A. 金融行业偏爱的数据挖掘工具有哪些
数据挖掘技术是数据库技术、统计技术和人工智能技术发展的产物。从使用的技术角度，主要的数据挖掘方法包括：
（1）决策树方法：利用树形结构来表示决策集合，这些决策集合通过对数据集的分类产生规则。国际上最有影响和最早的决策树方法是ID3方法，后来又发展了其它的决策树方法。
（2）规则归纳方法：通过统计方法归纳，提取有价值的if-then规则。规则归纳技术在数据挖掘中被广泛使用，其中以关联规则挖掘的研究开展得较为积极和深入。
（3）神经网络方法：从结构上模拟生物神经网络，以模型和学习规则为基础，建立3种神经网络模型：前馈式网络、反馈式网络和自组织网络。这种方法通过训练来学习的非线性预测模型，可以完成分类、聚类和特征挖掘等多种数据挖掘任务。
（4）遗传算法：模拟生物进化过程的算法，由繁殖(选择)、交叉(重组)、变异(突变)三个基本算子组成。为了应用遗传算法，需要将数据挖掘任务表达为一种搜索问题，从而发挥遗传算法的优化搜索能力。
（5）粗糙集(RoughSet)方法：Rough集理论是由波兰数学家Pawlak在八十年代初提出的一种处理模糊和不精确性问题的新型数学工具。它特别适合于数据简化，数据相关性的发现，发现数据意义，发现数据的相似或差别，发现数据模式和数据的近似分类等，近年来已被成功地应用在数据挖掘和知识发现研究领域中。
（6）K2最邻近技术：这种技术通过K个最相近的历史记录的组合来辨别新的记录。这种技术可以作为聚类和偏差分析等挖掘任务。
（7）可视化技术：将信息模式、数据的关联或趋势等以直观的图形方式表示，决策者可以通过可视化技术交互地分析数据关系。可视化数据分析技术拓宽了传统的图表功能，使用户对数据的剖析更清楚。
B. 数据挖掘的应用领域有哪些
数据挖掘的应用非常广泛，只要该产业有分析价值与需求的数据库，皆可利用数据挖掘工具进行有目的的发掘分析。常见的应用案例多发生在零售业、制造业、财务金融保险、通讯及医疗服务：
(1)商场从顾客购买商品中发现一定的关联规则，提供打折、购物券等促销手段，提高销售额；
(2)保险公司通过数据挖掘建立预测模型，辨别出可能的欺诈行为，避免道德风险，减少成本，提高利润；
(3)在制造业中，半导体的生产和测试中都产生大量的数据，就必须对这些数据进行分析，找出存在的问题，提高质量；
(4)电子商务的作用越来越大，可以用数据挖掘对网站进行分析，识别用户的行为模式，保留客户，提供个性化服务，优化网站设计；
一些公司运用数据挖掘的成功案例，显示了数据挖掘的强大生命力：
美国AutoTrader是世界上最大的汽车销售站点，每天都会有大量的用户对网站上的信息点击，寻求信息，其运用了SAS软件进行数据挖掘，每天对数据进行分析，找出用户的访问模式，对产品的喜欢程度进行判断，并设特定服务，取得了成功。
Reuteres是世界著名的金融信息服务公司，其利用的数据大都是外部的数据，这样数据的质量就是公司生存的关键所在，必须从数据中检测出错误的成分。Reuteres用SPSS的数据挖掘工具SPSS/Clementine，建立数据挖掘模型，极大地提高了错误的检测，保证了信息的正确和权威性。
Bass Export是世界最大的啤酒进出口商之一，在海外80多个市场从事交易，每个星期传送23000份定单，这就需要了解每个客户的习惯，如品牌的喜好等，Bass Export用IBM的Intelligent Miner很好的解决了上述问题。
C. 如何将数据挖掘技术应用与互联网金融
互联网金融，目前需要算法的是主要是风控模型。能查到的有IPC、FICO、WeCash之类的。
当然你可以版自己拿一些权模型比如”逻辑回归“来实现对用户打分卡及细分，计算贷款利率、期限、额度。数据挖掘嘛，首先是要定位一个商业问题，然后再评估该问题在进度、资源、数据等各个约束下的可行性，往往还是分析思路是关键。数据挖掘和互联网金融相结合需要软件作为桥梁，目前好一些的软件公司有高达软件，百会，用友，金蝶等
D. 数据挖掘方向前途怎么样
数据挖掘就业的途径从我看来有以下几种，（注意：本文所说的数据挖掘不包括数据仓库或数据库管理员的角色）。
A：做科研(在高校、科研单位以及大型企业，主要研究算法、应用等)
