2016年大数据在金融领域的10大趋势
2015 年对于银行和金融业公司来说是一个开局之年，在这一年中他们继续用大数据来帮助他们进行业务和组织架构的演进。现在，放眼2016年将要面对的，我们猜测金融服务公司为了利益最大化进而不断整合大数据环境而言，他们面前的路依旧漫长。 银行家们也正在起草大数据战略，制定入门和随后的用例。对于银行来说，大数据主要还是围绕，减少风险，符合监管。在可见的未来处于第一梯队的大型金融集团都会继续围绕大数据展开各种动作。在低端市场，一些中小型的公司（经纪、资产管理、区域银行、顾问等）能够更快速的适应大数据平台（云平台和本地部署），这些都帮助他们构建能够支撑复杂业务的大型系统，同时这些系统也都是比他们大的竞争对手所必须面对的。这块市场因此能够快速成长（对比那些大银行所关注的长期而规范的和成本为主的项目）能够马上看到更加直接收入贡献和战略（概念/实验）项目 。对于大数据软件提供商和服务提供商来说，市场已经到了一个银行业必须要接受的爆发点上。大家都要在高可用、大规模、内部管控和面向客户活动方面有一些措施。同时，这些内容和我们看到的云技术的发展路线有所不同。下面给大家展示几个大数据技术发展方向的预测，和这些发展带来的变化如何影响金融服务业：机器学习将会加速发展，同时大批量的应用在反欺诈和风控领域。数据科学家人才本身的供需关系将会朝着更加平衡的方向发展。在反欺诈和风控领域将会使用更加成熟的技术来改善风控模型本身，并且加速发展实时分析监控和预警。这些快速的发展和变化会来自于业界领导者的传授和在现实世界的实践与应用。
业界领导和进步缓慢者之间的差距将会越来越大。每一年我们都能看到银行为了适应新技术而加大油门快速前进，同时在组织架构方面非常保守。业务和用户在2016年都将要激增而且会非常多变，结果就是在广阔的市场导致更强的可观察到的和可衡量的业务大量回归（不只是成本的下降）。
数据治理，血统和其他的合规性方面问题将会更加深入的集成到大数据平台中去。为了找到一个能够在合规性方面提供更强大功能的数据解决方案，许多银行都购买或者开发了 单点解决方案，再不行就是用已经运行很多年的传统解决方案平台，但是这些解决方案都无法应对现今大规模爆发的数据。幸亏现在有越来越多的Hadoop改进方案来进行，改善血统和提供数据质量。更重要的是，这些新数据平台能够超越Hadoop平台达到传统数据存储的效果，并且做的更加大容量，更快，且在细节上达到合规性要求。此外在2016年我们将继续看到为（RDARR）中心服务的叫做“数据湖”方面的更多进展。
金融服务业正在利用物理网数据方面做出努力。这一波浪潮正是抓住大数据吸引力炒作/发力的好时机，同时金融服务应用的为题也很多。物联网数据在许多行业应用中已经实践（电信，零售，制造业）这些行业驱动了物联网的数据的需求并且处于垄断地位。那么对于银行来说物联网数据是否能够用在ATM或者移动银行业务中？这些都是在明年的多渠道实时数据流中值得探索的。例如，实时，多渠道的商业行为可以使用物联网数据对银行零售客户在正确的时间点提供适时的报价 。或许我们反过来想想，金融公司可以将自己的服务内嵌植入到用户的某种“东西”或者设备或者其他和客户接触的点上，不在那些交易设施 上，而是在家。
与贸易，投资组合管理和咨询申请集成成为软件供应商的一个显著特点。 鼓吹与“从大数据获得更多利益”相关的新闻头条越奏越响。最终，这些观点都将被金融终端用户、可见的利益（或者不可见、无法衡量的利益）还有易用性等因素决定。大数据平台的建设核心将要提供的就是一个桥梁就是大数据，并且将其锐化突出。我们已经看到了市场数据供应商最喜欢的动作，但是并没有其他商业用户的应用，那么朝这个方向努力（CRM，OMS/EMS等）。
