如果能夠引入外部數據，還可以進一步加快數據價值的變現。外部數據中比較好的有社交數據、電商交易數據、移動大數據、運營商數據、工商司法數據、公安數據、教育數據和銀聯交易數據等。
大數據在金融行業的應用範圍較廣，典型的案例有花旗銀行利用 IBM 沃森電腦爲財富管理客戶推薦產品，並預測未來計算機推薦理財的市場將超過銀行專業理財師；摩根大通銀行利用決策樹技術，降低了不良貸款率，轉化了提前還款客戶，一年爲摩根大通銀行增加了 6 億美金的利潤。
從投資結構上來看，銀行將會成爲金融類企業中的重要部分，證券和保險分列第二和第三位，如圖 1 所示。下面將分別介紹銀行、證券和保險行業的大數據應用情況。
一、 銀行大數據應用場景
比較典型的銀行的大數據應用場景集中在數據庫營銷、用戶經營、數據風控、產品設計和決策支持等。目前來講，大數據在銀行的商業應用還是以其自身的交易數據和客戶數據爲主，外部數據爲輔以描述性數據分析爲主，預測性數據建模爲輔，以經營客戶爲主，經營產品爲輔。
銀行的數據按類型可以分爲交易數據、客戶數據、信用數據、資產數據等 4 大類。銀行數據大部分是結構化數據，具有很強的金融屬性，都存儲在傳統關係型數據庫和數據倉庫中，通過數據挖掘可分析出其中的一些具有商業價值的隱藏在交易數據之中的知識。
國內不少銀行已經開始嘗試通過大數據來驅動業務運營，如中信銀行信用卡中心使用大數據技術實現了實時營銷，光大銀行建立了社交網絡信息數據庫，招商銀行則利用大數據發展小微貸款。如圖 2 所示，銀行大數據應用可以分爲 4 大方面：客戶畫像、精準營銷、風險管控、運營優化。
圖 2 銀行大數據應用的 4 大方面
1）客戶畫像
客戶畫像應用主要分爲個人客戶畫像和企業客戶畫像。個人客戶畫像包括人口統計學特徵、消費能力、興趣、風險偏好等數據；企業客戶畫像包括企業的生產、流通、運營、財務、銷售和客戶數據，以及相關產業鏈的上下游等數據。需要指出銀行擁有的客戶信息並不全面，基於銀行自身擁有的數據有時候難以得出理想的結果，甚至可能得出錯誤的結論。
例如，如果某位信用卡客戶月均刷卡 8 次，平均每次刷卡金額 800 元，平均每年打 4 次客服電話，從未有過投訴，如果按照傳統的數據分析，該客戶是一位滿意度較高，流失風險較低的客戶，但是，如果看到該客戶的微博，得到的真實情況是，工資卡和信用卡不在同一家銀行，還款不方便，好幾次打客服電話沒接通，客戶多次在微博上抱怨，該客戶的流失風險較高。所以銀行不僅僅要考慮銀行自身業務所採集到的數據，更應整合外部更多的數據，以擴展對客戶的瞭解。
① 客戶在社交媒體上的行爲數據
通過打通銀行內部數據和外部社會化的數據，可以獲得更爲完整的客戶畫像，從而進行更爲精準的營銷和管理，例如，光大銀行建立了社交網絡信息數據庫。
② 客戶在電商網站的交易數據
通過客戶在電商網站上的交易數據就可以瞭解客戶的購買能力和購買習慣，從而幫助銀行評判客戶的信貸能力。例如，建設銀行將自己的電子商務平臺和信貸業務結合起來，阿里金融根據用戶過去的信用即可爲阿里巴巴用戶提供無抵押貸款。
③ 企業客戶的產業鏈的上下游的數據
如果銀行掌握了企業所在的產業鏈的上下游的數據，則可以更好地掌握企業的外部環境發展情況，從而預測企業未來的狀況。
④ 其他有利於擴展銀行對客戶興趣愛好的數據
還有其他有利於擴展銀行對客戶興趣愛好的數據，如網絡廣告界目前正在興起的 DMP 數據平臺的互聯網用戶行爲數據。
2）精準營銷
在客戶畫像的基礎上，銀行可以有效地開展精準營銷
① 實時營銷
