展开

关键词

2017年数据报告

二是通过大数据、云计算等手段,在风险防范、风险管方面实现了线上化和批量化。 其中,大数据技术解决了消费金融乃至小微金融领域的效率瓶颈。 目前,有能力推动大数据的主要为国有大行、股份制银行等大型银行,以及部分城商行等。互联网巨头、三运营商等由于掌握了庞大的个人数据,也开始加入到这一市场中来。 从国内金融机构应用大数据的情况看,主要将大数据应用在客户画像领域,包括风险管、运营优化、业务创新、优化营销策略等。 “白名单”主动预授信 在消费金融中,银行、互联网金融等机构开始采用前置的白名单邀请制,商业银行将主动授信用于实际业务,这是对以往被动授信模式的颠覆。 就国内商业银行而言,将风险评分等技术手段引入信用贷款模型,是一些银行信用贷款业务爆发、不良下降的核心原因。

80600

为本创新驱动,券商如何实现智能加速?

如何融合信息技术与证券业务,不断地通过先进的科技手段,通过数据的汇聚和分析,通过智能化的探索,为各业务板块的核心竞争力赋能,是各大券商关注的重点。 合规始终是公司的首要核心竞争力,该券商不断推进全面风险管理体系建设,需要全方位提升主动合规控管理能力,进而提升风险管理精细化、智能化水平。 面临挑战 该券商的数据基础主要来自于业务系统的关系型数据库的数据,需要在数据基础之上实现数据的运营。而由于合规处于企业核心竞争力的高度,原数据积累10年,数据量已超30TB。 解决方案 沃趣科技以QData高性能数据库云平台作为数据库基础架构平台替换原传统“烟囱式”系统架构,承载合规核心数据库系统,助力业务处理效率大幅提升。 价值提升 1 通过QData数据库云平台大幅提升了系统的业务效率,日终调度业务从原十几个小时缩短至1.5小时,性能提升10倍以上。

23610
  • 广告
    关闭

    腾讯云图限时特惠0.99元起

    腾讯云图是一站式数据可视化展示平台,旨在帮助用户快速通过可视化图表展示大量数据,低门槛快速打造出专业大屏数据展示。新用户0.99元起,轻松搞定数据可视化

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    智能系统设计与实践

    在信息安全领域,建立在人工智能技术之上的策略引擎已经深入到了产品功能的方方面面,相应的,每一个策略系统都离不开大量的特征,来支撑模型算法或人工规则对请求的精准响应,因此特征系统成为了支持线上风引擎的重要支柱 本文以智能在线特征系统为原型,重点从线上数据从生产到特征物料提取、计算、存取角度介绍一些实践中的通用技术点,以解决在线特征系统在高并发情形下面临的问题和挑战。 特征系统的基本概念 1. 在线实时特征系统设计与实践,对从整体功能上来讲,在线实时特征系统的设计主要考虑以下几个方面: a) 数据系统每天产生日志量3TB左右,同时特征系统还会接入发布、浏览、登录、注册、聊天等数据。 b) 时效性高,面对庞大的数据量级,数据的处理实效性要求是秒级别,同时不能产生数据堆积的情况。 c) 并发策略系统面向用户端,服务端峰值QPS超过35万,每日调用量超过200亿次。 总结和规划 本文主要以智能在线特征系统为原型,提出了在线特征系统的一些设计思路。其中特征工程系统的边界并不限于特征的解析、计算、存取等。

    84720

    数据体系-简介

    早期传统金融的主要利用了信用属性强大的金融数据,一般采用20个维度左右的数据,利用评分来识别客户的还款能力和还款意愿。 结合中国互联网发展,以及目前的征信监管要求,对可用数据及可用数据做一个全面的梳理。 2.数据来源 2.1 数据应用逻辑 常见流程中,客户准入时提供的资信材料有限,业务机构数据体量不足,仅仅根据内部风险数据进行风险评估会非常片面,无法全面的把某位客户的风险情况,所以通常需要依赖于第三方供应商提供数据作风支撑 未来百行能不能有效被使用上还有待观察,但人员可先了解其相关的资料。百行征信涉及的模块,主要包括以下方面: 报告相关数据:报告时间;查询原因;查询结果等。 4.2 明确需求 建议:回顾第二节数据应用逻辑关于业务类型、风险类型、流程、风险画像等的介绍。

