全国免费咨询热线
免费咨询热线
400-808-4000
高速专线直连
北京、上海、广州、深圳、苏州云数据中心
高品质公有云
集计算、存储和综合IT服务的需求
您的需求就是我们的产品
计算、网络、存储、安全...以技术革新助力梦想起飞
计算/ Compute
网络/ Network
存储/ Storage
安全/ Security
域名邮箱/ Domain
专属化服务行业解决方案
视频、游戏、移动APP...个性化需求定制
视频行业解决方案
针对视频行业的高清晰大流量、低延迟、高稳定需求，海量视频、百万用户在线点播、直播的行业特征，提供快速弹性伸缩的云计算服务、对象存储以及CDN加速服务，广泛应用于视频点播、直播等场景。
游戏云解决方案
为游戏而生的游戏云，为游戏行业用户量身定制，满足各类业务场景需求。专注于游戏开发、运营企业，提供专属集群、专享服务、多场景多类型的游戏部署解决方案，帮助游戏企业快人一步，更好发展。
金融行业解决方案
通过物理隔离满足金融客户安全性需求，更有量身定制金融级灾备方案，充分保障金融用户数据安全。为客户提供合规、安全、灵活、独享的金融上云服务。
移动APP解决方案
华云移动APP解决方案帮助开发者缩短产品从idea到推出上线的时间，助力快速占领市场，使得开发者能够从容应对用户数量爆炸式增长、业务高峰期用户体验卡顿和移动安全等问题。
数据中心持续扩张
北京、上海、深圳、广州...BGP网络接入，主要城市全覆盖
成立于2010年，总部位于江苏无锡，目前在中国北京、上海、厦门、深圳、广州拥有分公司，在香港、纽约等地拥有运营中心， 旗下拥有润迅通信、蓝芒、飞讯等多个互联网服务品牌。华云数据以多样化的云化产品组合和领先的云化支撑运营能力，立志于成为亚洲最大的云计算独立服务提供商和平台合作伙伴的最佳选择。
微信扫描二维码 获取更多移动服务金融大数据在平安科技信用风险管理中的应用实践
李想平安科技智能引擎部企业大数据专家。毕业于哈佛大学计算机系，于2015年加入平安科技，参与建设了集团首席投资官办公室的投资舆情监控和风险量化项目。此后李想带领团队完成了企业征信平台和集团投资风险大数据预警智能引擎的开发、平安银行资产风险扫描，同时参与完成了企业大数据仓库的建设和投资风险智能分析引擎的核心开发，每月处理企业指标超过10亿条，为投资和风险分析提供了一个高效稳健的平台。
中国FinTech：与美国相差的是风雨百年的距离
中国的FinTech发展迅猛，已经重塑了本身也很年轻的互联网金融行业，更改变了每个人的生活。而大数据对金融的革新和推进具体起到了什么作用？大数据解决了传统金融什么痛点？中美金融行业的技术是否有差距？这篇文章中我们采访了平安科技智能引擎部企业大数据专家李想，同时我们也整理了李想在中国技术开放日.上海站上的关于Fintech的技术演讲，以此希望能让你了解平安科技金融大数据的创新实践。
InfoQ：请您先介绍下自己的背景经历？
李想：我的经历可能最大的一个特点就是转折比较多。我本科是在美国中西部的一个州立大学读的，非常与世无争。专业是数学和金融，但是当时觉得金融太虚了（本科的金融课大家都懂的），所以心思基本都在数学上，每天就在公园里跑跑步证证定理，本科就把数学博士前两年的课都修完了。本科毕业后，正好哈佛那一年新开了一个大数据的计算机专业。当时这个概念刚刚兴起，没人知道大数据到底是什么，抱着好奇的态度我就去读了这个硕士，读完以后收获非常大，不仅是在技术上，更是在哈佛的那种大数据必将改变我们生活的每个方方面面的角落的这个理念上。读完以后我的那些同学大多都去了金融业，我也未能免俗进入了对冲基金公司。但是一个偶然的机会遇到了我现在平安的老板，然后我就辞职加入了平安，从事大数据在投资和风险两条线的应用至今。