實時營銷是根據客戶的實時狀態來進行營銷的，例如，根據客戶當時的所在地、客戶最近一次消費等信息有針對性地進行營銷。當某客戶採用信用卡採購孕婦用品時，可以通過建模推測懷孕的概率，並推薦孕婦類喜歡的業務。也可以將客戶改變生活狀態的事件（換工作、改變婚姻狀況、置居等）視爲營銷機會。
② 交叉營銷
交叉營銷就是進行不同業務或產品的交叉推薦，例如，招商銀行可以根據客戶交易記錄進行分析，有效地識別小微企業客戶，然後用遠程銀行來實施交叉銷售。
③ 個性化推薦
銀行可以根據客戶的喜好進行服務或者銀行產品的個性化推薦，例如，根據客戶的年齡、資產規模、理財偏好等，對客戶羣進行精準定位，分析出其潛在的金融服務需求，進而有針對性地營銷推廣。
④ 客戶生命週期管理
客戶生命週期管理包括新客戶獲取、客戶防流失和客戶贏回等。例如，招商銀行通過構建客戶流失預警模型，對流失率等級前 20% 的客戶發售高收益理財產品予以挽留，使得金卡和金葵花卡客戶流失率分別降低了 15 個和 7 個百分點。
現代化的商業銀行正在從經營產品轉向經營客戶，因此目標客戶的尋找，已經成爲銀行數據商業應用的主要方向。通過數據挖掘和分析，發現高端財富管理和理財客戶成爲吸收存款和理財產品銷售的主要應用領域。
① 利用數據庫營銷，挖掘高端財富客戶
利用數據庫營銷是一種挖掘高端財富客戶的有效方法。銀行可以從物業費代繳服務中尋找高端理財客戶。通過幫助一些物業公司，特別是包含較多高檔樓盤的物業公司，進行物業費的代扣代繳，銀行可以依據物業費的多少，來識別高檔住宅的業主。
例如，銀行可以從數據庫中發現物業費代扣金額超過 4000元的客戶，然後結合其在本行的資產餘額，進行鍼對性的分析，從而可以幫助銀行找到一些主要資產不在本行的高端用戶，爲這些用戶提供理財服務和資產管理服務。某家股份制商業銀行曾經利用該營銷方法，在兩個月內吸引到十多億的存款。
② 利用刷卡記錄來尋找財富管理人羣
高端財富人羣是所有銀行財富管理重點發展的人羣。中國具有上百萬的高端財富人羣，他們平均可支配的金融資產在一千萬人民幣。高端財富人羣具有典型的高端消費習慣，覆蓋奢侈品、遊艇、豪車、手錶、高爾夫、古玩、字畫等消費場景。銀行可以參考
POS 機的消費記錄，結合移動設備的位置數據識別出這些高端財富管理人羣，爲其提供定製的財富管理方案，吸收其成爲財富管理客戶，增加存款和理財產品銷售。③ 利用外部數據找到白金卡用戶
白金信用卡主要面對高端消費人羣，是信用卡公司希望獲得的高價值用戶。儘管這些人羣很難通過線下的方式進行接觸，但是銀行可以通過參考客戶乘坐頭等艙的次數、出境遊消費金額、境外數據漫遊費用等來發現這些潛在的白金卡客戶。通過與其他行業的消費信息進行關聯分析發現潛在客戶是典型的大數據關聯應用消費場景。
3）風險管控
利用大數據技術可以進行對中小企業貸款風險的評估和對欺詐交易的識別，從而幫助銀行降低風險。
① 中小企業貸款風險評估
信貸險一直是金融機構需要努力化解的一個重要問題。爲數衆多的中小企業是金融機構不可忽視的客戶羣體，市場潛力巨大。但是，中小企業貸款償還能力差，財務制度普遍不健全，難以有效評估其真實經營狀況，生存能力相對比較低，信用度低。
據測算，對中小企業貸款的平均管理成本是大型企業的 5 倍左右，而風險成本卻高很多。這種成本、收益和險的不對稱導致金融機構不願意向中小企業全面敞開大門。
現在，通過使用大數據分析技術，銀行可通過將企業的生產、流通、銷售、財務等相關信息與大數據挖掘方法相結合的方式進行貸款風險分析，從而量化企業的信用額度，更有效地開展中小企業貸款。例如，“阿里小貸”依據會員在阿里巴巴平臺上的網絡活躍度、交易量、網上信用評價等，結合企業自身經營的財務健康狀況進行貸款決定。