风险控制和监管数据管理将继续成为顶级大数据平台的重要任务。增长和用户中心相关的商业行为将稳坐战略合作列表第一的位置，会有很多的公司会把未来的战略与大数据关联起来。不论你的银行是不是发达的数据驱动的公司不断变化发展的规律还是面对大量的挑战，朝着预测发展的都是一条漫长的道路，同时也是一个必要的需求和被公司首席高官确认有意义的事。除非老天开恩或者监管机构放松要求，否则风险控制和监管仍然是2016年所有金融机构的首要挑战。
金融服务业采用Hadoop作为关系型数据库进行存取将会大大增加。大家在不同的时间使用了相同的技术之间并没有任何差别。 “长尾”效应还很遥远，但是中小型银行将会从Hadoop的以下几方面获益：
供应商将整合整套集成解决方案，服务，平台
用户社区持续成长，并能提供一个基础参考作为突破口
数据降载成为当今Hadoop一个“经典”应用（相对来讲），同时许多大数据专家继续再更大的数据集合上前进，未来将会有更多的普通人加入到大数据应用的行列。
8. 金融服务“大数据终结app”理论在市场得到了越来越多的认可。FinTech 已经孵化了2-3年，形成了大数据平台和用户间从前端到终端的连接。希望看到更多的银行作为证明概念来运行这些应用，这些实践将检验软件所提供的“完整解决方案”的基础。前端到终端和后端都应进行整合，而不是分割。大家可以看到市场迅速的从服务集成扩展到后端，这将迎来银行业的关于如何定位“大数据软件”和“传统软件” 的激烈讨论。
9. 变化来了，获得前进动力的最后一次机会。随着越来越多的高可靠大数据平台的出现，安全专家，深层次的丰富元数据，集成LEI和其他标准成为一个严峻的现实。传统的数据的方法是有效的，只是需要一些思想来充分利用新的解决方案-例如处理架构和数据建模。更深一层，随着大数据工作在前台，市场营销和风险控制方面形成的工作模式，我们能够看出这里面在办公的中后期业务上有明显和巨大的数据重叠部分，这些重叠能够很容易的应用在现有的数据湖中。我们预计，在中等的商业风险评估与性能相关的大数据的商业行为将迅速增加。更进一步，我们将看到关于如何切实带来后台功能的更深层次的交流(合作等)。
10. 银行的机构方将开始采用并从零售业务的方式来获取线索增进对于市场目标客户的了解。有一些纯B2B的公司利用大数据来改善客户商情，但是大部分时候他们处于B2C业务的不利地位，信用卡业务，银行零售业，财富管理或者借贷业务。一个简单的跨界就是基金的配置（大型共同基金经理）从财富顾问网络和经纪人相互作用来改善数据收集的过程,同时也提高产品利用率。一旦被从客户群中移除，这对于共同基金通常是非常重要的，所以加强对于机构客户的理解显得尤为重要。
信任仍然是许多大型银行的使用新供应商“大数据”的主要因素。换句话说，当你展望2016年，将会有很大的来自管理层的推动力，来把大数据项目移出IT然后放到商业用户手中。为了达成目的，我们需要考虑架构，功能，速度，可用性，安全性等问题。与往常一样，采用传统的严谨性以全新的架构布局并没有改变，传统架构将的成本和缓慢的进展将开始在新的Hadoop表现和融合的大数据的架构过程中逐步展现。
更进一步，将来一定会有更加强大的工具来处理现有的工作，例如数据治理，数据质量，参考数据管理，标准。这将要求各方持续的教育，即那些IT意外的继续教育。用以了解市场的快速发展。最后，针对平衡开源和供应商解决方案将展开长期讨论。不是所有的开源项目设计之初就符合机构客户，开源项目传递了一种敏捷性需求开发—每个银行的需求都在不停的变化，为大数据找到合适的点才是更加重要的。总而言之，2016年的市场将会不断前行，混乱随之减少，同时会使大数据的海洋变得风平浪静。
原文： 译者：袁璞，圣特尔oE店宝大数据架构师，关注高性能或可用架构、大数据技术、机器学习。 审校：朱正贵 责编：仲浩
没有更多推荐了，为什么说大数据风控是互联网金融必然趋势？