B：做程序开发设计（在企业做数据挖掘及其相关程序算法的实现等）
C：数据分析师（在存在海量数据的企事业单位做咨询、分析等）
现在各个公司对于数据挖掘岗位的技能要求偏应用多一些。目前市面上的岗位一般分为算法模型、数据挖掘、数据分析三种。
应用及就业领域
当前数据挖掘应用主要集中在电信(客户分析)，零售(销售预测)，农业(行业数据预测)，网络日志(网页定制)，银行(客户欺诈)，电力(客户呼叫)，生物(基因)，天体(星体分类)，化工，医药等方面。
当前它能解决的问题典型在于：数据库营销(Database Marketing)、客户群体划分(Customer Segmentation &Classification)、背景分析(Profile Analysis)、交叉销售(Cross-selling)等市场分析行为，以及客户流失性分析(Churn Analysis)、客户信用记分(Credit Scoring)、欺诈发现(Fraud Detection)等等，在许多领域得到了成功的应用。
职业薪酬
就目前来看，和大多IT业的职位一样，数据挖掘方面的人才在国内的需求工作也是低端饱和，高端紧缺。从BAT的招聘情况来看，数据挖掘领域相对来说门槛还是比较高的，但是薪酬福利也相对来说比较好，常见的比如腾讯、阿里都会给到年薪20W+。而厉害的资深算法专家年薪百万也是常有的事情，所以大家在算法方面还是大有可能。另外随着金融越来越互联网化，大量的算法工程师会成为以后互联网金融公司紧缺的人才。
E. 数据挖掘技术在风险投资领域有什么应用
目前擞据挖掘的应用领域包括以下八个方面：
金融、医疗保健、市场业、零售业、制造业、司法、工程和科学、保险业
在选择一种数据挖掘技术的时候，应根据问题的特点来决定采用哪种数据挖掘形式比较合适。应选择符合数据模型的算法，确定合适的模型和参数，只有选择好正确的数据挖掘工具，才能真正发挥数据挖掘的作用。
F. 数据挖掘的前景如何
现在各个公司对于数据挖掘岗位的技能要求偏应用多一些。目前市面上的岗位一般分为算法模型、数据挖掘、数据分析三种。
应用及就业领域
当前数据挖掘应用主要集中在电信(客户分析)，零售(销售预测)，农业(行业数据预测)，网络日志(网页定制)，银行(客户欺诈)，电力(客户呼叫)，生物(基因)，天体(星体分类)，化工，医药等方面。
当前它能解决的问题典型在于：数据库营销(Database Marketing)、客户群体划分(Customer Segmentation &Classification)、背景分析(Profile Analysis)、交叉销售(Cross-selling)等市场分析行为，以及客户流失性分析(Churn Analysis)、客户信用记分(Credit Scoring)、欺诈发现(Fraud Detection)等等，在许多领域得到了成功的应用。
职业薪酬
就目前来看，和大多IT业的职位一样，数据挖掘方面的人才在国内的需求工作也是低端饱和，高端紧缺。从BAT的招聘情况来看，数据挖掘领域相对来说门槛还是比较高的，但是薪酬福利也相对来说比较好，常见的比如腾讯、阿里都会给到年薪20W+。而厉害的资深算法专家年薪百万也是常有的事情，所以大家在算法方面还是大有可能。另外随着金融越来越互联网化，大量的算法工程师会成为以后互联网金融公司紧缺的人才。
G. 数据挖掘领域比较有前景的方向有哪些
数据挖掘领域比较有前景的方向有哪些？数据挖掘就业的途径从我看来有以下几种，（注意：所说的数据挖掘不包括数据仓库或数据库管理员的角色）。A：做科研(在高校、科研单位以及大型企业，主要研究算法、应用等)B：做程序开发设计（在企业做数据挖掘及其相关程序算法的实现等）C：数据分析师（在存在海量数据的企事业单位做咨询、分析等）目前国内的数据挖掘人员工作领域大致可分为三类:· 1）数据分析师：在拥有行业数据的电商、金融、电信、咨询等行业里做业务咨询，商务智能，出分析报告。· 2）数据挖掘工程师：在多媒体、电商、搜索、社交等大数据相关行业里做机器学习算法实现和分析。· 3）科学研究方向：在高校、科研单位、企业研究院等高大上科研机构研究新算法效率改进及未来应用
