识的跨界复合型人才，这就对高等金融教育提出了更高的要求。但是从高等金融教育实践来看，金融、计算机及营销和管理类专业的教育还是各自为政，独立培养，忽略了跨界知识的构建，导致学生难以适应社会对复合型人才的需求。

（四）挑战

首先，传统金融教育“分业培养”的理念和当前互联网金融“混业发展”的现实需求严重冲突，需要解决“并轨”发展问题。其次，传统高等金融教育的课程设置和培养体系相对成熟，然而，互联网金融的实践远远走到了学校教育的前面。再次，互联网金融教育强调“长尾性”。与传统金融的“二八定律”正好相反，互联网金融的优势在于服务80%的小微客户，推广的是普惠金融的理念。但在传统金融教育中关于普惠金融、微型金融的相关课程几乎从不开设。消除“教育偏见”达到在正规金融和非正规金融之间的教育平衡，更加注重“长尾性”仍然任重道远。

三、结语

高等金融教育承担着为金融行业输送急需人才的重任，也是社会和家长的关切所在。互联网金融是未来金融行业的制高点，需要高校金融教育培养复合型人才，要求他们具备金融学知识，理解金融业务的原理，掌握信息化技术并能对大数据进行分析，还要具有一定的营销和管理能力。因此，主要的启示有如下几点：（1）注重学科交叉，优化课程设置，培养复合型人才。（2）加强师资建设，促进传统金融教育向互联网金融转型发展。（3）加强互联网金融的“产学研”的合作，树立“干中学”的务实求真精神。对此，高校金融教育是有优势的，要秉持开放理念加强彼此合作，使研究向应用转化。（4）加强对大数据和人工智能的关注，引入相关课程。此外，在互联网金融风险高发的背景下，高等金融教育也要积极承担社会责任，适时向社会进行互联网金融知识的推广和普及，提高民众规避风险的能力，达到普及金融教育的目的。

［参考文献］

［1］刘小铭.浅析互联网金融现状及风险［J］.经营管理者，2016（23）：313.

［2］杨竹清，张超林.互联网金融对我国高等教育金融的启示［J］.金融教育研究，2016（5）：82-88.

［3］刘源.论技术经济学课程的分阶段培养模式［J］.中国市场，2016（48）：167-169.

［4］谢水园.企业的业务骨干参与大学课堂教学常态化研究———以《国际贸易实务》为例［J］.亚太教育，2016（30）：89.

［5］谢水园.论外贸通关实务课程中多种教学方式的运用［J］.中国市场，2014（22）：149-150.

［6］胡烨丹，潘锡泉.互联网金融语境下的金融职业教育模式创新［J］.中国职业技术教育，2015（34）：93-95.

［7］刘变叶.互联网时代金融学专业人才培养面临的挑战及应对措施［J］.工业和信息化教育，2015（5）：1-5.

篇7

我国在统计学研究生人才培养模式的创新和实践上存在的主要问题表现为：

1.培养目标不清楚。经济统计学和数理统计学在培养目标上，表述不清楚，主要以培养教学和科研的理论人才为主，特别是数理统计学，因为数理统计在统计学提升为一级学科之前为数学下设的一个二级学科，其培养仍然是数学人才，与当今对统计学的要求相差较远。而从学生的就业角度来看，应为应用型的复合型人才为主。就从培养目标来看，学校和学生以及社会对人才的需求上存在着很大的差异。所以如何将这几者统一在一起，发挥培养目标的导向性作用，变得非常重要。大部分没有明确要掌握的统计工具、数据来源问题。

数据来源主要分为四大类：问卷调查、网络数据、数据库、试验设计。针对这四大类数据来源，必须有相应的培养目标。如调查数据，就涉及到问卷设计、数据获取、数据自动提取、数据处理；网络数据如何利用爬虫技术？如何从大数据数据库提取数据？

2.课程体系陈旧、无法适应大数据时代。统计学提升为一级学科后，经济统计学和数理统计学的课程设置都不再适合统计学研究生的培养。而且以前的统计学的课程设置本身也存在着很多问题。比如：（1）课程涉及的领域不能更好地体现统计的应用性。统计学是一门综合性、适应面非常广的应用型的学科。而目前很多统计学研究生培养的课程体系过分注重理论的研究，比如数理统计学就过分注重数学基础类课程的学习，经济统计学只注重经济问题的一些简单理论分析。导致课程设置的范围狭窄，开设的交叉学科和跨学科课程较少，大多数研究生都被束缚在本专业的研究方向上，致使研究生视野不够宽调，科研能力和适应能力受到很大的限制。（2）前沿性知识在研究生专业课程中所占的比重不足。统计学课程内容较为陈旧，研究性、前沿性不够，有些课程内容没有反映出统计学学科领域内的一些最新知识和科研成果，尤其是一些反映统计学学科领域的热点、重点的研究以及未来发展趋势等前沿性的知识，很少能够及时地反映到研究生教育的课程内容中。（3）研究生课程创新性不足。统计学研究生层次差距很大，比如数理统计学的研究生很多本科为数学专业，很多统计学的基础课程没有开设，而有些同学本科为统计学专业，致使硕士生课程与本科生课程拉不开档次，教学内容重复，教学方法与教学形式比较单一，大都采取以讲授为主，讨论为辅的授课方法，部分课程因为没有较严格的课外文献的阅读要求，致使课堂上的讨论较难深入，考试以论文形式，学生通过率很高，课程结束后学生收获不大。

3.实践环节未得到应该的重视和体现。传统的统计学研究生在实践教学环节方面比较欠缺，不重视诸如统计软件、实习实训、实验课程、产学研合作等，缺乏数据环境。

4.考核制度没有真正得到落实。在研究生培养模式中，考核制度起着筛选、分流、淘汰、激励的作用，对研究生的培养质量起到了保障作用，但实际中很难真正落实。一方面，是因为研究氛围不浓造成的，另一方面，部分学生为就业奔波，投放在论文上的精力不够，再加上经费不足，这在一定程度上影响了毕业论文的质量。统计学硕士研究生的培养还需要从整体优化的角度去研究与实践。

