大数据分析融资

① 马云做大数据怎么赚钱

随着大数据时代的来临，大数据早已不再神秘。带给我们众多的冲击，每个人都应当与时俱进、不断提升，放弃残缺的守旧思想，大胆接受新的挑战。
任何一家有EXCEL表格的公司，都敢说自己是大数据公司;任何一个地方政府公开有数字的PDF文档，就敢说是政府大数据公开。以至于业界人士担忧，某天大家再听这个概念都麻木了，然而行业还是没有做出多少事情。
区域数字鸿沟巨大
说起掘金大数据，一定绕不开政府数据。地方政府掌握着80%以上的数据。每隔一段时间，从中央到地方，都会发布关于大数据开放的政策。高层谈新经济，言必称大数据。
而在执行层面，目前地方政府大多处于观望状态。关注政务数据领域的清华大学数据科学研究院执行副院长韩亦舜表示，政府数据开放并没有那么复杂，需要有地方能真正去实践和摸索，做一些事情，当下所有的人都在谈数据开放，但做实事的不多。
韩亦舜曾建议西部一些地方政府借大数据发展的机会，率先开放数据获得先发优势，另外同步做好信息化补课。
6月份，笔者见到一位来北京寻求合作的西部省份地理信息测绘局局长，他长期在部委工作，前些年调到地方当部门一把手，发展大数据思路清晰，不过让他苦恼的是，当地信息化水平不高，很多地方没有数据，有的数据还在纸上。
他酝酿出台一个规定，以后所有的图都不准画在纸上，必须上网，以电子化的形式存储。当下他最想解决的问题是信息化，先收取数据，然后通过建立地方数据中心的形式，与企业合作，做地理信息垂直领域的数据开放和挖掘。
走在前沿的贵州省，希望以发展大数据弯道超车，实现新经济的腾飞。然而从数据开放的程度来看，当地一些职能部门，所谓的公开数据还停留在提供PDF文件阶段，远非结构化的数据，按照国际数据公开标准来说，并不能算政府数据公开。
单从数据开放来看，思路最清晰规划更具体的，还是广东、上海等发达地区。对于地方政府的大数据园区来说，发达地区好比“富二代”，一出生就含着金汤匙，但大部分地区还是“穷二代”，需要更大力度的数据挖掘与开放。由于各地在大数据方面存在差距，不同区域的数字鸿沟会继续深化。
饥渴的大数据创业公司
在掘金大数据的背景下，企业早已经等不及了。早些年，部分企业通过各种交易手段，获得政府数据。在数据开放的背景下，部分企业还在依托不规范交易，已经有政府部门被巡视组查出了因数据交易衍生腐败。
一部分企业希望参与政府数据公开进程，帮助政府做数据公开。比如数据堂公司与贵阳市政府共建数据生态城市。还有一批公司，则是急速扩张，跟各地政府成立相关的合资公司。
当然，还有转型大数据二次创业的公司。在贵阳数博会上，笔者见到很多大数据公司，就是以前卖电脑和软件开发的IT公司，转型做大数据，业务范围无所不在，包括智慧城市、软件开发、智慧农业、医疗等。