近日，壹理财资产端合作公司言禹普惠信审政策与数据部高级经理Jason针对大市场前沿性风控理念发表了观点,此文主要就“建立大数据模型降低信用风险，补充和促进传统金融业务”提出建设性意见。对于互联网金融而言，风控是核心竞争力。而风控最关键的还是积累数据源，将客户特征按照数据库的规则来进库根据动量环境和用户需求不断更迭计算方法进行分析、建模、匹配。目的在于让大数据协助判断信用风险，而不只是依赖风控人员对人工算法的主观判断。P2P平台去担保化是趋势，本质就在于，是否有独立的能力筛选到优质的借款人，而不是依赖于担保公司。大数据风控，是互联网金融乃至传统金融风控的必然趋势，它的发展将会给金融领域带来巨大福音。关于大数据（bigdata）——指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。以下来自言禹普惠的部分观点：一、什么是大数据风控大数据风控在近几年成为了各个平台在创新信用管理和风险管理方面的一种新思路，其核心理念在于通过大数据核心算法和信用模型，在收集各种维度数据基础上，结合互联网化评分和信用管理模型，最终达到风险控制的目的。在现阶段，绝大多数的小微金融企业，特别是小额贷款公司，基本处于凭借人工手段（Excel表格、纸质报告）来管理公司的各项数据，往往无法归纳并利用基础数据进行有效分析（或者作最简单的统计分析）。与原有人为对借款企业或借款人进行经验式风控相比，大数据风控可以很好起到降低成本、提高效率和优化客户服务的作用。目前，各大互联网金融企业均已采用大数据风控分析这一手段，蚂蚁金服、融360、拍拍贷、点融网等均开发有独立的大数据风控系统。互联网的高效性和爆发性使我们能以较低的成本、较短的时间，积累大量的用户数据，为分析建模提供足够的样本量。这种大样本量、多维度、非结构化的数据非常适合各类大数据分析处理和机器学习技术的运用。二、大数据风控能解决什么问题1.有效提高审核的效率和有效性在传统的风控审核过程中，申请人信息调查审核最为费时、费力、也最难管控，基于传统的经验审核也会造成审核结果的偏差与非有效性。引入大数据风控技术手段分析，通过多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，可以提高审核的效率和有效性。2.对欺诈风险的防范恶意欺诈用户一般不会采用真实身份借款，身份真实性识别是反欺诈的核心。身份证、银行卡、姓名、手机号四要素如果无误，欺诈概率是其他群体的1/3左右。通过大数据储存用户与各种ID对应的数据库，在用户进行借贷时进行身份匹配，能够及时辨别潜在的欺诈嫌疑用户。这些数据库包括：姓名、身份证号的实名ID，手机号、地址、银行卡号等准实名ID，QQ号、微博号、设备指纹(PC或手机硬件设备编号)等的匿名ID。3.对信用风险的防范主要指还款能力(经济实力)与还款意愿(道德风险)。大部分用户在申请阶段并非恶意，这就考验借款人对信用风险的判断，而行为数据挖掘是信用风险防范的核心。要预测借款人的信用风险，更多地需要依赖于分析海量用户的行为数据(强弱变量)，从中挖掘出可以多次复用的规律。数据显示，坐过商务仓以上或一年乘坐飞机四次以上的客户违约率较低；在本地生活方面花钱越多的人违约率越低；访问财经媒体天数越多，违约率风险越低；同一手机号使用九年以上的用户违约率大概仅为6‰；而三四线城市打游戏花钱较多的人违约率比较高。4.贷中管理及不良催收贷中管理方面，通过及时监测借款人信用的变化、共债的新增、流水的异动、联系状态的异常等数据，采用全自动的风险识别流程，提早识别风险，提高人工处理效率。消费金融不良资产，主要由道德水平不高和还款能力不强造成。据统计，70%-80%的不良资产是因为债务人失联导致，大数据网络可重新建立起与债务人的联系，通过关联匿名ID、联系家人朋友追回欠债，从而降低整体不良率。三、建立大数据风控模型在运用大数据进行风控时，需建立自身的云数据系统、风险评估模型、信用衡量体系、风险定价模型等核心产品，对自身体系内以及体系外用户的海量数据进行搜集分析，直接将数据模型应用到信贷业务中，实现完全以数据驱动产品及业务，实现企业风控的流程化、自动化。