二、统计学硕士生人才培养构建

如何构建统计学研究生人才培养的新模式必须回答三个基本问题：为什么要构建新的培养模式？新的培养模式主要有哪些内容？怎样进行构建？必须明确新的人才培养模式目的，在于提高研究生教学质量和专业人才培养质量，从而适应当今社会对统计学高层次人才的需求；必须明确新的人才培养模式的具体培养目标，从而进行具体构建。

首先需明确制定新的人才培养模式的途径和措施，以下主要从新的人才培养模式构建的具体内容、思路和方法方面进行研究与实践探索。

1.培养目标的明确及其导向作用的发挥。随着研究生的不断扩招，培养以教学和科研的理论人才为主的培养目标已经不再适应社会的需求和发展，特别是统计学本身就是应用型的学科。研究生人才成为了推动生产力发展的直接力量，所以应用复合型的人才更多地被社会所需要，所以明确培养目标是研究生教育成功的第一步，而真正发挥科学的培养目标的导向作用是研究生教育成功的关键。

2.统计学研究生课程体系的完善。课程体系是人才培养模式的重要组成部分。完善统计学学科研究生课程体系是统计学研究生人才培养模式的关键。统计学学科研究生培养模式的课程体系建设创新，应在思想方法上真正重视统计学研究生课程体系建设，真正体现课程建设的创新性，不断加快和完善统计学硕士生课程体系的设计、创新、内容修订和评估体系，以适应新兴学科、边缘学科和交叉学科发展对研究生知识结构的要求，并精选课程内容，编写高质量教材和改进课程教学方法，建立合理、完善的课程检査评估体系，为提高研究生课程教学质量提供坚实的保障。

3.强化实践教学环节和统计软件应用能力。开始针对统计学研究生的实验课程体系，强化统计学软件如SAS、R、SPSS等编程与实际问题的实现等，强化与企事业单位的合作，从毕业论文、专业实习等方面加强合作，提升研究生的实际动手能力，让其初步具有在企事业单位从事相关工作的能力。同时需要强化研究生的统计软件的学习和应用，现今数据量越来越大、数据结构越来越复杂，使得要解决实际问题必须熟练掌握统计软件的使用和编程，否则无法很好地完成处理、分析数据的实际需要。

4.构建科学合理的考核制度。现在大多数考核仍为考试驱动型，学生只会考试，没有形成有效知识结构，应用实践能力弱。对于应用性较强的一类课程应该从大作业、专题报告、程序编写、软件应用、讨论、上机操作、考试等多维度进行知识水平测度。构建科学合理的多样化、多元化的考评范式，对学生产生潜移默化的影响。强调课前、课中、课后的相互联系，增强学生自学能力，强化师生互动，把学生从应考能手培养成具有创新意思和实际动手能力的科研好手。同时还要不断完善学术规范，将其纳人考核范围之内，建立健全一套科学、合理、共同遵守的学术规范，对学术不端行为加以监督和惩处，以净化研究生的学术环境。要不断提高学位论文质量并将其作为考核研究生创新能力的一项指标。

三、培养模式构建的具体内容

1.重构统计学硕士课程体系：学位课，基础课，实验课，实践课。学位课注重统计学基础的搭建，基础课拓展学生统计基本方法，实验课培养学生动手能力，实践课的培养让学生适应数据环境。大数据分析需要的基本知识领域：（1）数据的存储、管理：数据库、数据仓库、数据集市、分布式数据库，云存储、云计算、分布式、动态式存储；（2）数据ETL、处理：多源异构、非结构化数据的清洗、转换、综合、优化，文本处理、日志处理、图像、视频处理等，注重数据质量、数据管理等；（3）数据统计分析与挖掘：时序、多源、多元、面板、大数据、非结构化数据的统计、预测、挖掘、开发等；（4）数据可视化i可视化是基本要求，可视化易于接受，直观形象；（5）大数据分析案例：必须引入金融、电信、电商、移动互联、医药、零售、能源等领域的大数据真实案例，丰富认识。

2.合理分配各课程模块的学分和学时，注重实践课程的设置，大部分院校硕士生课程主要以理论为主，强化实践教学及其重要。

3.主动适应大数据，开设大数据相关课程，如大数据平台、计算平台、编程平台、数据平台、可视化平台等。

4.强化实践教学环节，提高前沿性知识课程所占比重。

篇8

金融的本质是风险管理，风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据，利用评分来识别客户的还款能力和还款意愿。

互联网金融公司利用大数据进行风控时，都是利用多维度数据来识别借款人风险。同信用相关的数据越多地被用于借款人风险评估，借款人的信用风险就被揭示的更充分，信用评分就会更加客观，接近借款人实际风险。常用的互联网金融大数据风控方式有以下几种：

1 验证借款人身份

验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以借助国政通的数据来验证姓名、身份证号，借助银联数据来验证银行卡号和姓名，利用运营商数据来验证手机号、姓名、身份证号、家庭住址。

如果借款人是欺诈用户，这五个信息都可以买到。这个时候就需要进行人脸识别了，人脸识别等原理是调用国政通/公安局API接口，将申请人实时拍摄的照片/视频同客户预留在公安的身份证进行识别，通过人脸识别技术验证申请人是否是借款人本人。

2 分析提交的信息来识别欺诈

线上申请时，申请人会按照贷款公司的要求填写多维度信息例如户籍地址，居住地址，工作单位，单位电话，单位名称等。如果是欺诈用户，其填写的信息往往会出现一些规律，企业可根据异常填写记录来识别欺诈。例如填写不同城市居住小区名字相同、填写的不同城市，不同单位的电话相同、不同单位的地址街道相同、单位名称相同、甚至居住的楼层和号码都相同。还有一些填写假的小区、地址和单位名称以及电话等。