InfoQ：在哈佛毕业后您有过美国对冲基金工作经验，中美金融行业的技术是否有差距？同时，您是否感到中美企业文化差异？
李想：首先技术差异还是非常非常明显的。譬如交易当中的程序化交易，中美两国的程序脚本我都看过，差距非常大。量化交易策略这块，美国的量化机构有完整的系统方法论和流程，对于新技术的应用也非常之敏感，譬如回哈佛去访问的时候，数学界最前沿的随机矩阵理论，和天体物理学中的理论，都有最新的交易策略应用。中国的这块基本还属于非常初级的起步阶段，不客气地说，很多券商的量化策略研究连入门都不算，大概只有博士一年级的经济系学生的作业的水准。在信用风险和信贷业务的研究这块，中美主要是理念的差距。美国上百年的金融史，风风雨雨的经济周期走过来，整个体系都很稳健和成熟，中国的整个信用风险市场，因为没有经历过大萧条和崩盘，整体来说还处于一个不成熟的阶段。当然还有一方面是金融监管这个中美也有很大的差异，不过这个跟技术距离比较远，就略过了。
文化差异也很明显。美国属于那种成熟中有活力的类型。整个体系非常完善，但是要做新的研究也会给你机会。但是最大的问题是，新的东西研究出来以后，要推动全面实施需要很大的时间和成本。这也可以理解，因为一个很完备的体系，转换的成本会很高。中国则是充满的变数，很多的东西本身就没有一个成熟的体系，可能会走一些弯路，但是对新的东西也很欢迎，更重要的是，新的产品和体系能够很快速地推动，因为本身就没有一个固有的完备的体系，所以实施起来会很快。我个人体验的大数据在金融领域的应用也是如此。
InfoQ：您认为大数据主要能解决金融行业的哪些痛点？传统金融在IT方面存在哪些问题？
李想：大数据在金融领域主要解决三个痛点，第一个是信息的不对称，第二个是信息的处理，另一个是产品个性化的问题。
信息的不对称：金融领域信息永远是不对称的。企业找银行贷款，可能会虚报高自己的财务报表，个人去贷款，可能会隐瞒个人债务，买方去企业调研，企业会领着只参观优点的地方。所以无论是在投资还是风险中，要做出正确的决定，永远需要有更全更完备的数据和信息。
信息的处理：在现有的数据的量级的情况下，其实也是远远超出了人力所能处理的范畴。一个机构投了几百个交易对手，每年review十分之一的企业，就要花费一个团队的人几周的时间，每个企业收集，整理，分析数据，都是一个耗人力的过程。大数据可以自动化处理其中的很多的工作，乃至做出智能判断，更重要的是，人工可能是需要几周时间的事，大数据可以每天都做每天都扫描，瞬间做出反馈。
第三点是产品个性化。无论是个人的投资理财产品，还是保险类的产品，现在的设计都是很初略的。一个模板的公式套用一整个人群，然后产品定位，产品定价。但是其实每个人的情况都是不一样的，大数据可以实现精确定制到个人的级别，为每个人设计最合适的金融产品，然后给出一个精确到个人的价格。
金融IT的问题主要是基础架构的落后。很多数据仓库和应用架构都是十几年前的架构，但是因为金融机构稳定性第一，也没有足够动力区更新。其实可以在满足安全的前提下，对于架构做出逐步的替代和更新改变。
InfoQ：对于平安科技的金融大数据技术实现，您认为难度最大的部分在哪儿？能具体讲讲技术上的解决方案吗？
李想：金融大数据所面临的最大的难点，是数据源的异构，但是分析体系所要求的高度同构。说的通俗一点，就是金融数据的各个来源非常碎片化。什么来源都有，什么形式的数据都有，而且什么频率什么质量都有，非常杂乱和碎片化。这个和互联网行业相比差别就特别明显，譬如电商，只要设好埋点，用户的交易数据操作数据都一目了然，井井有条。另一方面，金融分析要求的数据质量非常高，需要规范化的量化的数据，很多更是需要同步过的时间序列数据。这是因为金融分析很多模型源于计量经济学和金融学模型，都是高度规范化的模型，和互联网常用的机器学习不同，机器学习可以容忍很多的噪音和不规整的数据。
