来源：金融大数据观察

金融行业都在经历着高难度的转型，转型中有痛，也有坑。在参考成功案例外，也有必要借鉴失败经验。

1先说成功案例：

第一个例子是Capital One精准营销的项目，这个案例曾被华尔街报道并被很多公司模仿。

公司业务总是要求不断增长，但销售或者市场总有遇到瓶颈之时，大数据技术到底能不能有效地将客户引导到你的平台上来?

傅晓敏介绍，他们首先要做的，是如何利用各种数据让客户来了之后快速地在30秒之内匹配合适的信用卡。不同人群的上网时间、方式不一样，因此，就需要利用客户的浏览行为来进行判断。

第二，通过上网的信息（比如说IP地址）迅速定位到客户的地点，这个地址可以帮助我们很快地匹配人口统计数据。当时美国刚刚经历了金融危机，房贷的坏账率是和位置数据非常相关的，通过位置信息就可以判断房价等因素。

同时匹配这个人是否为银行已有的客户，历史交易状况如何？将这些数据输入到一个模型里面，形成一个引擎，在十秒之内就能清楚地匹配到很准确的产品，可以将银行收益比例提高30%。

第二个例子是反欺诈问题。

电信欺诈、金融欺诈是非常严重的问题，目前国内从政府到各个层面已经逐渐提高防欺诈意识，同时也意味着很多领域都要做大量防欺诈工作。

那么，怎样快速鉴定欺诈的人群和交易行为？这需要很多的数据支撑。

一个是交易数据，包括海量交易数据、附近商户数据、社交链行为数据，比如刷卡行为发生的时间、交易特征、刷卡商户附近居住的人群社交量的数据，以及与刷卡商户平时发生交易的特定客户的行为特征。不过这个反欺诈是不完全准确的，总会有一些漏网之鱼，也总会因为“假阳性”造成不好的用户体验，这就需要利用多维度数据反复验证、比较、不断优化。

二是建立数据模型，通过机器学习技术，不断加入新纬度的数据来提高模型的准确性，目前已经阻止78%的欺诈行为。但高科技犯罪的人是道高一尺魔高一丈，还要防止他们建立模型进行破坏。

2再说失败案例：

第一个失败案例是谷歌的，其科学家团队开发的预测美国流感发生趋势的大数据模型，想要根据谷歌五年的历史搜索数据里面的关健词，预测美国流感从什么地方传播到什么地方。

为什么会失败呢？

一是，搜索的人并不知道流感和普通感冒的区别，不一定是得流感的人在搜索，也可能是头疼，而这个模型将此进行了过度关联。

另外一个原因是恐慌因素，比如旁边一个州的人发生了流感，另外一个州的人要做准备，谷歌误认为这个流感已经到这里了，同样是过度关联的结果。

第二个案例，是中小企业贷款的大数据模型。

在美国有几个互联网金融公司专做中小企业贷款。但是中小企业贷款涉及的数据更复杂，而且中小企业涉及到整个行业非常特殊的一些数据，比如非标准的财务报表和不同行业、不同范式的合同，他们没有很专业的知识，是很难理解或者很难有时间把它准确挖掘出来。

当时想用一个很完美的模型把所有的问题都解决掉，比如把市场和信贷的解决方案全部用一个模型来解决，但因为数据的复杂程度，最后证明这种方法是失败的，而且90%的时间都在做数据清理。

这就说明，想通过大数据技术一下子解决所有的问题是很难成功的，而是要用抽丝剥茧、循序渐进的方式。

美国经验能给我们带来哪些启示？

1.大数据是一种技术，但首先是一种思维。

如何在日常商业运作中，把大数据作为出发点，而不是当成技术来考虑，是非常重要的思维转变。

2. 加强基础建设，尤其是数据采集体系。

项目要从一开始就要提前规划，而不是进行到一定程度再找数据。

3. 可视化，可视化，可视化。重要的事情说三遍。

如果数据不能让你的决策层充分或者非常简明的看出它的重要性，尤其是对决策的重要性，基本上就是没有用处的。因此，不管数据有多大，显现出来的效果一定要简洁明了。

4. 小步走，不停地试错。

通过上文的失败案例，我们得到的教训就是“如果你想把所有的事情一下做好反而不会成功”。要通过明显的阶段性的大数据成果带来直接效益，让公司决策层增强信心，这样会让客户的感受度更好。

5. 不断学习，切忌跟风。

技术发展速度快得让人觉得三天不学习就落伍了，这也是很困扰大家的事情。怎么办？

傅晓敏建议，可以关注和追踪新技术的发展，但不要一味地跟风和模仿。如果发现对你有用的方法可以先拿过来做出一定的成绩，在充分掌握现有信息的基础上，再学习和加强对新技术的认知。