大数据在金融行业中的应用概况
1. 数据分析在银行客户关系管理中的应用
2. 大数据与中小微小企业信贷
针对小微企业特点及信贷风险特征实施业务全过程风险识别与控制。
1) . 需要积攒大量的客户信息用于建立模型，计算违约概率和风险损失 。
2) . 主要通过小微企业所在行业、经营时间、营业收入、现有资金、营业地点、信用记录、资产负债和往来这几个方面对贷款审请进行打分授信。
3). 全程跟踪监管，关注小微企业的各个经营环节。
4). 制定风险贷款挽救、转化和处理机制。
阿里小贷业务的成功可以看出，拥有海量业务生态数据的平台以及完善的信用信息体系对于开展小微企业信贷业务的重要性，只有尽可能的收集各种各样的客户信息，才能解决贷款业务信息不对称问题。
3. 第三方支付与网络欺诈
使用数据挖掘反欺诈的基本步骤:
1) 了解应用领域，获取先验知识，定义知识发现的目标。
2) 搜集数据，创建目标数据集。
3) 数据清理和预处理，去除数据噪声，处理遗失信息、归一化等。
4) 数据降维和投影：针对具体问题，找到关键特征。
5) 使用聚类、预测、关联规则挖掘、回归、分类 、异常检测等模型发现上标。
4. 大数据与供应链金融
1) 供应链金融与传统融资的区别
2) 供应链金融中的风险
2.1) 企业所在供应链的经济环境、政策环境、行业处所处周期。
2.2）供应链中核心企业的信用水平：发展前景，偿债能力，盈利能力，运营能力，信贷历史。
2.3) 贸易关系：与核心企业年均贸易量及波动性，贸易可替代性，违约情况、信息化程度。
2.4) 授信用途：资金使用风险、融资担保风险。
3) 供应链融资模式
3.1) 应收帐款融资: 以核心企业开出的应收帐款单为质押，申请不超过应收帐款年限的贷款。
3.2) 保兑仓融资：以指定仓库的仓单作为质押贷款，银行控制中小企业的提货权。
3.3) 存货质押融资：以存货作为质押物申请贷款。
4）中小企业信用评分的发展阶断
专家分析(5C分析、五级分类) -> 统计分析(线性判别分析，Logistic回归) -> 人工智能(神经网络、决策树、贝叶斯分类 、支持向量机等)