如果企业发现一些重复的信息和电话号码，申请人欺诈的可能性就会很高。

3 分析客户线上申请行为来识别欺诈

欺诈用户往往事先准备好用户基本信息，在申请过程中，快速进行填写，批量作业，在多家网站进行申请，通过提高申请量来获得更多的贷款。

企业可以借助于SDK或JS来采集申请人在各个环节的行为，计算客户阅读条款的时间，填写信息的时间，申请贷款的时间等，如果这些申请时间大大小于正常客户申请时间，例如填写地址信息小于2秒，阅读条款少于3秒钟，申请贷款低于20秒等。用户申请的时间也很关键，一般晚上11点以后申请贷款的申请人，欺诈比例和违约比例较高。

这些异常申请行为可能揭示申请人具有欺诈倾向，企业可以结合其他的信息来判断客户是否为欺诈用户。

4 利用黑名单和灰名单识别风险

互联网金融公司面临的主要风险为恶意欺诈，70%左右的信贷损失来源于申请人的恶意欺诈。客户逾期或者违约贷款中至少有30%左右可以收回，另外的一些可以通过催收公司进行催收，M2逾期的回收率在20%左右。

市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单。

5 利用移动设备数据识别欺诈

行为数据中一个比较特殊的就是移动设备数据反欺诈，公司可以利用移动设备的位置信息来验证客户提交的工作地和生活地是否真实，另外来可以根据设备安装的应用活跃来识别多头借贷风险。

欺诈用户一般会使用模拟器进行贷款申请，移动大数据可以识别出贷款人是否使用模拟器。欺诈用户也有一些典型特征，例如很多设备聚集在一个区域，一起申请贷款。欺诈用户还有可能不停更换SIM卡和手机，利用SIM卡和手机绑定时间和频次可以识别出部分欺诈用户。

6 利用司法信息评估风险

涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。寻找这些涉毒涉赌的嫌疑人，可以利用当地的公安数据，但是难度较大。也可以采用移动设备的位置信息来进行一定程度的识别。如果设备经常在半夜出现在赌博场所或赌博区域例如澳门，其申请人涉赌的风险就较高。

总结：总之，互联网金融的大数据风控采用了用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。互联网金融企业通过分析申请人的社会行为数据来控制信用风险，将资金借给合格贷款人，保证资金的安全。

篇9

中国人民大学的经济学、金融学、法学、商学等学科居全国领先地位，与这些优势学科相结合，促进学科交叉与融合，是学校工程硕士的发展方向和目标定位。我们设立了5个研究方向，其中金融信息工程方向是软件工程学科与金融学科的结合，企业信息化与电子政务是软件工程学科与工商管理学科的结合，计算机取整与司法鉴定是软件工程学科与法学的结合，大数据与云计算方向、基础软件方向都是我校计算机学科的重点研究方向。这5个研究方向与学校的优势学科紧密结合，充分彰显了中国人民大学全日制工程硕士的培养目标和定位。学生可根据兴趣自行选择研究方向，根据研究方向选修相应的课程。中国人民大学在工程硕士的招生、培养模式方案设置、学生实践落实、质量体系控制的过程中都与人文社科学科紧密结合，目标明确，过程严谨。

1.2D（执行）——实施培养方案，严格培养过程，完善质量保障

工程硕士培养要经过3个重要环节：课程学习、企业实习和学位论文。在每一个环节中又有若干环节，为保证培养质量，我们严格规范每个环节[2]。图2是一套完整的工程硕士培养质量保障体系。

1.2.1课程环节

在课程环节，除严格执行培养方案外，每门课程都有教学大纲。授课期间要进行教学评估，学生给每位授课老师在教学态度、教学内容、教学方式、教学效果等方面进行打分，也可给出具体的意见和建议。评估结果和学生给出的意见将会反馈给老师，让老师在教学中不断改进提高。每个年级的硕士班设立一名班主任，协调课程安排，了解学生动态，组织课余活动。

1.2.2实习环节

面向行业进行专业实践是培养模式高层次应用型人才的重要环节。落实实习基地和实习制度是保障实习环节有效完成的关键。我们选取与软件工程学科相关的高新技术型企业、金融信息化企业等作为学生的实习基地，在实习基地聘请企业导师，具体指导学生的实践环节。在实习过程中，制订实习管理办法，明确实习的时间、形式、要求，通过《企业实习手册》对实习环节进行过程控制。

1.2.3论文环节

工程硕士学位论文是工程硕士研究生掌握理论知识、实践能力、创新能力的全面体现，也是衡量培养质量和授予学位的重要标志。工程硕士的学位论文与工学硕士的学位论文侧重点不同，它更加重视解决工程实践的问题，因此论文的形式和评价标准也有不同的要求。我们将工程硕士论文划分为系统研制报告、IT管理类论文、工程设计类论文以及学术研究类论文4种类型，每一种类型都对论文提出了相应的要求。为保证论文的最终质量，我们在论文阶段设置了开题报告、、预答辩、论文评阅、论文答辩5个环节，每个环节都有相应的要求规范及实施办法，任何一个环节不通过，都不能进入下一个环节，这就保证了能够进入答辩的论文基本质量。具体实施如下：（1）开题报告环节。学院组织不少于3人的开题报告评审组，对学生的学位论文开题报告进行评审。基于工程硕士的培养目标，我们制订了开题报告评价标准。相关文件包括《开题报告模版》《工程硕士学位论文开题评价标准》。（2）环节。为了有效惩戒学位论文学术不端行为，保证研究生学位论文质量，加强研究生学术道德和学术规范建设，我们针对研究生学位论文学术不端行为进行专门审查，采取软件检测的方法，务求论文重复率不超过10%。相关文件包括《信息学院开展研究生学位论文学术不端行为审查工作办法》。（3）预答辩环节。工程硕士学位论文预答辩是保证学位论文质量的重要环节，是对进入答辩环节论文的又一轮筛选。相关文件包括《信息学院工程硕士研究生学位论文预答辩工作实施办法》《中国人民大学信息学院工程硕士学位论文预答辩评价标准》。（4）论文评阅环节。由两名专家对论文进行评阅，其中至少一名校外企业评阅专家针对论文的应用性给予评审和评价。（5）论文答辩环节。严格执行学校关于学位论文答辩环节的规定，保证通过的论文质量。