除上述归类外，企业为了获取政府数据，采取各种“曲线救国”的招式。前不久，笔者熟悉的一家南方大数据创业公司，为了获取某西部城市政府部门数据，报名参加当地的创业大赛，希望通过得奖，引起当地政府重视，达成数据合作。
这家公司的CEO在参赛间隙，拖着行李箱与当地国企联络，希望能够以合资的形式成立公司，共同挖掘当地数据。
这位CEO还通过各种方式，找到该市分管大数据的负责人，希望能够谈成合作。他勾画的蓝图很美好：获取一个城市的数据，做成样板，然后在全国复制，迅速从0到1成为该行业的“寡头”企业。
不过，目前还没有关于这家公司取得实质进展的消息，但这家公司寻求政府大数据开放的决心和路径，颇具有典型性。
政府资源导向，仍是目前很多数据公司努力的方向。很多大数据公司在融资过程中，强调一定要有国有资本进入，而且坚决远离境外资本。
从2015年国内最大的几笔大数据创业公司的融资情况来看，几乎都有国有资本进入，即便只占很小的比重。在某大数据公司融资发布会上，笔者随机问了几家投资机构选择投资这家公司的原因，答案惊人一致：有政府数据资源。
而在一些专家和专业投资人看来，从价值投资的角度，一是真正有技术优势的公司，二是有自己数据源的公司。依托政府资源的公司，从长远来说，并没有太大的投资价值。
乐观者认为，政府数据开放最终会走向规范化，有科技含量的公司最终会在泡沫破灭后存活下来。
BAT能否领军?
BAT中的某一家，会成为全球最大的数据公司么?
在专业人士看来，媒体喜欢造概念，这个说法很不专业。因为数据就像石油一样，每个地理区间都有，谁储存了多少，很难量化和比较。
马化腾和张小龙都说，他们很焦虑，因为用户花在微信上的时间太多了。不过马化腾又说，微信公众号是腾讯前三年最伟大的发明，因为可以把人留在微信上，大家就离不开了。
BAT三家公司一方面通过自身的数据，做出反映数字中国的图谱，甚至把脉经济走向;另外也在建立自身的数据生态体系;以网络为代表，则认为大数据的最终应用是人工智能。
京东CTO张晨告诉笔者，因为京东有自己的物流体系，其电商数据包括详细的消费者画像。张晨说，如果通过电商大数据分析，提高精准服务水平，能提高销售一个百分点，对京东来说都是很大的大数据价值变现。
互联网企业的数据，在整个大数据生态中，能够起到多大作用，各方都在摸索。很多人认为，互联网企业的数据价值被高估了。
比如韩亦舜认为，相对实体经济来说，互联网企业的数据，更多是第三产业，是对消费者端的，相对整个实体经济，比如说制造业体系产生的数据，互联网数据并不算多。
“互联网只是个工具。”国家统计局一位原副局长在一次数据研讨会上直言。他认为，互联网是传递现代数据的工具，不能唱得比实体经济还高。
至于BAT如何从大数据掘金，笔者聊了很多业内人，听得都不太明白，仍不得解。一家企业CEO表示，现在大家的思路其实都不清晰。
6月份，马云在一次活动上说，阿里是一家大数据公司，不过我们也不知道怎么用数据挣钱。