从大数据技术角度来看，任何大数据方法用于信用风险的评估，要始终坚持开发出来的模型“明确、准确和稳定”的三大特点。目前在利用大数据中的机器学习技术开发的模型当中有一些模型是明确的，也有些是不明确的。但总体而言，对于大数据和大数据技术，目前，在风险控制中，可以是在遵守一定规则上开放性使用，但是对于征信领域，在数据的来源上应当适当保守些，这主要是由于征信对评分开发模型的明确性要求更高。但是尽管如此，在数据的处理方法上，都可以进行不同的尝试和探索，因为大数据技术的发展，可以将使用的信息，包括传统的信息和现实生活中映射到互联网的各种信息极大的简化为一个分数，供放贷机构高效、便捷的使用。大数据风控的发展将会给金融领域带来巨大福音，使用大数据进行风控已成为美国等发达国家互联网金融企业的标准配置。我国的大数据风控依然还有很长一段路要走，有效扫除当前大数据风控的障碍需要各方面的共同努力。本文不代表零壹财经观点，亦不代表构成投资建议
（免责声明：本网站内容主要来自原创、合作媒体供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
合作媒体：四步拆解消费金融如何利用大数据做风控四步拆解消费金融如何利用大数据做风控香菇慢聊百家号相比人工风控，大数据风控具有更高效的批量数据清洗能力、聚类分析能力及显著的成本优势；在欺诈风险增强的趋势下，更适合应用于从获客到授信、再到投后管理的全链条风险管控。作者｜智信资产管理研究院研究员 单炯迪经历过野蛮生长期，逐渐从蓝海变为红海的消费金融行业，也慢慢明晰了行业发展所必须的四个核心要素：合规、风控、获客、资金。这其中，“风控”是贯穿各个环节的重中之重。如果仅从各家消费金融公司公布的逾期率或不良率来看，或许根本无法辨识出真正的风险有多大。因为行业发展至今，利用不同统计口径从数字上降低逾期率或不良率，已经成为“不用说的秘密”。这里需要厘清两个经常混淆的概念，即逾期率与不良率有本质上的不同。所谓逾期，是指借款到期应还而未还；而不良则要严重的多，是指逾期达到一定天数后，借款机构判断还款能力出现问题，有可能拿不回借款。现实中，不少消费金融公司为了让业绩好看，即使是对逾期率，也会利用不同统计口径玩计算游戏。如下表1是三种比较常见的逾期率统计口径，其中前两种在实际业务中运用较多，后一种运用较少。可以看出通过对分子和分母计算方式的调整，所得结果会出现千差万别，而各家消金公司在公布数据时往往极少提及统计口径。这一做法从长远来看，会导致行业整体实际不良资产数量上升，加重监管风险。如何严控风控，从本质上降低逾期率或不良率，成为消费金融行业亟待思考和解决的事情。大数据风控技术不失为一种适合的手段。相比人工风控，其具有更高效的批量数据清洗能力、聚类分析能力及显著的成本优势；在欺诈风险增强的趋势下，更适合应用于从获客到授信、再到投后管理的全链条风险管控。与此同时，使用大数据风控作为降低风险的主要手段也与消费金融行业目前面临的客群特征及行业现状有极大的关系。首先，客群征信记录缺乏。截至2016年9月初，人民银行征信系统收录的自然人数量已经超过9亿，但拥有信贷记录的仅有4.1亿人；企业数量1828万家，只有420.3万户有信贷业务记录。而消费金融所涉及的个人客群主要以蓝领工人、学生、年轻白领等相对缺乏征信数据人群为主。在缺乏征信强变量做风控支撑的情况下，就需要提取众多如消费偏好、社交联系人、娱乐偏好等弱变量数据来辅助刻画客户的风险特征。其次，贷款额度低、客户数量大。消费信贷具有小额、分散的特征，想要在较大程度上控制风控及审批的成本，必须通过海量大数据弱变量构建一套完善的贷前风控审核系统，分析出单个客户的贷前欺诈风险。第三，激烈竞争下用户体验急需差异化。在消费金融领域“千团大战”的行业背景下，在各主要竞争方资金成本接近、获客手段雷同、风控措施类似的情况下，客户体验将成为竞争中不可或缺的优势。相比于传统风控流程繁琐、用时过长等弊病，大数据风控具有线上审批流程简化、全自动快速判断等明显优势。