1.3C（检查）——培养质量检验

培养质量的高低可以从论文质量、教师学生的反馈、就业情况3个方面来检验。

1.3.1论文质量

论文写作过程5个环节的把关保证了通过答辩的论文已经过至少3次专家评判、1次。在某个环节被淘汰的论文，需要重新修改后才可以再次进入答辩。

1.3.2学生和教师的反馈

我们定期举行授课教师、学术导师、企业导师座谈会和学生座谈会，通过座谈会的形式，收集学生和老师对培养方案、课程设置、实习安排、论文等环节的意见和建议，听取学生和老师的评价意见，听取导师反映的培养和指导过程中出现的问题，为下一步改进方案作准备。

1.3.3就业情况

工程硕士的培养目标面向企业、面向实践，因此学生的就业情况最能反映我们的培养质量。企业在选拔人才时有它所关注的指标，企业的人才需求是否与我们的培养目标一致，从就业率及就业情况就能反映出来。2012年人民大学第一届全日制工程硕士毕业生和2013年第二届毕业生的就业率均为100%，毕业去向为金融机构、国家机关、大型国有企业（非金融类）、外资企业和国内其他知名企业，有的学生甚至同时拿到几家单位的录用通知。以2010级为例，50名学生的毕业去向数据分布情况如图3所示。从图3可以看出，近一半的学生被金融机构录用，这与我们最初设定的培养目标不谋而合。我们秉承与人文社科优势学科相结合的理念，将金融与软件工程结合起来，学生在课程学习、企业实习等环节都接受了相应的培养和训练，这样的毕业生一定是用人单位所欢迎的。

1.4A（处置）——总结、反思及改进

PDCA理论的最后一个步骤，是对于既往的总结与反思，提出改进措施。通过检验和反思，我们对培养方案进行更精细化的调整，对开题、评阅、答辩的各个环节以及管理流程进行改进，使之更适应工程硕士的培养。

篇10

一、 构建IT支持体系的原则与重点

当前，我国商业银行的客户主要分为三类：集团及战略客户、一般机构客户、中小企业及零售客户。其中，集团及战略客户属于我国商业银行的重点客户。当前，受到信息科技部门资源有限的约束，在IT资源不足的条件下，应按照客户的贡献度、重要程度等指标进行客户分类管理，为不同类别的客户提供不同的信息，以满足不同客户的需求。客观上，信息科技部门的发展通常会经历单项应用阶段、跨部门整合阶段和战略规划阶段。在不同阶段，IT支持体系的原则也有所不同。

1. 单项应用阶段。在单项应用阶段，商业银行对信息科技部门的要求集中于技术层面，包括软件系统、硬件系统的运行与维护，软件系统、硬件系统故障的排除，即“消防队员”的角色。此时，商业银行信息科技部门创新的原则为：（1）保障全行业务安全平稳运行与发展；（2）优先保障重点客户的需求。

2. 跨部门整合阶段。在跨部门整合阶段，在保证数据库安全与稳定的同时，信息科技部门还需要满足用户对高级技术支持和信息及时到位的需求，信息科技部门的目标逐渐转向管理职能。此时IT支持体系创新的原则为：（1）在力所能及的情况下，根据成本和效益相匹配的原则，尽力解决自身和内部其他部门的新的IT需求；（2）在满足重点客户的需求下，解决绝大多数客户普遍的需求。

3. 在战略规划阶段，信息科技部门从技术服务部门转变为跨信息技术和业务的管理部门，并逐渐从支持保障部门过渡到战略部门。此时信息科技部门已经能够满足绝大多数客户的需求，并以IT支持驱动业务的发展。（1）保障所有客户提出的合理需求。（2）能够根据信息科技的最新发展，主动提升对客服的IT服务与支持，提升内部管理的效率，增加业务的附加价值、延长业务价值链。

我国银行业正处于从单项应用到跨部门整合的过渡阶段，兼具两个阶段的特点，此时的客户管理与服务创新的重点应该是提升信息部门的效率，以保证信息科技部门能够在保障全行业务安全平稳运行的基础上解决客户的普遍需求。

二、 IT支持体系的基本框架及主要内容

根据现代银行业的实践，在上述IT支持体系构建原则的指导下，我国商业银行应该从制度建设、组织建设与信息科技建设等几方面构建客户服务与管理创新的IT支持体系。具体地，在制度建设方面建立和完善人力资源管理、首席信息官制度；在组织建设方面能够准确定位并且提供高质量、高效信息服务的信息科技部门；在信息技术建设方面建立能够提高客户满意度的客户关系管理系统。

1. 制度建设。

（1）人力资源管理。①明确人力资源计划目标。科学制定与信息规划相适应的人力资源计划，有利于改变IT部门人力分配不合理，知识结构性矛盾突出的问题，为银行业务信息化建设提供人力保证。②合理的人才需求结构。合理的、相互匹配的人才需求结构有利于互不专业人才群体的形成，同时高度细化分工的信息科技团队可以实现商业银行经营信息化的目标。③持续的复合型人才培养。信息人才的素质和能力需要企业管理层与信息部门有计划地进行开发与培养，，我国商业银行可使专业人员通过实践，通过持续学习培养信息科技人才。

（2）首席信息官制度。首席信息官制度，即在高级管理层设立首席信息官一职，直接对行长负责，领导信息科技工作，并制定和实现商业银行的信息化战略，使信息科技因素能够成为各项相关业务的决策依据，从管理的角度提升信息科技的重要性。首席信息官的具体职责主要包括以下方面：①制定企业信息化战略、规划和技术方案；②实施企业信息化战略、规划和技术方案；③开展企业信息化管理与服务