为了解决这个难点，我们设计了一个高度精巧的数据仓库和结构模型，或者叫数据管理平台（DMP）也可以。这个仓库需要可以容纳，整理各种类型的各种来源的数据，然后最关键的一点，可以对这些数据进行量化和同步化（synchronization）。量化是指把各种非结构化的数据变成在金融上有意义的指标，同步化是指可以自动调节更新点，更新频率，数据交叉覆盖周期，然后时间序列上各个维度的特征的映射关系。这样，后期的各种应用，包括客户画像，风险管理，量化投资，等等都会变得简单而快捷。另一方面，因为整个这个体系的数据量和处理密度都很高，设计的算法复杂度，也就是整个平台的效率，至关重要。
具体的其它的系列就不多提了，整个平台的核心是一个同步化函数库。这个函数库可以想象成是一整套精密的钟表，有每日走的，每月走的，每季度走的，然后每日，每月，每季度的里面都有走的快的和走的慢的。然后整个数据体系都可以根据每个钟表相互校准。这样的话，整个的数据分析就成为了一个高效而准确的体系，因为减少了海量的人工的清洗和校准工作。
InfoQ：在一家Fintech公司工作，您同时精通金融和IT，除了必备的金融业务知识，技术上需要重点掌握哪些？做到同时精通是否很难？您做了哪些努力？对于一家Fintech公司，最理想的团队配置会是什么样的？
李想：在金融IT领域，的确两方面的知识都至关重要。不过说到底也没有什么必须掌握的知识。我个人觉得最关键的是非常快速的学习能力，和永不止歇的好奇心。我的团队，和我本人，在入职的时候知识体系各有不同，但是经过一段时间的淘汰以后，剩下来的人都胜任了各种类型的项目和工作。举个例子，我们这里的效率要求一般是，半天以内可以精通一整套业务逻辑，三天以内可以学会一门编程语言，一周以内可以熟练掌握一个体系的模型方法论。在金融IT领域，金融和IT的知识都是在不断更新迭代的。我五六年前在学校学习的很多金融和IT知识，现在看起来已经像上古时代的遗物一样了，所以不断地学习才是适应这个行业的唯一道路。
说到团队的配置，我觉得基本需要如下三种的人才：数据结构和算法专家，系统开发和运营专家，模型和咨询专家。因为首先是数据结构和算法专家确定底层框架，然后开发和运营专家实施落地，最后模型和咨询专家负责与业务方沟通和最后的报告交付。缺了哪一方面，这个团队都是不完整的。现在很多公司的算法团队，基本全都是第一种人，我个人觉得还是很有问题的，因为这样既无法落地，也不能很好地对外宣传和沟通。
InfoQ：您认为Fintech的发展趋势会是怎么样的？
李想：我觉得以前Fintech更像一个承做的乙方，接了业务方的需求以后加以实现就可以。但是以后整个Fintech，会逐步走向技术推动创新，技术驱动业务方面发展。因为我们处于一个伟大的变革的年代，科技在十几年间已经颠覆了我们的生活方式和很多行业，金融领域也不例外。金融领域的方方面面，都会面临深刻的变革，但是我觉得这些变革都会由科技来发起。譬如网络金融，有很多的新的接触客户的方式，新的定位和营销的方式，新的产品设计的模式，新的运营体系，这些很多都是带了非常鲜明的互联网的特征。反观金融模型，很多投资和风险模型里面也做了大量不必要的假设和简化，就是因为几十年前能获取到的数据极其有限，能计算的数据量也极其有限。在这个数据爆炸和计算能力爆炸的时代，很多传统的模型也面临着新一轮的变革。我们可以看一下物流领域，Amazon，沃尔玛，和京东高效的机器和大数据算法体系，技术和大数据已经完全主宰了我们这个世界的物品的流动。那资本的流动，也就是金融业，又为什么会例外呢？
以下部分是根据李想在中国技术开放日.上海站上的主题为“数据金融”的演讲整理而来。该演讲给大家分享了平安科技利用企业大数据在信用风险管理领域的一些经验，以及介绍了平安科技数据平台解决方案：量化、整合、数据生态圈。