“阿里小貸”首先通過阿里巴巴 B2B、淘寶、天貓、支付寶等電子商務平臺，收集客戶積累的信用數據，包括客戶評價數據、貨運數據、口碑評價等，同時引入海關、稅務、電力等外部數據加以匹配，建立數據模。
其次，通過交叉檢驗技術輔以第三方驗證確認客戶的真實性，將客戶在電子商務平臺上的行爲數據映射爲企業和個人的信用評價，並通過評分卡體系、微貸通用規則決策引擎、風險定量化分析等技術，對地區客戶進行評級分層。
最後，在風險監管方面，開發了網絡人際爬蟲系統，可獲取和整合相關人際關係信息，並通過設計規則及其關聯性分析得到風險評估結論，再通過與貸前評級系統的交叉驗證，構成風險控制的雙保險。
② 欺詐交易識別
銀行可以利用持卡人基本信息、卡基本信息、交易歷史、客戶歷史行爲模式、正在發生行爲模式等，結合智能規則引擎進行實時的交易反欺詐分析，例如，IBM 金融犯罪管理解決方案幫助銀行利用大數據有效地預防與管理金融犯罪；摩根大通銀行利用大數據技術追蹤盜取客戶賬號或侵入自動櫃員機（ATM）系統的罪犯。
4）運營優化
大數據分析方法可以改善經營決策，爲管理層提供可靠的數據支撐，使經營決策更加高效、敏捷，精確性更高。
① 市場和渠道分析優化
通過大數據，銀行可以監控不同市場推廣渠道尤其是網絡渠道推廣的質量，從而進行合作渠道的調整和優化，同時，銀行也可以分析哪些渠道更適合推廣哪類銀行產品或者服務，從而進行渠道推廣策略的優化。
② 產品和服務優化
銀行可以將客戶行爲轉化爲信息流，並從中分析客戶的個性特徵和風險偏好，更深層次地理解客戶的習慣，智能化分析和預測客戶需求，從而進行產品創新和服務優化。例如，興業銀行通過對還款數據的挖掘來比較區分優質客戶，根據客戶還款數額的差別，提供差異化的金融產品和服務方式。
③ 輿情分析
銀行可以通過爬蟲技術，抓取社區、論壇和微博上關於銀行以及銀行產品和服務的相關信息，並通過自然語言處理技術進行正負面判斷，尤其是及時掌握銀行以及銀行產品和服務的負面信息，及時發現和處理問題；對於正面信息，可以加以總結並繼續強化。同時，銀行也可以抓取同行業的正負面信息，及時瞭解同行做得好的方面，以作爲自身業務優化的借鑑。
二、 證券行業數據應用場景
證券行業的主要收入來源於經紀業務、資產管理、投融資服務和自由資金投資等。外部數據的分析，特別是行業數據的分析有助於其投融資服務和投資業務。
證券行業擁有的數據類型有個人屬性信息（如用戶名稱、手機號碼、家庭地址、郵件地址等）、交易用戶的資產和交易紀錄、用戶收益數據。證券公司可以利用這些數據和外部數據來建立業務場景，篩選目標客戶，爲用戶提供適合的產品，提高單個客戶收入。
證券行業需要通過數據挖掘和分析找到高頻交易客戶、資產較高的客戶和理財客戶。藉助於數據分析的結果，證券公司就可以根據客戶的特點進行精準營銷，推薦針對性服務。
如果客戶平均年收益低於 5%，交易頻率很低，就可以建議其購買證券公司提供的理財產品。如果客戶交易比較頻繁，收益也比較高，那麼就可以主動推送融資服務。如果客戶交易不頻繁，但是資金量較大，就可以爲客戶提供投資諮詢服務，激活客戶的交易興趣。客戶交易的頻率、客戶的資產規模和客戶交易量都是證券公司的主要收入來源，通過對客戶交易習慣和行爲的分析，可以幫助證券公司獲得更多的收益。
除了利用企業財務數據來判斷企業經營情況以外，證券公司還可以利用外部數據來分析企業的經營情況，爲投融資以及自身投資業務提供有力支持。