实际上，完善的风控系统除了通过反欺诈模型筛出“黑名单”外，还可以根据客户画像分析出潜在客户，生成对于消费金融公司来说更有价值的“白名单”，贷前风控做足后，贷中监测和贷后的违约处理也是风控管理链条中的两个重要步骤。第一步：贷前构建“反欺诈模型”反欺诈模型包括行为模式撞库、社交网络聚类分析、真实唯一身份识别（交叉验证）等。具体做法上，行为模式撞库是指建立包含有已知欺诈行为各项标签的样本数据库，标签包括近期通话记录、消费记录、主要活动时间和活动地点、APP申请贷款时的操作习惯、反常行为等，然后提取每次贷款申请人的上述数据项，清洗筛选后与样本库做比对及分析。社交网络聚类分析模型是指依据提取出的申请人的社交网络数据，生成多层社交网络，然后对其进行可视化处理，从而分析出申请人是否存在骗贷的可能性。一般情况下，正常客户在社交网络圈中，跟其他客户的关联性很小，但存在骗贷可能性的客户会表现出与其他部分客户较高的关联性，这时需注意判断该客户的潜在欺诈风险，以及与其关联度高的人群是否为诈骗团伙。真实唯一身份识别（交叉验证）是整个反欺诈模型的核心。主要依赖ID Hub（个人特征身份的拓扑网络）记录了与同一用户关联的多个ID，ID包括：姓名、身份证号的实名ID，手机号、地址、银行卡号等准实名ID，QQ号、微博号、设备指纹（PC或手机硬件设备编号）等的匿名ID。通常情况下，单个客户ID数量越多意味着风险越大，如一个手机号跟多个身份证号关联，或者一个身份证号和多个手机号关联，该用户在数据库中就会进入可疑名单。在数据库中，一个用户有N个ID，每个ID都记录着用户不同的行为，不同的ID代表不同的行为。通过ID记录用户的行为，依据行为做精细化标签管理，如收入、消费能力、爱好、阅读喜好、社交偏好等，这些标签可以预测用户的还款能力、消费需求等。第二步：通过白名单筛选优质用户如果说“黑名单”帮助消费金融公司过滤掉坏人，那么“白名单”则可以实现识别出好人进而拓展为实际客户，带来长期有效获客的结果。这一做法在消费金融行业从野蛮扩张到精耕细作阶段，显得尤为重要。以微众银行的微粒贷白名单为例，腾讯控股发布的2017年中报显示，微信与WeChat的合并月活跃账户数为9.63亿，QQ智能终端月活跃账户数为6.62亿。这组大数据背后隐藏着客户社交、上网习惯、支付习惯、是否玩游戏、是否读书、搭乘飞机的频率等多种信息。通过对这些多维数据进行分析，再加上央行征信数据，可以从一定程度上判断出客户的借贷意愿、违约风险等。对于好客户，即拉入白名单数据库。第三步：贷中建立检测用户行为的风险识别预警机制获得优质客户并非风控链条的终点。消费金融公司的目标用户普遍为蓝领工人、学生、年轻白领等存在偿贷风险的群体，相比于银行的信用卡客户，这类人群的财务情况更容易发生波动和变化，所以需要风控系统去实时监测客户信用的变化、共债的新增、流水的异动、联系状态的异常等数据。通过全自动的风险识别预警机制，提早识别风险，并对客户的授信状态、贷款费率做动态调整，控制违约风向，提高人工处理效率。这样做的优势在于能够及时对贷出资产做出准确的评估，发现问题及时止损。第四步：贷后逾期或不良催收在控成本的基础上降风险贷前、贷中的风控系统并不能将风险降为零，绝大多数情况下依然会出现逾期或不还等事件。针对逾期资产，如果是小额短期资产，无需在逾期日就给予催收，这样做反而会增加运营成本及客户的反感。据调查，逾期资产大多是客户忘记或短期资金紧张所致，绝大部分最终都会偿还。而对于不良资产，就要采取适合的催收措施。据百融金服统计，70%-80%的不良资产是因为债务人失联导致，失联找回是整个行业近20年都无法解决的大难题。现在，通过大数据网络重新建立起与借款人的联系并催还欠债，已经有较多成功案例。基于大数据挖掘用户线索，可查得借款人的其他手机号、亲属信息、用户的老家信息、其他地址信息等联系信息。据百融数据统计，通过查得的电话联系借款人，触达率为16%，高于QQ、邮箱、微博等联系方式的催债效果。