H. 能否在事务型数据库上直接建立数据挖掘系统
若是生产环境的话，不建议在事务型数据库创建数据挖掘系统，在数据挖掘时所需的系统资源肯定会抢占资源。
可以若是必须要部署，那就限定数据挖掘系统的资源占比，免得把CPU、内存、磁盘用满
I. 大数据和人工智能在互联网金融领域有哪些应用
大
数据从四个方面改变了金融机构传统的数据运作方式，从而实现了巨大的商业价值。这四个方面（“四个C”）包括：数据质量的兼容性
（Compatibility）、数据运用的关联性（Connectedness）、数据分析的成本（Cost）以及数据价值的转化
（Capitalization）。
大数据在金融业的应用场景正在逐步拓展。在海外，大数据已经在金融行业的风险控制、运营管理、销售支持和商业模式创新等领域得到了全面尝试。在国内，金
融机构对大数据的应用还基本处于起步阶段。数据整合和部门协调等关键环节的挑战仍是阻碍金融机构将数据转化为价值的主要瓶颈。
数据技术与数据经济的发展是持续实现大数据价值的支撑。深度应用正在将传统IT从“后端”不断推向“前台”，而存量架构与创新模块的有效整合是传统金融
机构在技术层面所面临的主要挑战。此外，数据生态的发展演进有其显著的社会特征。作为其中的一员，金融机构在促进数据经济的发展上任重道远。
为了驾驭大数据，国内金融机构要在技术的基础上着重引入以价值为导向的管理视角，最终形成自上而下的内嵌式变革。其中的三个关键点（“TMT”）包括：团队（Team）、机制（Mechanism）和思维（Thinking）。
1.价值导向与内嵌式变革—BCG对大数据的理解
“让数据发声！”—随着大数据时代的来临，这个声音正在变得日益响亮。为了在喧嚣背后探寻本质，我们的讨论将从大数据的定义开始。
1.1成就大数据的“第四个V”
大数据是什么？在这个问题上，国内目前常用的是“3V”定义，即数量（Volume）、速度（Velocity）和种类（Variety）。
虽然有着这样的定义，但人们从未停止讨论什么才是成就大数据的“关键节点”。人们热议的焦点之一是“到底多大才算是大数据？”其实这个问题在“量”的层
面上并没有绝对的标准，因为“量”的大小是相对于特定时期的技术处理和分析能力而言的。在上个世纪90年代，10GB的数据需要当时计算能力一流的计算机
处理几个小时，而这个量现在只是一台普通智能手机存储量的一半而已。在这个层面上颇具影响力的说法是，当“全量数据”取代了“样本数据”时，人们就拥有了
大数据。
另外一个成为讨论焦点的问题是，今天的海量数据都来源于何处。在商业环境中，企业过去最关注的是ERP（Enterprise Resource
Planning）和CRM（Customer Relationship
Management）系统中的数据。这些数据的共性在于，它们都是由一个机构有意识、有目的地收集到的数据，而且基本上都是结构化数据。随着互联网的深
入普及，特别是移动互联网的爆发式增长，人机互动所产生的数据已经成为了另一个重要的数据来源，比如人们在互联网世界中留下的各种“数据足迹”。但所有这
些都还不是构成“大量数据”的主体。机器之间交互处理时沉淀下来的数据才是使数据量级实现跨越式增长的主要原因。“物联网”是当前人们将现实世界数据化的
最时髦的代名词。海量的数据就是以这样的方式源源不断地产生和积累。
“3V”的定义专注于对数据本身的特征进行描述。然而，是否是量级庞大、实时传输、格式多样的数据就是大数据？
BCG认为，成就大数据的关键点在于“第四个V”，即价值（Value）。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值，而且能够进一步推动商业模式的变革时，大数据才真正诞生。
1.2变革中的数据运作与数据推动的内嵌式变革
多元化格式的数据已呈海量爆发，人类分析、利用数据的能力也日益精进，我们已经能够从大数据中创造出不同于传统数据挖掘的价值。那么，大数据带来的“大价值”究竟是如何产生的？
无论是在金融企业还是非金融企业中，数据应用及业务创新的生命周期都包含五个阶段：业务定义需求；IT部门获取并整合数据；数据科学家构建并完善算法与