例如，利用移動 App 的活躍和覆蓋率來判斷移動互聯網企業的經營情況，電商、手遊、旅遊等行業的 App 活躍情況完全可以說明企業的運營情況。另外，海關數據、物流數據、電力數據、交通數據、社交輿情、郵件服務器容量等數據可以說明企業經營情況，爲投資提供重要參考。
目前，國內外證券行業的大數據應用大致有以下 3 個方向：股價預測，客戶關係管理和投資景氣指數預測。
1）股價預測
2011 年 5 月，英國對沖基金 Derwent Capital Markets 建立了規模爲 4 000 美金的對沖基金。該基金是基於社交網絡的對沖基金，通過分析 Twitter 的數據內容來感知市場情緒，從而指導進行投資，並在首月的交易中實現盈利，其以 1.85% 的收益率，讓平均數只有 0.76% 的其他對沖基金相形見絀。
麻省理工學院的學者，根據情緒詞將 Twitter 內容標定爲正面或負面情緒。結果發現，無論是如“希望”的正面情緒，還是如“害怕”“擔心”的負面情緒，其佔總 Twitter 內容數的比例，都預示着道瓊斯指數、標準普爾 500 指數、納斯達克指數的下跌。
美國佩斯大學的一位博士則採用了另外一種思路，他追蹤了星巴克、可口可樂和耐克三家公司在社交媒體上的受歡迎程度，同時比較它們的股價。他發現，Facebook 上的粉絲數、Twitter 上的聽衆數和 Youtube 上的觀看人數都和股價密切相關。另外，根據品牌的受歡迎程度，還能預測股價在 10 天、30 天之後的上漲情況。
2）客戶關係管理
① 客戶細分
客戶細分是指通過分析客戶的賬戶狀態（類型、生命週期、投資時間）、賬戶價值（資產峯值、資產均值、交易量、佣金貢獻和成本等）、一交易習慣（週轉率、市場關注度、倉位、平均持股市值、平均持股時間、單筆交易均值和日均成交量等）、投資偏好（偏好品種、下單渠道和是否申購）及投資收益（本期相對和收益、今年相對和收益和投資能力等），來進行客戶聚類和細分，從而發現客戶交易模式類型，找岀最有價值和盈利潛力的客戶羣，以及他們最需要的服務，更好地配置資源和政策，改進服務，抓住最有價值的客戶。
② 流失客戶預測
券商可根據客戶歷史交易行爲和流失情況來建模，從而預測客戶流失的概率。例如，2012 年海通證券自主開發的“給予數據挖掘算法的證券客戶行爲特徵分析技術”主要應用在客戶深度畫像及基於畫像的用戶流失概率預測中。
通過對海通 100 多萬樣本客戶、半年交易記錄的海量信息分析，建立了客戶分類、客戶偏好、客戶流失概率的模型。該項技術通過客戶行爲的量化分析來測算客戶將來可能流失的概率。
3）投資景氣指數預測
2012 年，國泰君安推出了“個人投資者投資景氣指數”（簡稱“31指數”），其通過一個獨特的視角傳遞個人投資者對市場的預期、當期的風險偏好等信息。國泰君安研究所通過對海量個人投資者樣本進行持續性跟蹤監測，對賬本投資收益率、持倉率、資金流動情況等一系列指標進行統計、加權彙總後，得到了綜合性投資景氣指數。
“31 指數”通過對海量個人投資者真實投資交易信息的深入挖掘分析，來了解交易個人投資者交易行爲的變化、投資信心的狀態與發展趨勢、對市場的預期及當前的風險偏好等信息。在樣本選擇上，國泰君安研究所選擇了資金在 100 萬元以下、投資年限在 5 年以上的中小投資者，樣本規模高達 10 萬，覆蓋全國不同地區，所以，這個指數較爲有代表性，在參數方面，主要根據中小投資者持倉率的高低、是否追加資金、是否盈利這幾個指標，來看投資者對市場是樂觀還是悲觀。
“31 指數”每月發佈一次，以 100 爲中間值，100~120 屬於正常區間，120 以上表示趨熱，100 以下則是趨冷。從實驗數據看，從 2007 年至今，“31 指數”的漲跌波動與上證指數走勢的擬合度相當高。
