集奧聚合CDO丁磊
大家好！我叫丁磊，之前沒開過網易也沒有養過豬，我在美國負責PayPal大數據平臺，之前大數據的應用在國內國外有經驗積累，跟大家分享。
今天聽眾不是特別多，可以跟大家有比較深入的互動交流。
之前我也說到，我在PayPal負責大數據平臺，美國信用比較完善體系下和國內互聯網金融如火如荼形勢下做金融是一個有趣的未必，這兩種環境非常不一樣，如何使用大數據如何使用大數據推動金融往前走，可以有一個交流，整個演講沿著這個思路來的。
簡單介紹一下公司，集奧建立于2011年，我們在多家城市都有分支機構，并且有幾家子公司，包括愛圖數創，大數據廣告投入，匯百川是風控領域的公司，維塔信也是風控，上海親信是2C領域的。
我們為客戶提供產品和解決方案，為客戶創造商業價值的模式。
我們在長期積累過程中逐漸演化出兩大跟金融相關平臺，這兩大平臺是我今天演講的主題之一，我想順著這兩大平臺結合金融行業實際應用場景跟大家分享我們對于大數據驅動性金融的認識。
一個是營銷，一個是風控，這兩個是金融行業比較核心業務。
營銷平臺，我們武裝能力就是業界唯一的一家根據金融產品設置的平臺，金融機構可以根據不同的金融產品，信用卡、理財等等找到他們的感興趣的客戶，我們給客戶提供比較好的體驗，在銀行、金融機構增加客戶價值機會的機會。我們平臺根據營銷場景進行個體化推薦，這也是大數據比較常見的應用場景，但是我們平臺能夠在金融行業切得非常細，非常精準為客戶提供價值，跟他們用戶產生最直接最有效的對話和溝通。
第三，我們能夠根據用戶屬性和偏好用戶選擇的這么一項功能。
風控平臺，目前市面上結合運營商數據一家比較大的驗征平臺，檢驗金融機構客戶自稱他們的客戶，我叫丁磊，身份證是多少，我們平臺提供有效驗證服務。
小額信貸領域提供相關風控經驗，有一些客戶跟他進行深入合作。
成熟的風控算法和模型，主要這兩大平臺，我們給金融機構帶來價值，讓用戶端的體驗變得更加好，讓他們更加好獲得金融產品服務。
這兩大平臺有兩大特點。
第一，聚合多方數據源，我們集團作為大數據服務商，集合很多數據源，運營商數據、互聯網數據，第三方數據，我們平臺本身聚合整合大量數據源。
第二，在聚合大量數據源基礎上，我們進行了分析加工、數據挖掘、提煉過程，這兩大特點是兩大平臺背后共有的屬性。
下面再介紹集奧大數據建模平臺，前面面向金融機構，這個平臺是后端，我們從事一些建模包括我們給金融機構分析人員提供建模的平臺，這個平臺有這么幾個特點。
第一，大規模的運營化、模塊化的平臺。
第二，很直接給金融機構分析人員使用這么一個平臺。我想在座很多位對金融建模有體會和認識，我們這個平臺很大的價值能夠支持金融機構分析人員自主靈活建模，而不是每一個建模任務都經過很冗長冗余的技術處理，我們平臺把大部分這樣的過程自動化、簡便化處理，金融機構分析人員只要把自己的業務邏輯寫在里面就可以快速建立模型。
下面我說平臺的流程。主要三大塊。
第一，ETL數據整合，包括統一的標識。ETL就變成格式化數據，金融機構包括客戶提供給我們原始數據，經過組建加工以后變成格式化的數據。
第二，特征提取，我們從大量的格式化已經處理好的數據提取出我們認為對金融機構或者金融機構自己分析人員認為對它業務能夠有提升，相當于有很多信號的數據，這些過程包括數據過濾轉化聚合等過程。經過這個模塊處理進入模型訓練過程，包括特征選擇、數據建維、優化等組建，整個過程是一個持續迭代運營化的邏輯。
我們建立一個模型可以采用比較人工方法，那個在金融機構耗時比較好，營銷模型、風控模型需要三到六個的時間，我們每個模塊有定制文件，通過一種簡化的模塊化并且圖形化交互方式，我們可以使金融機構人員很容易建立它的模型，并且經過非常詳細檢驗，確保模型質量前提下降低模型建立的周期，這是我們比較偏后端，大數據建模核心思想和理念，在這里跟大家做分享。
下面說完了集奧公司產品和平臺布局，我們想說說金融市場。
金融市場是非常大的空間，大金融的生態系統里包括一些相對比較傳統的商業形態好比銀行、保險機構等等，也包括相對新的行業形態，P2P公司、小貸金融公司等整個體量是非常大的，我想有幾個數字非常有趣，2007年據可靠預測，消費信貸規模會27萬億，新增的信用卡量有一億張，這是非常大的體量，通過大數據為金融機構提供服務有市場空間和前景，大家看看這些數據。