若不良资产的催收效果不好，又有资产出表等需求，可以考虑将不良资产转卖或者证券化。本文由百家号作者上传并发布，百家号仅提供信息发布平台。文章仅代表作者个人观点，不代表百度立场。未经作者许可，不得转载。香菇慢聊百家号最近更新：简介:每天分享更多小知识，做一个有韵味独立女人作者最新文章相关文章互联网金融产品如何利用大数据做风控？ - 知乎有问题，上知乎。知乎作为中文互联网最大的知识分享平台，以「知识连接一切」为愿景，致力于构建一个人人都可以便捷接入的知识分享网络，让人们便捷地与世界分享知识、经验和见解，发现更大的世界。<strong class="NumberBoard-itemValue" title="被浏览<strong class="NumberBoard-itemValue" title="0,166分享邀请回答751 条评论分享收藏感谢收起2017大数据风控、智能投顾等金融科技如何走进现实阅读
　　2016年即将过去，在这一年里，金融科技取代互联网金融，成为业界挂在嘴边的热词。除去宣传的成分，金融科技着实成为从BAT到互联网金融创业企业都在布局的领域，也正在普惠金融业务中发挥着重要作用。2016年可以说是金融科技的元年，2017年金融科技又会有怎样变化？
　　金融科技元年从2016正式开启
　　在运用前沿技术服务于金融业务方面，业界其实一直在探索，大数据、人工智能等技术在两三年前已经开始初步运用于金融业务，但并未引发巨大的关注。当时行业的焦点依然是如何通过互联网构建商业模式，来对接资产，毕竟当时可以开发的优质资产不少，技术的作用还不是那么重要，对接优质资产扩大交易规模是当时的第一要务。
　　进入2016年，金融科技的概念逐渐火爆，据不完全统计，整个2016年，国内外举办的金融科技论坛、峰会达到几十场。很多企业都将自己的定位从互联网金融公司调整为金融科技公司，也都在着力开发可以应用于金融方面的技术。从蚂蚁金服、腾讯、百度、京东、网易、360这样的互联网大企业，到众安保险这样的新兴起的企业，再到还在创业阶段的互联网金融企业，都在布局金融科技。科技在互联网金融发展过程中的作用达到前所未有的高度。一些企业如蚂蚁金服、百度金融、京东金融、网易金融等选择开放技术能力，为金融机构做技术支持。
　　为什么在2016年金融科技会突然火爆起来？主要有两方面原因。一方面，从2015年末开始，针对各种行业乱象，互联网金融的政策监管越来越严格，一些企业为规避监管，以金融科技自居，试图躲避监管；另一方面，资产荒的到来，使得优质资产越来越少，开发难度越来越大，需要通过技术在高风险资产和高风险人群中去识别那些被错杀的资产和客户，对资产进行信用评价进而实现更精准地定价，以覆盖可能的坏账损失。
　　金融科技元年有哪些特征？
　　发展历程：一年内金融科技从喧嚣到理性
　　在发展历程上，实际上从2015年下半年开始，蚂蚁金服、京东金融、宜信等公司纷纷将自己的定位向金融科技靠拢，但金融科技的概念还不是特别火热。进入2016年，金融科技整个一年的发展历程，基本经历了从行业喧嚣到受到质疑，再到逐步理性看待的过程。
　　在年初，经历了很多乱象的网贷行业中，很多创业公司将自己定位于金融科技公司，或真或假，或虚或实。金融科技的概念迅速火爆起来，随即也引来业界和媒体很多质疑，认为这是互联网金融行业的炒作。
　　年中以后，行业和外界对于金融科技的理解越来越理性。转变源自于两方面：
　　一方面，互联网金融领域大公司纷纷布局金融科技，或发表对金融科技的正面理解，促使金融科技的理念逐步落实。如在2016第一届中国金融科技大会上，蚂蚁金服总裁井贤栋表示，蚂蚁金服的FinTech实践，给世界金融带来了三个显著的变化：更加普惠，更加绿色，也更加安全；百度高级副总裁朱光表示，百度金融致力于成为一家真正意义的金融科技公司，利用人工智能等技术优势，升级传统金融，实现普惠金融的梦想；京东金融CEO陈生强也表示，当前的金融科技，被认为是全球第四次科技革命的一部分。如果中国的金融科技公司，抓住了这一历史机会，就会成为全球金融行业变革与进步的驱动力； 11月，众安保险宣布成立科技子公司众安科技，向金融及大健康生态圈输送金融科技能力；12月，网易也推出了大数据风控系统“北斗智能风控”，向业界开放技术能力。