2. 组织建设。从组织建设来讲，科学的IT支持体系的核心是商业银行合理定位IT部门。对于现代银行业来说，IT部门终将成为战略部门。因此，IT部门与业务部门是“鱼和水”的关系。在未来的发展中，IT部门不应仅仅充当“消防员”的角色，而是应当围绕建设客户中心型的信息化银行这个目标做出变革。

在“互联网+”时代，全社会的经商环境更加信息化，这就要求必须尽快建成全面信息化的银行。也就是，IT部门除了要负责领导银行的信息化和系统运维之外，还要拟定信息科技发展战略，将商业银行信息科技的发展作为全行发展的战略任务。同时当好银行的“智囊”，承担传统信息科技技术职能和决策支持部门的职能。

IT部门的职能应当符合目前金融信息化的战略目标，科学划分各职能之间的界限，缩小部门间由于信息传递损失导致的沟通不畅。按照信息科技部门作为我国商业银行决策支持部门的定位，应当将承担传统信息科技技术职能和决策支持部门的职能划分为：（1）IT系统基础设施的运营与维护；（2）维护IT系统数据库；（3）规划IT系统总体功能结构；（4）为企业决策提供IT支持；（5）规范与标准化相关技术标准；（6）企业职员信息化培训；（7）制定、完成企业信息化战略；（8）领导企业信息化工作，再造企业工作流程，推动企业变革。

3. 信息技术建设。“以客户为中心”是银行开展业务的出发点和归宿。我国商业银行要想从日益加剧的市场竞争中获得比较优势，营销理念就必须从传统的关系营销向现代的服务营销转变。随着金融服务业的外延不短扩展，金融机构内部的界限也逐渐模糊，银行业金融机构也逐渐向横管银行、证券、保险行业的综合性金融服务机构发展。在传统金融业面临着具有较低成本优势的的互联网金融的冲击，金融业日益开放的背景下，完善客户关系管理系统，运用大数据技术，拓宽客户服务渠道，必将成为IT部门信息技术建设的重点。

（1）建设科学高效的客户关系管理系统。客户是银行最重要的资源，在日益激烈的市场环境中，商业银行越发重视市场拓展与维护，相应的，识别客户贡献度、吸引有价值的客户并维护好客户管理就成为银行利润最大化的必由之路。因此，开发包括分析型客户关系管理（ACRM）系统和分析型客户关系管理系统（OCRM）在内的客户关系管理系统，利用现代信息技术的手段对客户数据整理、分析并用其做出响应的决策，开展相关业务就势在必行。一个具有完备功能的客户关系管理系统通常在以下几方面能够帮助商业银行进行客户关系管理：①促进银行产品创新、再造工作流程、提升营销服务水平；②批量处理、分析客户相关信息；③根据不同需要从数据库中提取数据进行分析；④整合分散在各独立系统中的数据资源，实现数据共享；⑤通过多渠道综合比对分析形成统一客户视图。

①客户关系管理系统与数据整合。客户关系管理系统将各独立交易系统中的数据以合意的方式整理、加工、保存、更新，使得各个信息系统的协同运作成为可能。

②客户关系管理系统与流程再造。CRM的理念就是要以“客户为中心”，客户关系管理系统从运营、决策等多方面再造流程，对工作方式产生了根本性变革。

③客户关系管理系统与服务创新。客户关系管理系统使得企业可以根据客户的行为习惯、偏好、运营特点等有针对性的提供差异化服务。

（2）充分运用大数据技术。大数据、云计算等新技术有利于银行更好地服务客户，进一步拓展银行业务的价值链。不少著名的跨国银行已经将大数据技术应用至风险评估、产品创新、决策支持、差异化营销等多个领域。①风险评估。银行可以利用大数据增加信用风险输入维度，提高信用风险管理水平，动态管理客户的信用风险，降低违约概率，同时预防信用欺诈。②差异化营销。银行可以依据大数据分析，预知企业客户未来资金需求，提前进行预约，提高客户体验。可以依据大数据分析报告，进行差异化营销，提高客户满意度。③需求分析和服务创新。可以利用整体样本数据，如从客户行业，收入，所在地，行业，资产，信用等各个方面对客户进行分类，依据其他的数据输入维度来确定客户的需求来定制产品。④运营效率提升。大数据可以展现不同产品线的实际收入和成本，帮助银行进行产品管理。还可以帮助市场部门有效监测营销方案和市场推广情况，提高营销精度，降低营销费用。⑤决策支持。大数据可以帮助商业银行为即将实施的决策提供数据支撑，同时也可以依据大数据分析归纳出规律，进一步演绎出新的决策。

（3）增加客户服务的渠道。对于银行业来说，电子银行服务能够在提升服务效率的同时，提升客户体验，有效降低服务单位客户的成本，是实现多渠道客户服务的重要手段。

电子银行业务较之于传统柜面业务有如下特点：①互联网技术的广泛应用。电子银行突破了物理条件对银行服务时间、服务地点和服务能力的限制，使得大量银行业务的办理脱离了银行网点，从面对面的服务方式改为用户通过事先获得的电子证书获得更为便捷、高效的金融服务。②用户的便捷自助操作。电子银行业务将商业银行从大量的固定资产与人力成本中解放出来，降低了商业银行提供金融服务的成本。从客户角度来看，电子银行业务优化了业务办理流程，通过电子渠道，客户可以自主办理金融业务，提升了金融服务的便捷性。同时，电子银行服务使得客户摆脱了时间和空间对办理业务的限制，解决了全球一体化下金融交易可以全天进行，而金融机构还处在8小时工作制下的茅盾。③科技含量的投入使得边际成本低。对于电子银行来说，所能提供的服务种类和服务功能越多，所提供的服务越安全和便捷，客户黏性就越大，所能吸引到的客户就越多，因而为单个客户提供服务的成本随着客户规模的扩大也逐渐趋于零，形成正反馈。④电子银行的发展提升了对复合型人才的需求。互联网时代，商业银行之间竞争的关键在于人才，而电子银行是信息科技与银行业务结合的产物，因而随着电子银行业务的发展，更加需要既懂金融业务，又懂IT业务的复合型人才。