② 今后大数据技术将在企业融资行为中怎样发展

knowlesys舆情认为：

大数据能够帮助企业预测经济形势、把握市场态势、了解消费需求、提高研发效率，不仅具有巨大的潜在商业价值，而且为企业提升竞争力提供了新思路。企业怎样利用大数据在融资行为中发展？这里从企业决策、成本控制、服务体系、产品研发四个方面加以简要讨论。

企业决策大数据化。现代企业大都具备决策支持系统，以辅助决策。但现行的决策支持系统仅搜集部分重点数据，数据量小、数据面窄。企业决策大数据化的基础是企业信息数字化，重点是数据的整理分析。首先，企业需要进行信息数字化采集系统的更新升级。按各决策层级的功能建立数据采集系统，以横向、纵向、实时三维模式广泛采集数据。其次，企业需要推进决策权力分散化、前端化、自动化。对多维度的数据进行提炼整合，在人为影响起主要作用的顶层，提高决策指标信息含量和科学性；在人为影响起次要作用的底层，推进决策指标量化，完善决策支持系统和决策机制。大数据决策机制让数据说话，可以减少人为干扰因素，提高决策精准度。

成本控制大数据化。目前，很多企业在采购、物流、储存、生产、销售等环节引入了成本控制系统，但系统间融合度较低。企业可对现有成本控制系统进行改造升级，打造大数据综合成本控制系统。其一，在成本控制的全过程采集数据，以求最大限度地描述事物，实现信息数字化、数据大量化。其二，推进成本控制标准、控制机理系统化。量化指标，实现成本控制自动化，减少人为因素干扰；细化指标，以获取更精确的数据。其三，构建综合成本控制系统，将成本控制所涉及的从原材料采购到产品生产、运输、储存、销售等环节有机结合起来，形成一个综合评价体系，为成本控制提供可靠依据。成本控制大数据化以预先控制为主、过程控制为中、产后控制为辅的方式，可以最大限度降低企业运营成本。

服务体系大数据化。品牌和服务是企业的核心竞争力，服务体系直接影响企业的生存发展。优化服务体系的重点是健全沟通机制、联络机制和反馈机制，利用大数据优化服务体系的关键是找到服务体系中存在的问题。首先，加强数据收集，对消费者反馈的信息进行分类分析，找到服务体系的问题，然后对症下药，建立高效服务机制，提高服务效率。其次，将服务方案移到线上，打造自动化服务系统。快速分析、比对消费者服务需求信息，比对成功则自动进入服务程序，实现快速处理；比对失败则转入人工服务系统，对新服务需求进行研究处理，并快速将新服务机制添加至系统，优化服务系统。服务体系大数据化，可以实现服务体系的高度自动化，最大程度提高服务质量和效率。

产品研发大数据化。产品研发存在较高风险。大数据能精确分析客户需求，降低风险，提高研发成功率。产品研发的主要环节是消费需求分析，产品研发大数据化的关键环节是数据收集、分类整理和分析利用。企业官网的消费者反馈系统、贴吧、论坛、新闻评价体系等是消费者需求信息的主要来源，应注重从中收集数据。同时，可与论坛、贴吧、新闻评价体系合作构建消费者综合服务系统，完善消费者信息反馈机制，实现信息收集大量化、全面化、自动化，为产品研发提供信息源。然后，对收集的非结构化数据进行分类整理，以达到精确分析消费需求、缩短产品研发周期、提高研发效率的目的。产品研发大数据化，可以精准分析消费者需求，提高产品研发质量和效率，使企业在竞争中占据优势

③ 大数据如何快速查询融资事件

可以去查下CVSource投中数据，分为网页版和APP端，这个平台，很容易找到的，建议关注一下，多些了解吧。

④ 大数据分析与金融，有哪些结合点

大数据分析让银行更准确知道谁是自己的用户，大数据分析让证券市场更容易得到想要的信息，大数据分析也会放保险从业者更容易去找到客户。

大数据分析与金融的结合，就是与银行、证券、保险等行业的结合应用，现阶段就是找到最需要有效帮助的人，同样大数据分析能够获得对未来布局的信息，让公司决策准确有效。

⑤ 如何利用大数据做金融风控

大数据能够进行数据变现的商业模式目前就是两个，一个是精准营销，典型的场景是商品推荐和精准广告投放，另外一个是大数据风控，典型的场景是互联网金融的大数据风控。

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。信用相关程度强的数据 纬度为十个左右，包含年龄、职业、收入、学历、工作单位、借贷情况、房产，汽车、单位、还贷记录等，金融企业参考用户提交的数据进行打分，最后得到申请人 的信用评分，依据评分来决定是否贷款以及贷款额度。其他同信用相关的数据还有区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率等。普惠在线

互联网金融的大数据风控并不是完全改变传统风控，实际是丰富传统风控的数据纬度。互联网风控中，首先还是利用信用属性强的金融数据，判断借款人的还 款能力和还款意愿，然后在利用信用属性较弱的行为数据进行补充，一般是利用数据的关联分析来判断借款人的信用情况，借助数据模型来揭示某些行为特征和信用 风险之间的关系。