企业大数据在信用风险管理的应用
很高兴有这样一个机会在这里分享大数据金融领域应用的心得，我以前在美国的对冲基金工作过，在银行里有一些经验，后来机缘巧合成为了一个真正的码农，所以在各方面都积累了很多经验。平安作为一个全牌照的金融集团控股公司，以前涉及到的业务在这里都有涉及。今天我的介绍偏向于企业大数据，因为在平安主要负责企业大数据的所有应用，包括企业大数据在对中业务当中的应用。
这两个人对我的影响非常大，让我的职业发展做出了改变。第一个是我在哈佛读书时候的教授，他是经济学系的教授，他的著作《博弈论》相信学经济的人都读过。他当时说了一句话“风险在大数据的情况下可以测量的”，这句话对我造成很大的触动，因为金融领域最大的问题就是没有办法测量未知的风险，如果可以测量风险很多问题迎刃而解，整个金融领域的工作方法都得以改变。第二个是Eric，他说“商业的每一个领域和角落都被大数据所改变了”，七八年前我在读书的时候，正是经历了这样一个过程。
大数据在商业领域的应用
大数据对于整个商业领域的改革，我个人经历过的，到现在为止大数据领域盈利的模式，一般还是在客户推荐，精准营销，客户画像，市场是大数据对于商业领域切入最深的领域，财富500强中95%已经运用了大数据营销，大数据已经切入到市场营销的方方面面。世界500强有很多深度地与大数据的结合，我很多年前接触到了经典的一些案例，比如说沃尔玛率先采用大数据的物流系统，国内阿里、京东都采用这种基于大数据系统，他们的供应链管理都迈向了新的台阶。沃尔玛卖出去的每一个产品在10分钟内都可以反馈到存储中心，第二天货车就已经上路，该补什么货就补什么货，效率较原来大幅度提升70%。
企业架构方面，大数据深度地改变了很多企业，Amazon和Linkedin两家企业采用了中央决策体系，相当于建立一个大数据中心，这个中心做出的决策把数据集中放上来，建立一个各自角色的体系。有一个决策中心，大数据在每个BU层次得到比较大的结合，做出一些企业层面的决策。
对于平安集团来说，建立了一个更类似于左图这样的大数据平台体系，因为在整个集团里，下属所有子公司数据统一到大数据平台，无论证券、保险、信托等等都汇集到一个中央数据平台，对于每一个子公司业务所创造的价值，以及集团方面决策的组合，都提高了数倍之高的效率。
最上面画了2个问号，如图所示，在整个商业领域划分了5大块，但在会计财务方面大数据该如何切入？这还是业界尚未解决的问题，我们最初的思想是从原来的收集和分析数据，到如何驾驭大数据，驱动战略决策。
我们今天谈财务分为两大块，第一块包括自动化程序化交易等等都会用到大数据。第二块为金融本质，包括银行业务本身作为一个信用中介的体系存在，把资金从一个信用高的地方，作为信用交换出去，赚取的是基于信息所掌握的信用差价。现在一些投行的业务，大型银行之间结合，有些银行既会做信用中介业务，也会做套利的业务，后面的内容聚焦在大数据如何作为一个平台支持，无论银行业务，还是信托业务，很多时候作为信用中介存在，赚取息差的差价。
大数据在征信和评级行业的应用
首先来说大数据，说到信用中介，信用风险管理上的应用离不开征信评级。传统的征信评级，比如在银行领域，我们经常接触到的企业征信，是把企业的所有信息收集起来，把信息展现给你看，但是信息代表有多大的信息？对决策有多大的影响？还有评级的范畴，这么多信息收集以后，这个企业是3A评级，或者是1B评级，评级本身是衡量风险的一个标尺，包括金融领域的所有应用都是基于标尺衡量的，给企业贷多少款？贷款做不做？通道收多少？在资管领域，风险偏好取决于债权项目能不能投？衡量的尺子就是信用评级，如果我们对信用风险有一个精确的衡量，基于信用的金融领域就有非常大的改观和变革。