下面一句話總結一下我們演講主旨，我想傳達的一個觀點，金融服務將由數據資源豐富而變得更加有效和普惠，下面結合這個點，結合這個主旨再展開進一步和大家的討論。
下面思路會順著這兩個平臺，金融營銷平臺和金融風控平臺結合實際案例和大家討論，為什么用大數據資源、數據挖掘讓金融變得有效和普惠。
金融營銷平臺，一個企業、一個金融機構在客戶生存期里跟客戶建立有效共同和對話，使客戶的價值提升并且為客戶創造比較好的體驗，這個就是營銷解決的實質的問題
第一潛客轉化，讓潛客變成客戶這是第一個階段解決的問題。
第二階段，潛客跟客戶金融機構跟他有一個互動，生存期里的溝通和對話。
第三，體量和提升，客戶成為你的客戶，有使用一定產品的經驗，如何提升這個客戶對金融機構的價值，如何使客戶體驗更好。
最后，防止客戶流失，流失預警和激活應用場景在這兒。每一個模塊，平臺上都有相應的產品和服務為金融機構提供相應的技術支持和服務。
第一個模塊，潛客轉化，我們給市場上的潛客根據金融機構包括自己的產品線給自己打分，我更某一個銀行一個理財產品，在座一個聽眾對另外一個銀行的理財產品傾向性更高，我們對每一個系統進行系統化的打分。
第二，新客戶互動，潛客剛剛成為金融機構新客戶，金融機構對他的數據掌握比較少，我們通過客戶聚類，把你新客戶跟你原來的聚類進行對比，發現如何挖掘現有聚類的價值來為新客戶制定相應營銷策略，這個在早期提升用戶價值是非常有益的手段。
第三，存量客戶，我們有相對比較多的用戶屬性和記錄，我們給他制定產品推薦，有產品推薦引擎。
最后防止流失，有流失預警和激活的服務，一個客戶一旦流失對服務機構損失相對比較大，我們在客戶流失前做出一定的預警，一個消費者一個銀行客戶有這些先兆可能離開一個銀行機構，之前有行為特征，我們通過自身整合數據源包括銀行內部自己的數據源可以做數據挖掘的服務來向銀行提醒，金融機構跟他溝通，防止客戶成為真正的流失客戶，這是營銷環節最后一部分，防止流失。
順著這個思路，我舉一個案例，向大家闡述為什么營銷平臺會給我們金融行業客戶帶來價值。
我下面舉的實際用戶例子，這個用戶有一百元的活期存折，沒有信用卡，從傳統角度看他是高價值客戶還是低價值客戶？從傳統金融機構視角來看他肯定低價值客戶，沒有高價值的金融產品使用經驗，他的賬戶也是非常不活躍，傳統金融機構視角通過一系列的結論是低價值客戶。
同樣一個客戶，在大數據支持下有如下的特征，關注互聯網理財，每年兩次的旅行、關注房地產市場，每周五天在外地，同樣是高價值還是低價值。這是高價值的用戶，通過兩種不同的數據描述，雖然對同一個人有這么大的反應上的偏差，大數據給我們提供的一個價值。
傳統金融機構用到的數據跟投資理財金融相關的數據，數據作用非常大，但是很可能忽略大數據維度，通過不同角度、棱鏡我們看到視角完全不同。
我們營銷平臺所采用的方法結合金融機構的視角，這些變量通常是比較強的變量，在大數據支持下也得充分發揮這些數據的價值，結合了我們在大數據視角下整合的第三方包括金融機構自己自身數據，這些數據整合在一起，我們為客戶提供貼身服務和精準溝通。通過建模平臺支持下，我們可以給客戶，一個用戶在最佳的時間、位置和設備上推薦最佳金融產品，當然有一系列的營銷場景和方式選擇，包括什么時間跟用戶溝通，他是早上還是晚上，他對一個廣告或者說一個信息的響應率最大，這個時間可以優化，營銷渠道，每個人關注營銷渠道不一樣，有些人用微博比較多，有些人在微信活躍時間比較長。
營銷具體的方式，什么樣的內容讓用戶接受，并體現他對一個金融機構的價值。
我們為客戶推薦如下產品，海外旅游信用卡、知曉銀行高收益理財，兒童大病醫療保險。
我想總結一下金融機構數據價值很大，結合第三方、結合大數據源我們對客戶有更精準的理解，從而給金融機構的客戶提供更準確的服務，這是金融營銷平臺主旨之一。
我們分成營銷平臺和風控平臺，風控業務是金融行業最核心的業務之一，金融風控實質在信貸生存期各個節點上降低風險，風控做的實質內容，有幾步。
第一，貸前。
第二，貸后，用戶得到貸款，進一步貸后溝通。
第三，催收管理。