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：

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。

其他的验证客户的方式包括让客户出示其他银行的信用卡及刷卡记录，或者验证客户的学历证书和身份认证。
分析提交的信息来识别欺诈

大部分的贷款申请都从线下移到了线上，特别是在互联网金融领域，消费贷和学生贷都是以线上申请为主的。
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。

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。
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，真正有价值的黑名单在两百万左右。

黑名单来源于民间借贷、线上P2P、信用卡公司、小额借贷等公司的历史违约用户，其中很大一部分不再有借贷行为，参考价值有限。另外一个主要来源是催收公司，催收的成功率一般小于于30%（M3以上的），会产生很多黑名单。

灰名单是逾期但是还没有达到违约的客户（逾期少于3个月的客户），灰名单也还意味着多头借贷，申请人在多个贷款平台进行借贷。总借款数目远远超过其还款能力。

黑名单和灰名单是很好的风控方式，但是各个征信公司所拥有的名单仅仅是市场总量的一部分，很多互联网金融公司不得不接入多个风控公司，来获得更多的 黑名单来提高查得率。央行和上海经信委正在联合多家互联网金融公司建立统一的黑名单平台，但是很多互联网金融公司都不太愿意贡献自家的黑名单，这些黑名单 是用真金白银换来的教训。另外如果让外界知道了自家平台黑名单的数量，会影响其公司声誉，降低公司估值，并令投资者质疑其平台的风控水平。

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。欺诈设备不安装生活和工具用App，仅仅安装和贷款有关的App，可能还安装了一些密码破译软件或者其他的恶意软件。

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。另外欺诈用户也会购买一些已经淘汰的手机，其机器上面的操作系统已经过时很久，所安装的App版本都很旧。这些特征可以识别出一些欺诈用户。

利用消费记录来进行评分

大会数据风控除了可以识别出坏人，还可以评估贷款人的还款能力。过去传统金融依据借款人的收入来判断其还款能力，但是有些客户拥有工资以外的收入，例如投资收入、顾问咨询收入等。另外一些客户可能从父母、伴侣、朋友那里获得其他的财政支持，拥有较高的支付能力。

按照传统金融的做法，在家不工作照顾家庭的主妇可能还款能力较弱。无法给其提供贷款，但是其丈夫收入很高，家庭日常支出由其太太做主。这种情况，就需要消费数据来证明其还款能力了。

常用的消费记录由银行卡消费、电商购物、公共事业费记录、大宗商品消费等。还可以参考航空记录、手机话费、特殊会员消费等方式。例如头等舱乘坐次数，物业费高低、高尔夫球俱乐部消费，游艇俱乐部会员费用，奢侈品会员，豪车4S店消费记录等消费数据可以作为其信用评分重要参考。

互联网金融的主要客户是屌丝，其电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。有的互联金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，其可以借助于工具将客户历史消费数据全部抓取并进行汇总和评分。

参考社会关系来评估信用情况

物以类聚，人与群分。一般情况下，信用好的人，他的朋友信用也很好。信用不好的人，他的朋友的信用分也很低，

参考借款人常联系的朋友信用评分可以评价借款人的信用情况，一般会采用经常打电话的朋友作为样本，评估经常联系的几个人（不超过6六个人）的信用评分，去掉一个最高分，去掉一个最低分，取其中的平均值来判断借款人的信用。这种方式挑战很大，只是依靠手机号码来判断个人信用可信度不高。一般仅仅用于反欺诈识别，利用其经常通话的手机号在黑名单库里面进行匹配，如果命中，则此申请人的风险较高，需要进一步进行调查。

参考借款人社会属性和行为来评估信用

参考过去互联网金融风控的经验发现，拥有伴侣和子女的借款人，其贷款违约率较低；年龄大的人比年龄低的人贷款违约率要高，其中50岁左右的贷款人违 约率最高，30岁左右的人违约率最低。贷款用于家庭消费和教育的贷款人，其贷款违约率低；声明月收入超过3万的人比声明月收入低于1万5千的人贷款违约率 高；贷款次数多的人，其贷款违约率低于第一次贷款的人。