上图左边是我们对这些信息数据的收集，建立平安企业的大数据平台，相当于对信息进行了收集整合和数据仓库的建设。右右边我们建立了平安脑智能引擎，对于收集出来的数据建立一种量化模型，对风险进行精确衡量，在风险衡量当中精确调整到每个业务线当中，这个风险代表了收益和所承担的风险到底是多少。
数据平台解决方案
数据平台的方案面临量化的问题。在金融领域，个人零售当中我们接触到的数据比较细化，因为个人零售当中收集到的数据比较多，比较容易收集。比如说淘宝上买东西有交易记录，收集APP上翻屏点击的记录，信用卡消费记录，坐飞机的交易记录，但是对于企业来说，因为有信息隐私保留问题，收集到的很多企业数据是杂乱无章的，不像个人数据那么整齐，也不像个人数据那么结构化。
我们面临到的，可能有些是文本，有些是图像，甚至是声音和影视，客户经理来现场拍的照片，对于我们来说是图像的数据。如何把分门别类的数据在数据库中达到量化存储，首先对数据进行量化以后，企业大数据的仓库才是有效仓库。
我之前在美国，在对冲基金领域的时候买了很多数据。SymphonyIRI在零售业，对每家连锁企业运输销售数据都做了高度的整合和量化，这是一种时间序列化的数据，放在模型里面跑非常方便。Patent Board能清楚知道专利属于哪些公司，专利有哪些价值，专利对公司主营业务有什么影响。新闻舆情，比如说Ravenpack，能知道新闻和企业的相关性有多少。供应链，比如说SPLC&PEERS。
在中国进行企业大数据建设的时候，发现这些供应商基本上属于比较空白的状态，在金融领域没有一个比较成熟的量化企业数据供应商，提供每一个领域的细化服务。平安科技在这个领域做了领头羊的角色，我们率先拓展这个领域，对于专利、舆情、关联关系，法律诉讼等数据整合进行量化。我们做了一些研究，建立了大数据仓库，在这方面投入相当多的人力、物力和成本，对于中国的领域内做了一些行业对标，在数据量化领域，做了一些比较开拓性的工作。
我们面临的第二个难题是数据整合问题，比如说大同煤业，有行为、运营、市场内部、外部，宏观数据等等数据来源，企业大仓库里有几十个纬度的数据，应该如何汇总关联到某一个具体公司？现在想研究某家公司，想要做的是什么？右图这样树状的结构当中和这个企业相关的所有数据都能够关联上。看起来是很简单的工作，但是在数据建设当中有很多整合的工作要做，比如说企业之间所有代码的关联，行业上下游的跳转，以及把基础的数据聚合成指数。还有分类工作，分类是比较系统化的工程，在其他纬度的数据当中，如何进行标准化分类以及量化的计算？这是后期模型建设当中要解决的问题。
对这些数据进行梳理中需要很多基础层面的工作，这些层面的工作需要有一个良好的设计，对于所有子公司数据进行收集，在内部外部都有整合，整合完之后建立一个非常清晰明确的体系。市面上做金融投资的企业，会用到一些其他的信息终端，终端获得的信息非常有限。平安科技建立的企业大数据，输入一个企业的名称获得的信息有金融终端获得到的十倍之多。
第三个是整个数据形成的生态圈的概念。我们建立一个仓库之后，仓库如何运营？在运营层面上有一个正向反馈的过程，需要建立一个比较活泼的生态圈，保证数据都是新鲜的，仓库能够运营下去，左图是我们对企业提供云服务，企业运营数据相互补充，牵扯到很多保密条款。我们做云服务的交换，也接触过很多基金信托公司，他们把数据给我们，我们为他们提供信用方面的服务。对于集团内部子公司，在内部云当中给他们提供专业化服务，专业化公司和他们的客户交流当中，大数据也会直接为他们提供交互。这样企业的反馈，包括运营当中的反馈也会直接反映到仓库当中。
基于云的概念，整个企业大数据运营当中，每天都会补充海量的数据，每个细节的反馈都会被纳入当中，形成一个正向的健康反馈，所有的数据都是最新的有用的，也包括全牌照公司下有数以十万计的保险业务员，他们收集的数据都汇集到这个当中。