在每一個信貸生存期每一個節點我們都是相應數據產品和服務。好比在身份驗證階段，我們有客戶驗證產品，驗證你是你，你去銀行申請貸款，我們產品可以通過你的數據結合我們數據源驗證是你生成的數據身份。
第二，反欺詐這個環節，我們有反欺詐系統，通過各種整合的數據源包括銀行自己的數據源來鑒別，哪些申請人可以是有欺詐嫌疑，有欺詐嫌疑申請人對銀行是非常高危的人群，通常銀行直接拒絕貸款或者線下人工溝通，我們系統提供這樣的服務，讓銀行審批人員結合我們系統做出最優的判斷。
第三，信用評分。信用評分在反欺詐環節后，在銀行金融機構里決定給申請人是否受信，受信額度的服務。有些人信用分比較，他就獲得一筆貸款，貸款額度可以給他相對比較高的額度。
在大數據這端做的建模的過程，通過我剛才說大數據建模平臺，我們為每一個銀行客戶打上一個分，分值比較高，銀行傾向于給他放貸，如果分數比較低，就不給他放貸。
貸后管理有一個逾期預測過程。在已經批貸這些人群中幫助金融機構預測，哪些人更可能逾期，就更大逾期傾向性，銀行或者金融機構跟他進行比較深入溝通，防止真正逾期行為發生。
最后催收，銀行機構的客戶發現逾期行為，如何幫助銀行進行對話和溝通，讓這筆欠款收回，這里有很多大數據建模和預測的業務在里面。
整個流程就是我要說的如何用集奧金融風控平臺解決風控生存期各個業務實際需要。
同樣我想舉一個實際例子，這么一個人，他是剛剛踏入社會，每月收入不高，工作時間不長，現金結算，從未有過信貸記錄。銀行會不會給他發信用卡，肯定不會。
我想同樣這么一個人，整合這些大數據的維度，把我們說的數據維度，好比說穩定水電媒通訊網絡繳費記錄、看電影、近郊旅游、熱衷于軟件開發的交流，參與網絡教育，我還想讓大家猜一猜，結合這些維度，大家能給他發信用卡還是不能給發信用卡？我想這個答案，結合這些信息維度，行為穩定有愛心、興趣廣泛，健康向上取決于銀行自身風險偏向性，這個答案是yes。根據我們之前收集到歷史數據，哪些人更可能違約，哪些人欠款，行為相對比較穩定，就像這位客戶一樣，有一些比較穩定繳費行為，并且他有廣泛的興趣，通俗來說比較正能量行為活動在那里，通過大數據分析和建模平臺我們給他打上的分是yes，可以在銀行獲得寬，在大數據維度相比傳統金融機構的視角獲得貸款，這就是大數據金融眼光，如何通過膠片上所顯示大數據的維度，把這些數據給信用化，從而為金融機構做出更好的貸款決策提供依據。
剛才說到金融營銷平臺和風控平臺，結合實際具體例子向大家闡述，為什么通過大數據幫助金融機構，幫助銀行幫助小貸公司包括P2P公司提供相應的營銷和風控上的決策。下面我想舉實際的，更加量化的案例讓大家進一步描述和分享，我們平臺的能力包括如何用平臺為金融客戶提供價值。
營銷和風控兩個案例描述。
左邊我寫的案例幫助某手機銀行激活，他實際困擾，手機銀行激活率非常低，我們給他制定營銷方案，通過定制化的權益，給他提供一個互聯網公司來的優惠券或者對消費者有用福利刺激來讓銀行消費者激活手機銀行這端業務，因為這些客戶大部分都是銀行凈值客戶，銀行無法很好做出營銷活動的方案，我們結合自己的數據源包括銀行有的一些數據進行建模分析的過程，就幫助銀行給他手機銀行還沒有激活客戶做了營銷活動，營銷活動上我們根據客戶習慣向客戶推薦了他最感興趣的權益，通過客戶最感興趣的權益我們增加手機銀行激活率，提升43%，比傳統方法提高了近20個百分點，這是之前的案例進行比較得到的結論。
右邊是一個風控相關模型。我們給小貸公司建模，一個人信用比較好有比較正能量的行為，通過大量數據分析，行為建模，我們為小貸公司建立了基于大數據，風險評估的模型，通過模型，KS值，通過實際測試超過40%，還是比較令人滿意的數值。具體說一下，我能夠幫助金融機構通過80%的申請，80%在某群體下的這些申請人我能給他做出放貸的決策，逾期率只有1.3%，如果我放60%的話，我放更少的人這些人信用就更加高，根據我的模型逾期率更加低，總體模型集奧包括我們服務的金融機構都是比較滿意的數字。
通過這個案例闡述，通過金融平臺一些數據的描述，我想跟大家再總結一下我們集奧關于大數據驅動金融觀點。
大數據營銷和風控能夠使金融服務更加有效和普惠。我的演講到此結束，謝謝大家！