模型；IT发布新洞察；业务应用并衡量洞察的实际成效。在今天的大数据环境下，生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角
色。大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察，更好地满足业务需求。
因此，BCG认为，大数据改变的并不是传统数据的生命周期，而是具体的运作模式。在传统的数据基础和技术环境下，这样的周期可能要经历一年乃至更长的时
间。但是有了现在的数据量和技术，机构可能只需几周甚至更短的时间就能走完这个生命周期。新的数据运作模式使快速、低成本的试错成为可能。这样，商业机构
就有条件关注过去由于种种原因而被忽略的大量“小机会”，并将这些“小机会”累积形成“大价值”。
具体而言，与传统的数据应用相比，大数据在四个方面（“4C”）改变了传统数据的运作模式，为机构带来了新的价值。
1.2.1数据质量的兼容性（Compatibility）：大数据通过“量”提升了数据分析对“质”的宽容度
在“小数据”时代，数据的获取门槛相对较高，这就导致“样本思维”占据统治地位。人们大多是通过抽样和截取的方式来捕获数据。同时，人们分析数据的手段
和能力也相对有限。为了保证分析结果的准确性，人们通常会有意识地收集可量化的、清洁的、准确的数据，对数据的“质”提出了很高的要求。而在大数据时代，
“全量思维”得到了用武之地，人们有条件去获取多维度、全过程的数据。但在海量数据出现后，数据的清洗与验证几乎成为了不可能的事。正是这样的困境催生了
数据应用的新视角与新方法。类似于分布式技术的新算法使数据的“量”可以弥补“质”的不足，从而大大提升了数据分析对于数据质量的兼容能力。
1.2.2数据运用的关联性（Connectedness）：大数据使技术与算法从“静态”走向“持续”
在大数据时代，对“全量”的追求使“实时”变得异常重要，而这一点也不仅仅只体现在数据采集阶段。在云计算、流处理和内存分析等技术的支撑下，一系列新
的算法使实时分析成为可能。人们还可以通过使用持续的增量数据来优化分析结果。在这些因素的共同作用下，人们一贯以来对“因果关系”的追求开始松动，而
“相关关系”正在逐步获得一席之地。
1.2.3数据分析的成本（Cost）：大数据降低了数据分析的成本门槛
大数据改变了数据处理资源稀缺的局面。过去，数据挖掘往往意味着不菲的投入。因此，企业希望能够从数据中发掘出“大机会”，或是将有限的数据处理资源投
入到有可能产生大机会的“大客户、大项目”中去，以此获得健康的投入产出比。而在大数据时代，数据处理的成本不断下降，数据中大量存在的“小机会”得见天
日。每个机会本身带来的商业价值可能并不可观，但是累积起来就会实现质的飞跃。所以，大数据往往并非意味着“大机会”，而是“大量机会”。
1.2.4数据价值的转化（Capitalization）：大数据实现了从数据到价值的高效转化
在《互联网金融生态系统2020：新动力、新格局、新战略》报告中，我们探讨了传统金融机构在大变革时代所需采取的新战略思考框架，即适应型战略。采取
适应型战略有助于企业构筑以下五大优势：试错优势、触角优势、组织优势、系统优势和社会优势，而大数据将为金融机构建立这些优势提供新的工具和动力。从数
据到价值的转化与机构的整体转型相辅相成，“内嵌式变革”由此而生。
例如，金融机构传统做法中按部就班的长周期模式（从规划、立项、收集数据到分析、试点、落地、总结）不再适用。快速试错、宽进严出成为了实现大数据价值
的关键：以低成本的方式大量尝试大数据中蕴藏的海量机会，一旦发现某些有价值的规律，马上进行商业化推广，否则果断退出。此外，大数据为金融机构打造“触
角优势”提供了新的工具，使其能够更加灵敏地感知商业环境，更加顺畅地搭建反馈闭环。此外，数据的聚合与共享为金融机构搭建生态系统提供了新的场景与动
力。
2.应用场景与基础设施—纵览海内外金融机构的大数据发展实践
金融行业在发展大数据能力方面具有天然优势：受行业特性影响，金融机构在开展业务的过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资