三、 我国商业银行客户服务与管理创新IT支持体系的实现路径

当前，根据我国商业银行的实际情况，构建科学高效的客户服务与管理创新的IT支持体系，应该通过以下路径来实现：

1. 建设一支高素质、复合型IT人员队伍。（1）培养一支高素质、懂银行业务、IT技术能力强的复合型人才队伍，在前台业务部门、风险控制部门以及一些关键岗位配置信息科技部门人员。（2）完善信息科技人员业绩激励机制，拓宽信息科技人员发展空间。建立职务、职级与职称并行的薪酬体系，打破信息科技人员晋升的“天花板”。（3）明确核心能力发展要求，完善人才培养机制。基于信息科技发展战略明确信息科技人员核心能力要求，科学制定信息科技人才培养方案。做好需求管理，加强专家级领军人才的内部培养与外部引进。（4）针对不同岗位的需求，制定更为细分和差异化的培训目标，建立涵盖入职与履职全方位、立体的培训体系。并结合业界最新变化调整培训方案与培训目标。

2. 向首席信息官制度过渡，提高我国商业银行信息化水平。当前，我国商业银行信息科技部门已经可以满足内部客户和外部客户的绝大多数需求，正处于从“单项应用”阶段到“跨部门整合”阶段的过渡期。为了提升我国商业银行的信息化水平，实现银行业务向信息驱动模式转换，适应“互联网+”时代的客户需求新变化，继续保持在国内外金融市场的优势，应当考虑建立起首席信息官制度，负责领导IT部门制定、完成企业的信息化战略。

增设一名高层管理人员涉及很多需要考虑的因素，同时还要履行相关的组织程序和法律程序，审批流程所需时间较长。因此，可采取渐进式方式向首席信息官制度过渡：例如，设立银行信息科技委员会（领导小组），由商业银行主要负责人或分管领导任委员会（领导小组）主任（组长），由委员会（领导小组）领导信息科技工作。

3. 明确IT部门的定位，构建能够动态满足客户主要需求的组织架构。本质上来说，企业信息化的程度要与企业信息科技部门的定位相匹配。企业信息化程度与信息科技部门的不匹配会造成企业资源的错配，降低了企业资金运用效率与企业的工作效率，对企业信息化发展无益，因此应合理调整IT部门在银行业务与经营中的定位。在信息技术飞速发展的今天，IT部门的定位不应当只是“救火队员”的角色。IT部门在加强管理信息系统建设的同时，必须更多地了解业务部门的状况，积极疏通业务部门进行信息化整合后的业务流程，为各个业务部门提供一个共享的数据与信息平台。除了保障基本业务正常运行外，银行业务流程和客户关系管理再造也应该作为IT部门的一个重要任务。同时还应优化信息科技组织定位，根据银行业务部门的发展需要明确信息科技发展策略，依据内部控制与合规性的要求，建立涵盖IT风险管理、IT审计、IT专业技术的职能部门。提升信息科技的业务支持和决策支持功能。

4. 全面建立分析型客户关系管理系统。当前，我国商业银行以使用操作型客户关系管理系统为主，多个系统间的数据形成了信息孤岛，数据价值没有得到充分挖掘。因此，应当全面使用能够对数据价值深度挖掘的分析型客户关系管理系统（ACRM），为业务运营和决策提供支持。

在统一的系统下建立相互联系的子系统模块，模块之间既有相对的独立性，又在统一系统下共享数据相互联系。建立数据仓库，为识别客户贡献度，细分客户类型，管理层决策储备相关数据。同时参照国际通行模型开发符合本行情况的客户贡献度模型，综合考虑与收入成本相关的多个因子，为提升决策水平、开展营销服务提供依据。

5. 运用大数据技术强化我国商业银行的IT服务能力。利用大数据技术提升营销服务水平。一是拓展客户资源。通过对大数据的获取与处理，我国商业银行可有效扩展客户信息接触面，获得更多市场机会；二是获取全面的客户画像，真实呈现客户身份、资产、喜好、情绪、行为、社会关系等“立体视图”。三是开展精准营销。

利用大数据技术强化风险管理能力，通过对大量数据信息的深度挖掘，可以有效识别授信人风险，提升整体的风险防控能力。利用大数据技术优化运营管理模式，可以利用大数据提高决策效率、优化处理流程、提高对市场的反应速度。

6. 强化电子银行渠道，为客户提供更好的安全便捷服务。（1）提高呼叫响应系统的服务质量。在未来我国商业银行电话呼叫中心和网络平台咨询服务体系应拓展为跨多种终端设备的交互系统，能够向电话、PC和移动端等多种终端设备提供咨询投诉等服务；（2）提升电子银行的客户吸引力。随着客户对全能银行服务的要求提升，银行业金融机构所能提供服务数量和质量都会影响资金的沉淀量。因此，银行信息科技部门需要与业务部门共同努力丰富网上银行所能提供的产品和服务，使商业银行能够提供更多元的电子金融服务。

参考文献：

[1] 雷陈光，陈运娟.大数据时代下商业银行客户关系管理思维变革[J].金融与经济，2015，（4）.

[2] 侯敬文，程功勋.大数据时代我国金融数据的服务创新.财经科学，2015，（10）.

[3] 周林洁.金融集团信息科技机构组织设计与管理模式研究――以平安集团、花旗银行和汇丰银行为例.南方金融，2014，（9）.

[4] 骆鹏.成都银行IT治理研究[D].成都：西南财经大学学位论文，2010.