金融大数据的应用
金融大数据的应用，仓库建完以后能够为集团创造什么价值？
首先第一点是数据的框架，从左往右看，最左边是企业的基础数据，具体应用分为投前、投中和投后。投前一般是了解一个客户，要不要做这笔业务。投中是投的过程当中流程方面的监管。投后是成为了我们的客户以后，我们成为股东、借款方，需要对他们的风险进行监控，如果企业其他的债权价格有波动，我们要处置。
然后是资产清收，有些企业如果变坏了，我们要提前做资产清收，中国有四大不良资产处置公司。现在银行有些资本自己处置一下， 200亿的不良资产，可能只有10亿左右的价值，既然这样我们为什么不自己做清收？如果自己清收回来50亿，剩下来的40亿相当于我们自己创造出来的价值，从投前、投中、投后，都是完全覆盖一条龙的服务。
投前，主要需要推荐优质客户，对风险要点做一个梳理，有整体的画像，让审批人员直接知道这个企业的运营情况。投中，对于平安集团这样特别大的集团，子公司有十几、二十多个，业务线有五十多条，资本市场、非资本市场，包括各种金融工具都有涉及，有上百种之多，这么多不同的金融工具如何监管？由于涉及到的模板有上千个，如果没有企业大数据进行管理会比较混乱，我们有统一的风险标识加强企业管理。
然后是企业资产的清收，在过去一年多，中国经济形势下滑，不良资产处置是比较热门的点，大数据该如何支撑？其市场估算至少在千亿规模。
在投后管理中的应用，大数据所起到的应用是风险管理的前置。无论在银行、资本还是任何一个投资类型的公司，风控一般做什么？一般是企业出了事才会知道，现在很少有能力，或者有手段让他们提前知道风险。中国有很多基金券商，有时候我也和他们交流，你们每天上班怎么做风控？他们说一上班就读报纸，哪个公司有风险，就让我们查。这其实是非常无效的监管方式，他们没有有效的信息获取通道，如果等报纸报道后再去清收，很可能资产没有办法处置了。以前传统的介入窗口，很可能在重大事件报道以后才去处置。举个例子，资本市场债券没有流动性了，多的时候可能要折价40%到60%才能将这笔债券卖出去。
但是如果能够提前获知这个风险，哪怕早一个星期，折价10%就可以卖出去，如果迟一个星期，折价70%都卖不出去。金融大数据将不能实时监控的数据，商品管理，行业衰退等基于几十个纬度的大数据我们进行批量监测和自动化系统的监控，有这个苗头我们就提前发出预警。如果早一些时间知道，我们的处置窗口就会提前，对于流动性敏感的债券来说，很可能是几十亿上百亿的产品。
这是投入监管当中最典型的应用，早期预警信号。行业里其实有很多企业在做，比如说做风险的咨询的公司，安永、德勤等都做了这方面的探索。我们做行业研究之后发现他们所有的信号都是单一信号，相当于出了事就做这方面预警。比如检测到企业高层赌博被抓了，就发出预警。今天发一个预警信号A，明天发预警信号B，然后是C，然后是D，天天这样发信号，业务没有办法做操作。出来的信号债券卖还是不卖，如果卖会亏几亿，如果不卖，万一卖不出去，这个责任谁来扛，对于整个集团的流程管理是没有任何帮助的。
我们相当于把这些数据在纬度上用机器学习人工智能的模式进行整合，这么多模型积累在某一个点上，超过我们可以容忍的限度以后，会推出来一个明确的信号，而且这个信号有指示，预警这个企业3个月内可能出问题。如果是银行的话，这笔信贷要提前抽贷，或者是补充抵押物等等措施可以提前行动起来。我们推的是综合的、明确的，经过机器学习判断的信号。我们做了行业对标，对于整个行业来说误报率都降低了几倍之多，就我们现在的研究结果来看，在平安内部实现一个综合预警概念，而不是零零散散给大家推纬度的零散信号。