　　几乎所有的互联网金融大公司都在布局金融科技，利用自己的数据和技术优势来发展金融业务，将金融科技的概念一步步做实。
　　另一方面，创业公司也在大量使用大数据、人工智能等技术来做风控、获客、理财等环节，统计显示，目前已经获得C轮融资的30家互联网金融企业中大部分都有大数据风控方面的深度尝试。
　　从大公司到创业公司，金融科技得到了普遍的应用。这使得“金融科技概念是炒作”的质疑越来越少，业界看待金融科技趋于理性，质疑的焦点正在变化，从“互联网金融公司是否真正在做金融技术”转向“大数据风控、智能投顾等金融科技应用是否有效、实用”。各种质疑都是有意义的，对于金融科技存在的问题进行了深度揭示。而金融科技想要大行其道，就需要在各种问题的解决过程中逐步完善。
　　主要应用：以大数据风控、智能投顾为主
　　在具体的应用上，目前金融科技已经出现了大数据风控、智能投顾、区块链应用、大数据保险、量化投资、通过人脸识别技术进行反欺诈等各个领域的应用。其中大数据风控、智能投顾等相对来说是目前最主要的金融科技应用；区块链的前景也被广泛看好，不过目前还处在行业布道的阶段，实际应用还较少；其他应用目前影响力还比较有限。
　　大数据风控几乎是互联网金融企业的标配。规模较大的从事借款类的互联网金融企业几乎都在布局大数据风控，大数据风控已经是必备能力。除了数据分析与挖掘，深度学习等人工智能技术也逐步应用于风控模型，使模型面对不断产生的新数据有迭代的能力。以百度金融为例，其基于积累的庞大数据体系，通过先进的建模能力，能准确识别资产的风险。
　　智能投顾也越来越普及。在资金端、理财端，从百度、京东这样的互联网企业，到蓝海智投这样的创业企业，到宜信这样的互联网金融企业，再到招商银行这样的传统金融机构，都在做智能投顾方面的尝试。
　　目前规模比较大的互联网金融业务主要集中在理财、借贷领域，智能投顾与大数据风控分别服务于理财和借贷业务，这两类应用比较普及也就不难理解了。
　　行业生态：有技术优势的企业开始开放技术能力
　　在行业生态上，目前，拥有技术能力与数据优势的公司选择将自己的技术输出给业界，将技术优势与合作伙伴在资产端、风控、资金等方面的优势结合起来，打造互联网金融新生态。蚂蚁金服、百度金融、腾讯、京东金融、众安保险、网易等都有类似的战略或行动。
　　蚂蚁金服启动了“蚂云计划”，升级金融云战略，通过整合蚂蚁金服、阿里巴巴的金融科技与服务能力，实现阿里金融云在基础技术、金融核心服务组件和场景连接能力的三大升级，未来服务全球5万家金融机构。
　　腾讯旗下金融云也早已向业界提供金融解决方案，而微众银行也输出大数据风控能力，与银行合作进行放贷。
　　已经成立一周年的百度金融也把自身的技术与能力开放出来。通过超大规模集群技术、规模化机器学习等技术以及快速迭代的风控模型，向合作伙伴输出技术能力。
　　技术开放已经成为行业的大趋势，对于开放能力的企业而言，可以借助外部的资金做大交易规模，对于接入这些能力的企业而言，补足了自身在数据和技术方面的不足，对于双方来说算是双赢的结果。
　　战略价值：金融科技取代场景成为互金发展关键要素
　　2016年，互联网金融行业发展关键要素开始发生变化，科技取代场景，成为互联网发展的最重要推动力。在以往，凭借电商等场景，互联网金融企业可以很便利地切入消费金融、供应链金融、保险等金融服务，但2016年以来，可以切入金融交易的场景基本上被开发完毕，下一步互联网金融的发展需要通过技术去识别场景意外的金融交易机会，需要通过大数据等技术对场景外的群体进行信用评价，进而进行风险定价。无论是业务拓展还是风险控制，都需要技术发挥关键作用。因此在下一步的发展中，具备技术优势的企业如百度金融等，将更具备起飞的势能。