    1.5K63

    蚂蚁金服总监王黎强:智能助力新金融

    本文为数据猿现场直播“蚂蚁金服总监王黎强:智能助力新金融”的发言实录。 以下是数据猿现场直播“蚂蚁金服总监王黎强”的发言实录: 事实上,阿里、蚂蚁大部分技术能力是通过在业务场景里解决一个又一个的具体问题所构建起来的,我们的智能体系也是一样。 第三阶段,大数据智能体系,我们通过人工经验跟机器自身的学习,构建了一套智能体系,这里面既做到了提前感知风险,又做到了风险自适应,而不是所有的风险防去用人工的方式做修正,而更多的是通过机器智能的方式进行整个体系的自我修复 通过多年的努力,我们构建了一套全方位立体化智能体系,这里我可以分享几个数据: 第一个数据是一百毫秒。 举个例子,我们整个体系就像人的骨骼,数据是人的血肉,AI是人的大脑,三者有机结合在一起,构成了我们整个智能体系的框架。然后高效实时的运作起来,是蚂蚁金服智能体系的第一个优势。

    1.2K61

    中的大数据

    的意义 何为?字面含义就是对于风险的控制从而使财务不受到损失。对于任何一家金融机构(包括银行,小贷,P2P等)来说,的重要性超过流量、体验、品牌这些人们熟悉的指标。 做得好与坏直接决定了一家公司的生与死,而且其试错成本是无穷的,往往一旦发现出了问题的时候就已经无法挽回了。截止到2015年底,全国总共3000多家P2P平台里超过三分之一已经倒闭。 国际上传统的方法 的核心是要准确预测每一笔借款违约概率。显而易见,这需要量化的工具,也就是模型。 ◆◆◆ 4.机构在大数据领域的探索 我们所说的"大数据"并非指绝对的样本量的巨大,而是把常规的信贷征信数据以外的信息统一称为"大数据"。 大数据的挑战 伴随着机遇同样也有挑战。就像要有美味的菜肴,我们既需要好的材料,也需要好的厨师,当前大数据中运用的挑战主要还是在数据和人才这两方面。

    1K120

    2018中国大数据调研报告:百亿大数据市场

    22420

    机器学习与大数据

    一个普遍的看法是,机器学习等人工智能技术会最先在金融领域落地。金融行业是最早实现信息化的行业,有丰富的数据积累,且对于用技术提升效率有更多的需求。 但机器学习在中的作用究竟如何,有哪些关键技术,其优势与缺点又有哪些呢?本期硬创公开课,雷锋网邀请百融金服风险总监郑宏洲,来讲讲机器学习与大数据的那些事。 嘉宾介绍: 郑宏洲,百融金服风险总监。 带领团队搭建多家银行风体系,负责量化管理和风险策略优化多年。 ? 雷锋网:今年人工智能很火,机器学习与深度学习等词甚至被很多非业内人熟知,那金融行业对机器学习的态度是怎么样的? 大数据是量化的一种新形式,出现主要的条件是,现代社会是一个信息社会,在信息和数据上极大的膨胀,这给我们有更全面衡量个体风险的机会。 区别于传统技术,大数据是在方法论上做了相应的革新。风险,即不确定性。风险管理实际上就是做量化风险。大数据是将贷款主体各个方面的属性维度做全面风险的量化。

    1.1K80

    【案例】某城商银行——消费金融大数据智能体系应用

    数据猿导读 项目以“内外部大数据的应用”、“实时风技术的落地”、“智能体系 的搭建”和“云化系统的探索”为基础,与客户一同形成一套整体化的新型大数据智能解决体系,项目落地后取得了较好的效果 本项目以“内外部大数据的应用”、“实时风技术的落地”、“智能体系的搭建”和“云化系统的探索”为基础,与客户一同形成一套整体化的新型大数据智能解决体系,项目落地后取得了较好的效果。 客户名称/所属分类 项目名称《某城商银行消费金融场景大数据智能体系》。 从如下项目构架图可以看到整个项目包括大数据接入平台(BOX)、大数据中间件(BOL)、智能决策平台(BOD)3部分。 ? 、其它互联网金融机构提供大数据智能服务,在行业享有一定的知名度和美誉。

    1.4K41

    【金融数据】消费金融:大数据那点事?

