金融科技：数据篇

金融科技领域的数据，从数据结构角度观察，分为结构化数据、半结构化数据和非结构化数据；从数据所有权角度观察，分为自有数据和第三方数据；从数据作用角度观察，分为营销类数据、风控类数据、财务类数据等。不同角度观察，可以梳理不同数据划分类型。

我结合自己的项目经验，从风控类和营销类两个方面来介绍所用到的数据集。

01风控类数据

凡是对于风控有作用的数据，都可以纳入风控类数据。

风控与信用紧密关联，有人说，所有数据都是信用数据，符合一定的逻辑。

我在做风控模型和规则的时候，用到过这些数据，罗列如下。

1） 用户属性数据

比方说，用户的性别、年龄、学历、婚姻状态、工作单位、工作年限、住址、收入情况

2）用户的征信数据

个人征信数据获取和应用，全方位了解的个人资信情况。

3）用户的终端数据

终端是入口，通过授权获取相关信息，比方说APP列表信息、短信信息、通讯录信息、设备信息、GPS信息等

4）用户授权运营商数据

运营商数据包括用户信息数据、通话数据、短信数据、流量数据、费用数据等。

5）用户授权社保数据

用户社保数据包括用户信息数据、用户缴纳社保明细数据等。

6）用户授权电商数据

用户电商数据包括用户信息数据、用户地址数据、用户电商消费详单数据等。

7）名单库数据

名单库包括白名单、灰名单和黑名单库数据。

黑名单库数据从手机号码、身份证号、设备号、IP、邮箱、银行卡等关键要素构建黑名单库。

8）贷中贷款和还款数据

用户贷款信息，用户额度数据，用户还款计划表，用户还款明细等。

9）贷后的催收数据

用户逾期数据，用户催收策略数据，用户失联数据等。

02 营销类数据

我用过与营销类相关数据集，简述如下。

1）用户基本信息数据

2）用户的产品数据

用户已经使用的产品清单和详情数据

3）用户过往营销类数据

用户过往各种方式（触点方式+产品类型+营销时机）营销的数据

4）用户的行为流数据

用户响应某种服务或者使用某种产品全流程的行为轨迹所采集的数据。

数据应用的体会。

首先，清楚所要解决的问题。

其次，以问题为导向，确定观察的维度和指标（维度+指标=指标体系）

第三，根据维度和指标，梳理所需的数据集

第四，通过数据分析和建模，获得洞见

第五，最后利用洞见指导行动，并且评估行动效果。