金收付交易等数据。以银行业为例，其数据强度高踞各行业之首—银行业每创收100万美元，平均就会产生820GB的数据。
2.1大数据的金融应用场景正在逐步拓展
大数据发出的声音已经在金融行业全面响起。作为行业中的“巨无霸”，银行业与保险业对大数据的应用尤其可圈可点。
2.1.1海外实践：全面尝试
2.1.1.1银行是金融行业中发展大数据能力的“领军者”
在发展大数据能力方面，银行业堪称是“领军者”。纵观银行业的六个主要业务板块（零售银行、公司银行、资本市场、交易银行、资产管理、财富管理），每个
业务板块都可以借助大数据来更深入地了解客户，并为其制定更具针对性的价值主张，同时提升风险管理能力。其中，大数据在零售银行和交易银行业务板块中的应
用潜力尤为可观。
BCG通过研究发现，海外银行在大数据能力的发展方面基本处于三个阶段：大约三分之一的银行还处在思考大数据、理解大数据、制定大数据战略及实施路径的
起点阶段。还有三分之一的银行向前发展到了尝试阶段，也就是按照规划出的路径和方案，通过试点项目进行测验，甄选出许多有价值的小机会，并且不停地进行试
错和调整。而另外三分之一左右的银行则已经跨越了尝试阶段。基于多年的试错经验，他们已经识别出几个较大的机会，并且已经成功地将这些机会转化为可持续的
商业价值。而且这些银行已经将匹配大数据的工作方式嵌入到组织当中。他们正在成熟运用先进的分析手段，并且不断获得新的商业洞察。
银行业应用举例1：将大数据技术应用到信贷风险控制领域。在美国，一家互联网信用评估机构已成为多家银行在个人信贷风险评估方面的好帮手。该机构通过分
析客户在各个社交平台（如Facebook和Twitter）留下的数据，对银行的信贷申请客户进行风险评估，并将结果卖给银行。银行将这家机构的评估结
果与内部评估相结合，从而形成更完善更准确的违约评估。这样的做法既帮助银行降低了风险成本，同时也为银行带来了风险定价方面的竞争优势。
相较于零售银行业务，公司银行业务对大数据的应用似乎缺乏亮点。但实际上，大数据在公司银行业务的风险领域正在发挥着前所未有的作用。在传统方法中，银
行对企业客户的违约风险评估多是基于过往的营业数据和信用信息。这种方式的最大弊端就是缺少前瞻性，因为影响企业违约的重要因素并不仅仅只是企业自身的经
营状况，还包括行业的整体发展状况，正所谓“覆巢之下，焉有完卵”。但要进行这样的分析往往需要大量的资源投入，因此在数据处理资源稀缺的环境下无法得到
广泛应用，而大数据手段则大幅减少了此类分析对资源的需求。西班牙一家大型银行正是利用大数据来为企业客户提供全面深入的信用风险分析。该行首先识别出影
响行业发展的主要因素，然后对这些因素一一进行模拟，以测试各种事件对其客户业务发展的潜在影响，并综合评判每个企业客户的违约风险。这样的做法不仅成本
低，而且对风险评估的速度快，同时显著提升了评估的准确性。
银行业应用举例2：用大数据为客户制定差异化产品和营销方案。在零售银行业务中，通过数据分析来判断客户行为并匹配营销手段并不是一件新鲜事。但大数据
为精准营销提供了广阔的创新空间。例如，海外银行开始围绕客户的“人生大事”进行交叉销售。这些银行对客户的交易数据进行分析，由此推算出客户经历“人生
大事”的大致节点。人生中的这些重要时刻往往能够激发客户对高价值金融产品的购买意愿。一家澳大利亚银行通过大数据分析发现，家中即将有婴儿诞生的客户对
寿险产品的潜在需求最大。通过对客户的银行卡交易数据进行分析，银行很容易识别出即将添丁的家庭：在这样的家庭中，准妈妈会开始购买某些药品，而婴儿相关
产品的消费会不断出现。该行面向这一人群推出定制化的营销活动，获得了客户的积极响应，从而大幅提高了交叉销售的成功率。
客户细分早已在银行业得到广泛应用，但细分维度往往大同小异，包括收入水平、年龄、职业等等。自从开始尝试大数据手段之后，银行的客户细分维度出现了突
破。例如，西班牙的一家银行从Facebook和Twitter等社交平台上直接抓取数据来分析客户的业余爱好。该行把客户细分为常旅客、足球爱好者、高
尔夫爱好者等类别。通过分析，该行发现高尔夫球爱好者对银行的利润度贡献最高，而足球爱好者对银行的忠诚度最高。此外，通过分析，该行还发现了另外一个小