三、 保險行業數據應用場景
保險行業主要通過保險代理人與保險客戶進行連接，對客戶的基本信息和需求掌握很少，因此極端依賴外部保險代理人和渠道（銀行）。在競爭不激烈的情況下，這種連接客戶的方式是可行的。但是隨着互聯網保險的興起，用戶會被分流到互聯網渠道，特別是年輕人會更加喜歡通過互聯網這個渠道來滿足自己的需求。未來線上客戶將成爲保險公司客戶的重要來源。
保險行業的產品是一個長週期性產品，保險客戶再次購買保險產品的轉化率很高,所以，經營好老客戶是保險公司的一項重要任務。保險公司內部的交易系統不多，交易方式比較簡單，數據主要集中在產品系統和交易系統之中。保險公司的主要數據有人口屬性信息、信用信息、產品銷售信息和客戶家人信息等，但是缺少客戶興趣愛好、消費特徵、社交等信息。
保險行業的數據業務場景是圍繞保險產品和保險客戶進行的，典型的數據應用有，利用用戶行爲數據來制定車險價格，利用客戶外部行爲數據來了解客戶需求，向目標用戶推薦產品等。
例如，依據個人屬性和外部養車 App 的活躍情況，爲保險公司找到車險客戶；依據個人屬性和移動設備位置信息，爲保險企業找到商旅人羣，推銷意外險和保障險等；依據家人數據和人生階段信息，爲用戶推薦理財保險，壽險，保障保險，養老險，教育險等；依據自身數據和外部數據，爲高端人士提供財產險和壽險等；利用外部數據，提升保險產品的精算水平，提高利潤水平和投資收益。
保險公司也需要同外部渠道進行合作，以開發出適合不同業務場景的保險產品，如航班延誤險、旅遊天氣險、手機被盜險等新的險種。目的不僅僅是靠這些險種盈利，還是找到潛在客戶，爲客戶提供其他保險產品。另外，保險公司應該藉助於移動互聯網連接客戶，利用數據分析來了解客戶，降低對外部渠道的依賴，降低保險營銷費用，提高直銷渠道投入和直銷銷售比。
總而言之，保險行業的大數據應用可以分爲 3 大方面：客戶細分及精細化營銷、欺詐行爲分析和精細化運營。如圖 1 所示。
1）客戶細分和精細化營銷
① 客戶細分和差異化服務
風險偏好是確定保險需求的關鍵。風險喜好者、風險中立者和風險厭惡者對於保險需求有不同的態度。一般來講，風險厭惡者有更大的保險需求。在進行客戶細分時，除了利用風險偏好數據外，還要結合客戶職業、愛好、習慣、家庭結構、消費方式偏好數據，利用機器學習算法來對客戶進行分類，並針對分類後的客戶提供不同的產品和服務策略。
② 潛在客戶挖掘及流失用戶預測
保險公司可通過大數據整合客戶線上和線下的相關行爲，通過數據挖掘手段對潛在客戶進行分類，細化銷售重點。保險公司通過大數據進行挖掘時，可綜合考慮客戶的信息、險種信息、既往出險情況、銷售人員信息等，篩選出影響客戶退保或續期的關鍵因素，並通過這些因素和建立的模型“對客戶的退保概率或續期概率進行估計，找出高風險流失客戶，及時預警，制定挽留策略，提高保單續保率。
③ 客戶關聯銷售
保險公司可以通過關聯規則找出較佳的險種銷售組合，利用時序規則找出顧客生命週期中購買保險的時間順序，從而把握保戶提高保額的時機，建立既有保戶再銷售清單與規則，促進保單的銷售。藉助大數據，保險業還可以直接鎖定客戶需求。
以淘寶運費退貨險爲例，據統計，淘寶用戶運費險索賠率在50%以上，該產品給保險公司帶來的利潤只有5%左右。但是客戶購買運費險後，保險公司就可以獲得該客戶的個人基本信息，包括手機號和銀行賬戶信息等，並能夠了解該客戶購買的產品信息，從而實現精準推送。假設該客戶購買並退貨的是嬰兒奶粉，我們就可以估計該客戶家裏有小孩，可以向其推薦兒童疾病險、教育險等利潤率更高的產品。