    数据同传统在本质上没有区别,主要区别在于模型数据输入的纬度和数据关联性分析。 大数据作为传统方式补充,主要利用行为数据来实施风险控制,用户行为数据可以作为另外的30%客户的有效补充。 风险评估过程中,如果数据纬度不全,高相关数据没有被考虑进来,对模型是一个的风险。信用风险评估模型缺少了重要风险因素的输入,其评估结果的偏离度就会较大,评估结果失效的可能性就很大。 大数据可以从数据纬度和分析角度提升传统水平,是一个必要的补充,可以让传统更加科学严谨,但是不是取代传统的模型和数据。 第二种是利用共享贷款数据机制,第三方企业或者的P2P,防欺诈联盟共享贷款平台的贷款记录。其他贷款平台可以依据申请人在其他平台的贷款记录来决定是否提供贷款,降低欺诈风险。

    1.5K51

    中必做的数据分析

    数据领域就没有不做数据分析的,大数据也不例外。 我的观点是和其他互联网业务都是互通的,本文介绍下风中必做的数据分析,用以说明数据分析是一通百通的。 工欲善其事,必先利其器。 数据分析平台,开源的有metabase,收费的有tableau,都可以连接数据库实时交互,并提供丰富的智能仪表盘。 01 业务理解 如果一家金融机构聘请你给他们的业务做咨询,你知道怎么办吗? 别告诉我,你想硬搬建模比赛的那套东西。不要掉价。 解决方案一定是针对当前业务和用户客群独家定制的。 vintage分析把不同期的样本放在了一起,可以用来观察不同期客群风险的变化,然后确定是流量本身的变化,还是宏观形形势的变化,还是策略的变化等等。 如大家所见,在领域所在的数据分析,应该和其他互联网领域的数分并无本质区别。 因为和其他业务一样,本质都是用户生命周期管理。基于相同的底层逻辑,数据分析必然也并无二致。

    23930

    中的大数据和机器学习

    本篇文章只关注个人信用借款的。抵押贷,企业贷不在讨论范围中。 ◆ ◆ ◆ 1. 的意义 何为?字面含义就是对于风险的控制从而使财务不受到损失。 做得好与坏直接决定了一家公司的生与死,而且其试错成本是无穷的,往往一旦发现出了问题的时候就已经无法挽回了。截止到2015年底,全国总共3000多家P2P平台里超过三分之一已经倒闭。 机构在大数据领域的探索 我们所说的“大数据”并非指绝对的样本量的巨大,而是把常规的信贷征信数据以外的信息统一称为“大数据”。 大数据的挑战 伴随着机遇同样也有挑战。就像要有美味的菜肴,我们既需要好的材料,也需要好的厨师,当前大数据中运用的挑战主要还是在数据和人才这两方面。 2015年4月,基于8年累计的行业内最大最长的信贷历史数据,拍拍贷发布了业内第一个基于大数据建模的系统—魔镜。自从上线以来,魔镜在有效地控制风险的同时,也极大地提高了效率。 ?

    49930

    金融科技发力,智能投顾、大数据、人脸支付或成主题

    人脸支付、智能投顾、大数据,金融科技开始发力 前段时间,淘宝造物节上无人超市的画面让我们至今仍然记忆犹新,或许我们从来就没有想到过科技能够给我们的生活带来这么多的便利,在未来的生活中,我们只需要去超市选购心仪的商品即可 而在国内,以同花顺为代表的互联网金融信息服务有限公司早早地便推出了智能投顾的服务,而以BAT为代表的互联网巨头们则从各自的领域着手开展了智能投顾的服务,如蚂蚁聚财、京东智投等,而传统的金融机构也不例外, 除了智能投顾之外,金融科技在上的应用同样让这个困扰着金融行业很久的难题得到了解决。 借助来源于不同渠道、不同行业的大数据,我们能够告别传统的以调查为主要基础的手段,将单一的、片面的转变成为较为全面、角度的,在减少项目出现概率的同时,同样能够让投资用户的收益得到保障,避免互联网金融时代诸多 进入到金融时代以后,我们就能够借助新的技术手段,通过分析用户在不同行业的数据信息,确定用户的投资承受能力,用户的偏好,用户的投资的体验等诸多维度的信息,通过将这些信息进行整合,我们能够优化互联网金融时代的产品