篇11

[DOI]10.13939/ki.zgsc.2017.02.071

1 引 言

随我国经济快速增长，人民收入不断增加，保险业也呈现出高速发展的趋势，自国内恢复业务以来，保险业相比金融领域的其他行I，取得了不小的成绩。新时代背景下的保险业所呈现出的信息多元化、海量化等特点，使得大量用户信息以指数级增长趋势存在于保险行业，多元化的媒体介质输入导致数据预处理难度加大，用户的兴趣迁移导致构造用户画像模糊，而保险行业竞争日趋激烈，高风险性条件情况下保持客户黏性，降低流失率对企业竞争就显得尤为重要。

传统的商业情报分析往往结合数据挖掘技术对历史数据和已有的用户信息进行挖掘，发现潜在的未知的具有一定商业价值的信息，但由于以往的客户数据信息量较小，信息量更换慢，现有的保险业使用的传统的运营环境和模型难以适应海量数据，以及传统模型运行速度慢，运行代价高，准确率低，挖掘深度不够等都是不容忽视的弊端。近些年，随着大数据技术、人工智能、机器学习在工程和学术界的火热发展，相关的数据模型都发展得十分完善充分，而决策树其良好的鲁棒性，全样本挖掘性，准确度高，实施快捷，运行速度快，实现成本小都是它的优势所在。

故本文首先引入“数据湖”的概念以缓解传统数据处理处理异质数据问题，适应不同数据源存储介质的需求，引入使用可扩展性大数据分析模型获取用户的兴趣迁移特征，应用算法基于CART决策树算法模型并以某保险公司具体用户数据为实例构建应用场景进行模型训练和数据预测，并创新性地引入价值率对用户进行分类解决公司所面临的处理用户海量数据时间较长、效率较低、准确度不高等问题。

2 基于决策树C4.5算法的数据模型

2.1 模型生成描述

数据基本处理：原始用户数据录入，形成基础数据湖，并将数据导入HBase和Oracle数据库中，对数据选取加工预处理并对数据进行选表、选键、连接器层选择以匹配数据模型，通过数据表的前期基本处理清洗筛选形成基础宽表，在形成宽表基础上再对数据清洗机进行标准化处理，对样本数据做简单的描述统计、缺失值处理以及标准化（分层处理）工作。

模型生成：调用Apache Spark 中的Mllib决策树中的类库，根据样本数据和用户情景生成初始模型，对生成的模型进行训练集和验证机选取，我们此处以7/3原则进行选取，对大数据模型进行训练，将数据抽样导出到数据中介Oracle中，将传统的SAS数据挖掘模型训练导入JAR中以便对比，至此基本的模型池生成，经训练测试后的用户反馈信息对模型的各个参数进行调试，并对外服务模型，模型中所设计重要参数如表1所示。

数据预测：根据服务模型和用户输入的基本信息属性进行加工，并对模型的预测产生结果集，再根据结果集进行场景信息预测并生成用户画像。

2.2 决策树C4.5算法

3 实证研究

3.1 实验数据

基于某保险公司的用户数据，由于数据本身来源差异和获取方式的不同，导致“数据湖”中本身存在大量的不完整、不一致、含噪声和冗余数据，所以需要对数据进行一个简单的处理分析工作，其一，减少数据集变量间的冗余，方便模型挖掘数据的效率和输出预测信息的简洁；其二，提高数据属性列间的相关性，去掉关联性较高的数据属性列，如保险缴费与收入属性具高相关性；其三，由于决策树模型运行时离散型数据进行处理速率较快，故多连续性数据进行离散化处理。

数据选取基本上对宽表的行列维度数据进行处理，由于在实际过程中对数据生成一个大约20个属性列的宽表，数据选择可以避免数据处理时发生高维数据灾难，并且在数据处理过程中进行部分数据归一化处理，以适应模型的匹配度。见表1。

3.2 分析工具和平台

本模型运行平台基于Hadoop分布式文件系统，其良好的高容错性和高吞吐数据访问比较适合大规模数据集的应用，本模型应用的环境基于HDFS的基本运行环境，使用Python数据处理语言，操作系统版本：CentOS release 6.5（Final），搭建集群6台，各个设备相关信息：Intel（R），E5606，@2.13GHz，2128.000MHz，cache size：8192KB。

3.3 模式评估与应用

算法模型的运行结果展示出哪些因素影响客户流失的决策，通过评估可以得到更为有价值的客户信息，评估方法有准确率，召回率，F1-score，PR，ROC等，其中，真正TP：样本类型被数据模型正确归类预测命中正确类的数量；假负FN：样本类型被数据模型误判为其他类型的数量；假正FP：样本不属于正确类别被数据模型误判为正确类别的数量；真负TN： 样本类型属于正确类别被数据模型误判为其他类型的数量。

全样本数据运行模型的结果展示见表2。

经结果发现这里采用准确率、召回率以及F1_score，抽取用户的预测值与评分值进行模型检验，得到值均在合理值范围，模型运行时间2320.34s，较传统的SAS跑出的34min23s，较为高效，据此此模型可以投入运用。

4 结论与展望

论文借助“数据湖”挖掘模型实现了保险业的用户流失率检测，取得了以下结论。第一，论文建立在HDFS运行环境中，一方面，通过对决策树基本特点的研究，找到了决策树与保险业用户流失率的结合点，建立了基于用户数据湖的大数据模型；另一方面，模型基于开源HDFS环境中，具有良好的可扩展性。第二，根据信息论的相关理论概念引入信息熵和客户价值率，提高对客户数据属性分类的准确性，本文最后结合实例对所提出的模型进行验证，证明数据模型的可靠性。

本文引入“数据湖”的概念以缓解传统数据处理异质数据问题，极好地适应不同数据源存储介质的需求，并引入使用可扩展性大数据分析模型以便适应用户的兴趣迁移，通过数据挖掘技术提高销售净利率，扩大企业市场所占份额，识别客户等级，诚信度和价值率，降低企业风险，预测预警以及制订相应的决策计划，降低用户流失率提高忠诚度，本文基于CART算法模型以某保险公司用户数据具体数据为实例构建应用场景进行模型训练和数据预测，并创新性地引入价值率对用户进行分类解决公司所面临的处理用户海量数据时间较长效率较低准确度不高等问题。

由于时间和硬件环境的制约，本文仍存在一些有待进一步改进和深入研究的地方。第一，论文对于数据挖掘算法采用较为经典的决策树方法，在数据处理时采用常规处理方法难免会导致部分数据的缺失和预测准确率的下降；第二，本文研究中数据均居于有限的数据集，随传输媒介的变化，用户的时间维度并未良好地考虑进去，对用户仍旧缺乏较时间维度及其用户标签等级的良好划分。

参考文献：

[1]孟小峰，慈祥. 大数据管理：概念、技术与挑战[J]. 计算机研究与发展，2013（1）：146-169.