④ 客戶精準營銷
在網絡營銷領域,保險公司可以通過收集互聯網用戶的各類數據，如地域分佈等屬性數據，搜索關鍵詞等即時數據，購物行爲、瀏覽行爲等行爲數據，以及興趣愛好、人脈關係等社交數據，在廣告推送中實現地域定向、需求定向、偏好定向、關係定向等定向方式，實現精準營銷。
2）欺詐行爲分析
欺詐行爲分析是指基於企業內外部交易和歷史數據，實時或準實時預測和分析欺詐等非法行爲，包括醫療保險欺詐與濫用分析，以及車險欺詐分析等。
① 醫療保險欺詐與濫用分析
醫療保險欺詐與濫用通常可分爲兩種：一種是非法騙取保險金，即保險欺詐；另一種則是在保額限度內重複就醫、浮報理賠金額等，即醫療保險濫用。保險公司能夠利用過去數據，尋找影響保險欺詐的更爲顯著的因素及這些因素的取值區間，建立預測模型，並通過自動化計分功能，快速將理賠案件依照濫用欺詐可能性進行分類處理。
② 車險欺詐分析
保險公司能夠利用過去的欺詐事件建立預測模型，將理賠申請分級處理，可以很大程度上解決車險欺詐問題，包括車險理賠申請欺詐偵測、業務員及修車廠勾結欺詐偵測等。
3）精細化運營
① 產品優化
過去保險公司把很多人都放在同一風險水平之上，客戶的保單並沒有完全解決客戶的各種風險問題。使用精細化的數據分析，保險公司可以通過自有數據及客戶在社交網絡的數據，解決現有的風險控制問題，爲客戶制定個性化的保單，獲得更準確及更高利潤率的保單模型，給每一位顧客提供個性化的解決方案。
② 運營分析
運營分析是指基於企業內外部運營、管理和交互數據分析，藉助大數據平臺，全方位統計和預測企業經營和管理績效，基於保險保單和客戶交互數據進行建模，藉助大數據平臺快速分析和預測再次發生的或新的市場風險、操作風險等。
③ 保險銷售人員甄選
保險銷售人員甄選是指根據保險銷售人員業績數據、性別、年齡、入司前工作年限、其他保險公司經驗和代理人人員思維性向測試等，找出銷售業績相對較好的銷售人員的特徵，優選高潛力銷售人員。
四、補充：其他行業的應用
**互聯網行業 **藉助於大數據技術分析用戶行爲，進行商品推薦和針對性廣告投放。
金融業大數據在高頻交易、社交情緒分析和信貸風險分析三大金融創新領域發揮重大作用。
製造業利用工業大數據提升製造業水平，包括產品故障診斷與預測、分析工藝流程、改進生產工藝，優化生產過程能耗、工業供應鏈分析與優化、生產計劃與排程。
汽車行業利用大數據和物聯網技術的無人駕駛汽車，在不遠的未來將走入我們的日常生活。
電信行業利用大數據技術實現客戶離網分析，及時掌握客戶離網傾向，出臺客戶挽留措施。
餐飲行業：利用大數據實現餐飲O2O模式，徹底改變傳統餐飲經營方式。
**能源行業：**隨着智能電網的發展，電力公司可以掌握海量的用戶用電信息，利用大數據技術分析用戶用電模式，可以改進電網運行，合理設計電力需求響應系統，確保電網運行安全。
物流行業：利用大數據優化物流網絡，提高物流效率，降低物流成本。
城市管理：利用大數據實現智能交通、環保監測、城市規劃和智能安防。
生物醫學：大數據可以幫助我們實現流行病預測、智慧醫療、健康管理，同時還可以幫助我們解讀DNA,瞭解更多的生命奧祕。
公共安全領域：政府利用大數據技術構建強大的國家安全保障體系，公共安全領域的大數據分析應用，反恐維穩與各類案件分析的信息化手段，藉助大數據預防犯罪。
個人生活： 大數據還可以應用於個人生活，利用與每個人相關聯的“個人大數據”，分析個人生活行爲軌跡，爲其提供更加周到的個性化服務。
大數據的價值遠不止於此，大數據對各行各業的滲透，是推動社會生產和生活的核心要素。