    47670

    【案例】大型持牌消费金融公司——智能体系构建

    一方面由于客群下沉,可获得的用户信息愈发受限,数据质量参差不齐,传统经验无法直接应用,急需利用先进技术来提升能力; 另一方面互联网金融往往小额量大,基于人工的成本过高,用自动化的数据智能体系来提升整个流程的效率也是必然的发展趋势 实施过程/解决方案 上述三个方面的挑战贯穿的各条业务线,此次案例的解决方案着眼于核心的反欺诈和授信两个阶段来阐述如何解决这几个问题,并构建一整套完整的申请贷前体系。 企业介绍: 氪信CreditX是一家独立的第三方金融人工智能公司,致力于在金融风险领域运用高维数据处理和机器学习技术,为企业和金融机构提供场景化的解决方案和产品体系。 氪信提供一整套基于大规模机器学习框架的自动化引擎和数据风险服务,旨在业务的整个工作阶段提供完整的功能服务。 前者包括先进的建模平台和在线执行引擎,解决不同场景下的智能化问题;后者基于氪信图谱,利用复杂集成建模技术输出场景化的数据风险服务。

    1.1K81

    互联网金融中的数据科学

    宜人贷数据数据科学家王婷根据自己在行业的实践经验和专业知识,从三方面来分享互联网金融中的数据科学。 ? 背景 有了互联网之后,大家可以在线上进行理财借款。 传统都是使用一些基于规则的手段。线上随着用户量和数据量越来越大,我们会使用一些数据科学技术进行线上反欺诈中规则的提取或智能欺诈风险发现。 但在国内没有权威的征信机构来提供这些数据,对于互联网金融公司来说,收集这样的数据难度非常。而且传统评分卡的有效特征挖掘非常困难。 欺诈风险:欺诈风险包含了伪冒申请和欺诈交易。 建模中的数据科学 ? 在整个中,它是一个标准的机器学习流程。除了样本和数据与普通互联网机器学习不一样之外,其它基本都是一致的。 FinGraph是线上风险统中关键的一环 ? 总结:数据科学在互联网金融中发扬 图挖掘技术可以把风工作,从局部考量提升到全局考量。

    1.2K50

    电商社交数据在大数据的应用实践

    投稿来自卧龙大数据(公众号:DataWoLong) 大数据文摘欢迎各类优质稿件 请联系tougao@bigdatadigest.cn 随着普惠金融业务的深入,以及消费金融业务竞争的白热化,针对信用白户的显得尤为重要 如何面向信用白户进行快速有效的信用评级,卧龙大数据根据自己的实践经验,就电商、社交数据上的应用价值与大家进行一些分享。 数据匹配率可以达到50%及以上,具有较大的大数据分析潜力。 实名制的普及带来的是号码资源稀缺,最大化价值利用是黑产平台的主要特点,这也给我们基于大数据的反欺诈提供了线索。 三、电商社交数据建模应用 信用评估一直是金融领域的重中之重。 附:公司介绍 卧龙大数据专注于用大数据服务金融行业,利用互联网跨域关联数据为金融行业提供、营销相关的“数据、技术和解决方案”。

    1K40

    金融数据管理——海量金融数据离线监控方法

    作者:housecheng  腾讯WXG工程师 |导语  解决金融数据监控“开发门槛高”“重复工作多”的痛点,实现PSI计算性能十倍速提升。 背景 在金融业务上,质量和稳定是生命线,我们需要对所有已经上线的要素,如策略、模型、标签、特征等构建监控。 在过去,我们部署监控的方式为: 要素负责同学在要素上线前,通过spark\sql完成对监控指标的运算并例行化; 将监控指标运算结果出库mysql\tbase,用于指标的展示和告警; 告警系统轮询指标是否异常 ,如多数要素都涉及PSI计算,只是告警阈值不一样;指标出库、配置告警等同样是重复相似操作。 小结 针对金融要素监控的“开发门槛高”“重复工作多”等问题,本文提出了“统一监控计算与检查工具”这一解决方案,本文详细论述了该方案TaskMaker、 Calculator、 Checker等各个模块的设计实现

    48610

    相关产品

    • 全栈式风控引擎

      全栈式风控引擎

      腾讯云全栈式风控引擎(RCE)是针对电商、O2O、P2P、游戏、支付等行业在促销活动中遇到“羊毛党”恶意刷取优惠福利的行为时,通过防刷引擎,精准识别出“薅羊毛”恶意行为的活动防刷服务,避免了企业被刷带来的巨大经济损失。

    相关资讯

    热门标签

    活动推荐

    扫码关注腾讯云开发者

    领取腾讯云代金券