　　2017年金融科技会有怎样的发展？
　　转眼2017年即将到来，度过了元年的金融科技会有哪些进展？在2016年，金融科技基本完成了奠基工作，涌入的企业越来越多，初期的喧嚣也逐渐过去，可以说金融科技的宣传功能已经基本没有意义了，因为大家都在发展金融科技，拥有金融科技的概念并不能帮助外界构建起对一家公司的信任。人们不再关注名称的变化，而更关注所谓的科技能否真正落地于应用，是否真正带来价值。
　　在这种背景下，金融科技在2017年会更踏实地发展，虽然不太可能出现突飞猛进的状况，外界对于金融科技的质疑也依然会持续，例如大数据风控是不是有效，智能投顾是不是忽悠，这样的观点交锋还会有，但预计科技金融会在2016年的基础上不断夯实，在解决问题中成长。具体表现可能会有以下几点：
　　第一，金融科技在互联网金融发展中的作用不断加大。表现为互联网金融企业会更多通过大数据、人工智能等技术来加强风控、获客等环节，不具备技术实力的互联网金融企业乃至传统金融企业会通过与技术公司合作的方式来引进金融技术。
　　随着网贷借款上限的规定逐步落实，互联网金融必须回归到普惠金融的定位上。企业必须聚焦于20万以下的个人借款以及100万以下的企业贷款，业务发展可以选择的路径包括：与金交所、小贷公司、担保公司等合作，由这些企业推荐项目并开发理财产品，平台对接这些理财产品；寻找有抵押或质押的标的，如房产抵押贷、汽车质押贷、信托质押贷、票据质押贷等；以及自己去开发针对普通用户和小微企业的信用贷款。对于第三种情况，如果没有大数据技术的支持来帮助获客和风控，就必须有数量可观的线下团队来做项目获取和风控，模式偏重，规模做大不易，成本也会偏高。做这类业务的企业对于金融科技会比较有需求。另外其实有抵押和质押的产品，也需要通过大数据技术对借款人的信用状况进行多方面评估，增强项目的安全性。
　　技术的发展不是一蹴而就的，而是需要很长时间的积累。很多对金融科技有需求的互联网金融企业可能需要借助有技术优势的企业的技术能力来发展自身业务。以技术见长的公司如百度金融，凭借其大数据、人工智能方面的技术能力，预计会有更快的发展，并会有很多企业受益于其技术能力的开放。
　　第二，金融技术的开放与合作力度会越来越大。伴随着业界对于金融科技需求的加大，拥有数据和技术资源的企业开始开放技术能力，向金融业界输出风控、获客能力，拥有资金端、消费场景优势的企业可以借助其他企业的数据与技术能力，加强风控环节，使资金匹配到更安全的资产。
　　具体而言，有技术优势的金融科技公司会更广泛地与传统银行、网贷公司、消费金融公司等有资金的金融机构，以及电商、旅行预订平台、传统商家、有大量蓝领员工的企业等拥有场景的平台合作，帮助他们筛选合适的借款人，并进行科学定价，使这些企业更安全地开展普惠金融业务。
　　以百度金融为例，其更擅长通过金融技术解决发展中的问题，目前已经开放金融技术能力，预计新的一年里会进一步跑马圈地，基于自己的大数据风控体系做大生态圈。
　　第三，大数据风控与智能投顾依然是最主要的应用。目前的互联网金融企业基本还是以借款和理财类业务为主，大数据风控与智能投顾作为借款业务和理财业务的重要应用，仍然会是互联网金融业界开发的重点。比如百度金融将凭借大数据优势根据金融知识图谱和用户画像，就能判断用户的投资风险偏好，实现智能匹配，生成科学的投资组合，并帮助用户追踪、监控风险。
　　第四，金融科技的风险也会逐渐暴露出来。金融科技发展不会一帆风顺，其有效性将不断面临实践考验。尤其是大数据风控，现在做供应链金融、消费金融业务的企业都在用大数据风控技术做信用贷款，其数据维度与数量是否足够合理，模型是否足够有效，弱相关数据对于判断信用是否真正有效，都需要实践的检验。不排除一些在数据和技术方面存在短板的企业风控出现问题，引发规模比较大的逾期出现。}