客群：“败家族”，即财富水平不高、但消费行为奢侈的人群。这个客群由于人数不多，而且当前的财富水平尚未超越贵宾客户的门槛，因此往往被银行所忽略。但
分析显示这一人群能够为银行带来可观的利润，而且颇具成长潜力，因此该行决定将这些客户升级为贵宾客户，深入挖掘其潜在价值。
在对公业务中，银行同样可以借助大数据形成更有价值的客户细分。例如，在BCG与一家加拿大银行的合作项目中，项目组利用大数据分析技术将所有公司客户
按照行业和企业规模进行细分，一共建立了上百个细分客户群。不难想象，如果没有大数据的支持，这样深入的细分是很难实现的。然后，项目组在每个细分群中找
出标杆企业，分析其银行产品组合，并将该细分群中其他客户的银行产品组合与标杆企业进行比对，从而识别出差距和潜在的营销机会。项目组将这些分析结果与该
行的对公客户经理进行分享，帮助他们利用这些发现来制定更具针对性的销售计划和话术，并取得了良好的效果。客户对这种新的销售方式也十分欢迎，因为他们可
以从中了解到同行的财务状况和金融安排，有助于对自身的行业地位与发展空间进行判断。
银行业应用举例3：用大数据为优化银行运营提供决策基础。大数据不仅能在前台与中台大显身手，也能惠及后台运营领域。在互联网金融风生水起的当
下，“O2O”（OnlineToOffline）成为了银行的热点话题。哪些客户适合线上渠道？哪些客户不愿“触网”？BCG曾帮助西班牙一家银行通过
大数据技术应用对这些问题进行了解答。项目组对16个既可以在网点也可以在网络与移动渠道上完成的关键运营活动展开分析，建立了12个月的时间回溯深度，
把客户群体和运营活动按照网点使用强度以及非网点渠道使用潜力进行细分。分析结果显示，大约66%的交易活动对网点的使用强度较高，但同时对非网点渠道的
使用潜力也很高，因此可以从网点迁移到网络或移动渠道。项目组在客户细分中发现，年轻客户、老年客户以及高端客户在运营活动迁移方面潜力最大，可以优先作
为渠道迁徙的对象。通过这样的运营调整，大数据帮助银行在引导客户转移、减轻网点压力的同时保障了客户体验。
BCG还曾利用专有的大数据分析工具NetworkMax，帮助一家澳大利亚银行优化网点布局。虽然银行客户的线上活动日渐增多，但金融业的铁律在互联
网时代依然适用，也就是说在客户身边设立实体网点仍然是金融机构的竞争优势。然而，网点的运营成本往往不菲，如何实现网点资源的价值最大化成为了每家银行
面临的问题。在该项目中，项目组结合银行的内部数据（包括现有的网点分布和业绩状况等）和外部数据（如各个地区的人口数量、人口结构、收入水平等），对
350多个区域进行了评估，并按照主要产品系列为每个区域制定市场份额预测。项目组还通过对市场份额的驱动因素进行模拟，得出在现有网点数量不变的情况下
该行网点的理想布局图。该行根据项目组的建议对网点布局进行了调整，并取得了良好的成效。这个案例可以为许多银行带来启示：首先，银行十分清楚自身的网点
布局，有关网点的经营业绩和地址的信息全量存在于银行的数据库中。其次，有关一个地区的人口数量、人口结构、收入水平等数据都是可以公开获取的数据。通过
应用大数据技术来把这两组数据结合在一起，就可以帮助银行实现网点布局的优化。BCG基于大数据技术而研发的Network
Max正是用来解决类似问题的工具。
银行业应用举例4：创新商业模式，用大数据拓展中间收入。过去，坐拥海量数据的银行考虑的是如何使用数据来服务其核心业务。而如今，很多银行已经走得更
远。他们开始考虑如何把数据直接变成新产品并用来实现商业模式，进而直接创造收入。例如，澳大利亚一家大型银行通过分析支付数据来了解其零售客户的“消费
路径”，即客户进行日常消费时的典型顺序，包括客户的购物地点、购买内容和购物顺序，并对其中的关联进行分析。该银行将这些分析结果销售给公司客户（比如
零售业客户），帮助客户更准确地判断合适的产品广告投放地点以及适合在该地点进行推广的产品。这些公司客户过去往往需要花费大量金钱向市场调研公司购买此
类数据，但如今他们可以花少得多的钱向自己的银行购买这些分析结果，而且银行所提供的此类数据也要可靠得多。银行通过这种方式获得了传统业务之外的收入。
更重要的是，银行通过这样的创新为客户提供了增值服务，从而大大增强了客户粘性。