[2]王艳. 中国保险公司制度变迁与创新研究[D].长春：吉林大学，2014.

[3]丁兆云，贾焰，周斌. 微博数据挖掘研究综述[J]. 计算机研究与发展，2014（4）：691-706.

[4]Quinlan J R.C4.5 Programs for Machine Learning[M].California：Morgan Kaufmann，San Mateo，1993.

篇12

一、引言

随着大数据时代的到来，大数据的数据特征及挖掘潜力为各行各业的发展带来新的机遇，庞大的数据体量，高速运行及实时更新的海量数据包含许多碎片化信息，对房地产信息服务而言大数据时代的到来给传统信息服务带来新的发展视角，而对数据信息共享的研究将推动房地产信息服务的发展。

大数据的核心要义在于预测，通过数据的处理与挖掘对所掌握信息进行有效预测的前瞻对每个行业都具有不可小觑的作用。面对大数据时代带来的机遇与挑战房地产行业面领着转型，李战怀等人提出基于大数据的特征从建立大数据库的视角实现大数据的运用，比较系统的提出理论构架，董迎选从房地产市场调控着手对房地产信息进行统计分析。本文基于大数据数据特征对房地产信息共享展开研究。

二、创新房地产信息服务模式

信息服务的依托由“样本”扩大到“总体”，舍恩伯格在大数据时代中阐述对大数据思维变革 第一部分就提到“不是随机样本，而是所有数据”，这便是样本的扩大，要求“更多”。在大数据背景下房地产信息服务只有打破传统的信息不对称局面才能推进房地产行业的转型与变革，面对庞大的数据资源新型房地产信息服务模式下应实现数据的公开化、透明化，将数据信息共享达到数据资源最优化配置，同时在此过程中政府应参与到房地产信息服务的建设中，积极发挥政府信息调控作用开放相应的信息，建立完善的公共信息机制同时构建信息监督机制，形成制约，促进市场健康发展。数据范围的扩大及公开化一定程度上减少了信息获取成本同时避免了由于信息外露造成的信息获取成本不公平问题，促进市场公平，通过信息的相互交换不同角色各取所需将数据资源利用最大化，合理优化数据资源，但在对信息数据的挖掘与应用方面则体现专业素养的差距，大数据体量庞杂，看似毫无关联的数据却隐含着大量的市场信息，通过数据处理分析提取出的市场信息对决策有着重要影响，这便要求分析者有敏锐的市场捕捉能力去寻找所需要的数据，同时也促进市场公平竞争机制。

三、科学的房地产研究方法

2009年谷歌研究人员Ginsberg等发表关于流感趋势论文，自此之后大数据受到广泛关注，近年来各个领域学者、企业也在不断研究大数据，各个行业都在积极与大数据接轨，房地产行业也站在大数据的浪尖上寻找转型出路。对数据分析、市场分析得出大数据的重要性，分析大数据特点对行业未来发展趋势进行展望，但并未提出如何将大数据真正的运用到房地产行业，并未提出系统的研究方法及运用技术改变现状。对房地产大数据的研究过程中，可通过构建数据模型将看似无关的数据进行整合得出相关性，实现“不是因果关系，而是相关关系”思维模式的转变，不局限于传统的因果关系的研究而注重其内在关联，挖掘深入的市场信息。

四、建立合理的数据共享交易机制和定价模型

这是大数据理论的创新，为大数据资产的实现有重要的意义，这部分问题的研究将解决如何将大数据真正的应用到房地产行业中，真正实现与房地产行业相结合促进行业的发展与改革。大数据库的建立可由政府机构建立并开放相关公共信息，完善公共信息资源体系的建立，大数据库的使用分为政府部门账号、企业账号及个人账号三种类型，分别实现政府部门数据、企业数据及个人数据之间的共享，涉及内部核心数据共享则可通过系统平台根据数据重要性程度进行交易定价，同时参考专业人士对数据的重要性判断。在信息共享过程中还应建立监督机制，对所共享数据进行监督管理，避免恶意共享虚假信息扰乱市场机制。在此过程中政府应发挥积极作用，在提供相关数据共享的同时发挥引导角色，制定相关法律法规规范数据使用对数据共享进行法律层面的严格把控，同时企业应秉持公平诚信的态度保障共享数据信息的真实性，促进数据交易市场的良好氛围，降低企业信息成本达成共赢。

五、结语

本文通过大数据时代下的数据信息，结合大数据特征对房地产信息共享问题进行研究，从大数据视角出发对数据共享问题进行简单探讨并提出若干观点，文章虽有不足之处仍希望可供相关人员进行参考学习。

参考文献

[1]李国杰，程学旗.大数据研究：未来科技及经济社会发展的重大战略领域――大数据的研究现状与科学思考[J].中国科学院院刊，2012，27（6）：647-57.

[2]李战怀，王国仁，周傲英.从数据库视角解读大数据的研究进展与趋势[J].计算机工程与科学，2013，35（10）：1-11.

[3]，吕欣.以大数据辅助房地产宏观决策[J].宏观经济管理，2014，8（34-6）.

[4]董迎选.简析房地产市场调控中的房地产信息统计[J].时代金融，2014，4（213-4）.

[5]舍恩伯格 维 迈.大数据时代[M].浙江人民出版社，2012.