经常不交公共事业费和物业费的人，其贷款违约率较高。经常换工作，收入不稳定的人贷款违约率较高。经常参加社会公益活动的人，成为各种组织会员的人，其贷款违约率低。经常更换手机号码的人贷款违约率比一直使用一个电话号码的人高很多。

午夜经常上网，很晚发微博，生活不规律，经常在各个城市跑的申请人，其带贷款违约率比其他人高30%。刻意隐瞒自己过去经历和联系方式，填写简单信 息的人，比信息填写丰富的人违约概率高20%。借款时间长的人比借款时间短短人，逾期和违约概率高20%左右。拥有汽车的贷款人比没有汽车的贷款人，贷款 违约率低10%左右。

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。另外中国有些特定的地区，当地的有一部分人群从事涉赌或涉赌行业，一旦申请人填写的居住地址或者 移动设备位置信息涉及这些区域，也要引起重视。涉赌和涉毒的人员工作一般也不太稳定或者没有固定工作收入，如果申请人经常换工作或者经常在某一个阶段没有 收入，这种情况需要引起重视。涉赌和涉毒的人活动规律比较特殊，经常半夜在外面活动，另外也经常住本地宾馆，这些信息都可以参考移动大数据进行识别。

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。

⑥ 大数据模式 中小微企业融资有哪些

1、大数据模式，应该就有大量群体资源，大量项目数据，大量投资机构数据
2、中小微企业明显资质要求不能太高，就要求融资方式多样化，不然银行早就服务了

3、融资是个技术活，一定要找对专业投资方。
4、找对行业投资人，不仅找到资金，专业服务外还有资源匹配
5、以节能环保行业为例子；
国内之前 一直没有专业投融机构；
但是叫 环投什么汇 平台的出现就是典型例子
专业投资机构集中化，资金多样化明显提升，银行、保理、融资租赁、PPP、BOT、小贷、互联网金融服务层出不穷。金融机构提供专业解决方案同时，还提供其它合作方的技术输出资源。
总之，大数据模式，就是提高准确度，整合资源实现1+1大于2 的效果
希望采纳

⑦ 基于大数据的P2P融资“极速模式”具有哪些特点

P2P已经在中国退出历史舞台，留下一地鸡毛，8000万中产4万亿打水漂。
“极速模式”是指快速匹配，P2P作为信息中介，是撮合借款人和出借人成交的平台，由多位出借人匹配1位借款人等多种模式。

⑧ 融资租赁大数据分析平台

亿信华辰融资租赁数据分析平台项目建设的目标就是满足日常经营分析报表的管回理要求，推进集团数答据分析工作实现规范化、程序化、现代化。建设内容：数据仓库基础平台建设和数据应用平台建设两部分。数据仓库平台的重点是将核心账务系统、核心业务系统，资金系统、管会系统、财务系统等业务系统数据的物理集中与逻辑整合；数据分析应用建设主要包括领导驾驶舱、即席分析、资产监控、移动端以及集团化架构管理。

⑨ 大数据，给金融带来了哪些改变

1、质的指标重于量的指标。2、发展直接融资不是取代间接融资，两者的关系是相互版促进。权3、直接融资与间接融资的紧密联系。4、直接融资与间接融资是可以相互转换的。5、直接融资的发展必然体现在整个社会信用格局的变化上。6、直接融资的发展必将要求相应机构的发展，由此引起整个金融体系的变化。7、直接融资的发展快慢应取决于企业成为真正主体的进程。
根据国际经验与中国改革进程实际，
国已确定大力发展资本市场、逐步提高直接融资比重的金融发展战略。为解决已经存在的问题和应对未来可能出现的问题，对直接融资发展的目标和影响进行理论分析，无疑具有重要意义。