投前审批的应用。投前审批的自由度比较高，告诉你客户经理需要处理贷款，后面有跟踪相关的流程，这笔贷款上报风险监控，再报到支行的行长，备案以后流程结束就可以了。在投前审批当中，信贷的审批人员有很大的自由度，不能告诉他这个企业能做还是不能做。很有可能客户经理和这个企业特别熟，和他有10年的交情，虽然大数据觉得不能做，但是我觉得他可以做。投前审批不会强制你能够做，或者不能做，但是我们会把所有的信息都做出来。是企业全新画像的概念，把企业的信息汇总在一个交互式的界面，做了一个交互性的系统，看到整个企业在不同时间的趋势，关联方的所有信息。
我们还做了一个基本的手机APP，在外面拜访的时候手机移动端可以看到企业信息。这个方面对于四大行来说不是问题，因为在每个乡镇都有网点，但是对于区域性银行，像平安银行，网点比较集中在一二线城市，这是非常大的跨越，不需要下到三四线城市，来回两天核查一个数据，以前需要现场做的事情，现在远程都可以解决掉，这样极大提高了工作效率。
特殊资产处置，这几年对于投资领域是非常大的课题。无论是每个银行还是每个资产管理公司，都有不良资产，很多时候人工都已经梳理过很多遍了，但是这个时候这笔钱能不能收回来？在传统的特殊资产处置当中，说的再通俗一点，怎么把欠的钱收回来。对于零售领域来说，可能是一群光头大汉跑你们家躺着。但是对公领域没办法这样做，哪怕个人把资产转移给亲属，我们对于他的亲属没有索赔权，银行不能起诉他的妻子或者孩子，没有起诉子公司的权利，对公业务是非常大的痛点。
传统的资产处置流程，一个是缺乏数据的关联整合，有一些现场数据的收集，客户经理一个一个跑，跑到现场看这个企业运行的怎么样，房子有没有停工。
第二方面是非现场的数据收集，大数据时代，有很多数据可以通过其他渠道获取。但是以前这两部分数据没有整合，因为特殊资产处置是非常底层的级别，当然更无从谈起。缺乏统一的管理平台，人员任务没有办法管理，总行都不知道下面的业务员获得哪些线索。
第三方面是策略的制订，比如说，是诉讼还是不诉讼，每一项都是一个策略。银行的支行人员，能不能在有限的数据支持下做出一个最佳的判断，这是很值得考究的问题。我们研究以往的案例和数据，发现银行客户经理做出来的判断，很多时候是错误的。明明有其他的业务可以合作，而不是直接推到诉讼台上。我们建成一整套基于大数据的清收体系，前端的业务人员，他们在现场收集出来的数据直接汇总到数据平台，他们每天的任务，今天跑了几个点，去了几个城市都汇集到这个平台，合成一个大数据分析引擎。自动通过规则判断，机器学习，判断出来哪一种是最佳策略，可以最大程度挽回不良损失。
以前可能一个策略错了调整需要90天，现在用了这个策略，在3天以内策略就可以做出反馈。因为别人不知道的东西我们先去了，我们如果比别人早一步，哪怕只早一天就可以挽回几千万，甚至上亿的资金挽回。
每个清收关联对象的调查数目也有变化，以前对于一个不良资产可能查3个子公司，调查20个人就结束，因为不知道该找什么人谈话，不知道该去什么地方看。用大数据以后调查的人和企业的数量增加了20倍之多，因为知道该去哪儿找这些人，调查对象多了，直接导致挽回率大幅度提高。
前面是整个大数据企业仓库在应用方面支持投前，投后，以及不良资产清收所作出的一些工作以及他们在实际应用当中所取得的效果。我们这个系统在第一线有非常详细的应用，在技术方面已经有很详细的工作，有机会再跟大家分享。
QCon北京2017将于4月16日~18日在北京·国家会议中心举行，精心设计了互联网广告系统实践、大数据实时计算与流处理和金融科技转型与未来等30来个专题，将邀请来自Google、Facebook、阿里巴巴、腾讯、百度、美团点评、爱奇艺等典型互联网公司的技术专家，分享技术领域最新成果。
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点