论文部分内容阅读
“如同石油本身只是自然资源、不具备价值一样，大数据只有在被智能、科学地分析应用，才能使之价值最大化。”对于智能大数据应用，蚂蚁金服的首席数据科学家漆远给出了这样的定义。而对于一些聪明的公司而言，通过利用大数据，取得惊人的商机已不是奇迹。
大数据智能如何驱动商机？
与其将蚂蚁金服看做一家互联网金融公司，却不如将其认定为一间酷炫的科技企业更为恰当，无论是智能客服、深度机器学习、还是语音识别、图像识别无不具有广泛覆盖、随时随需、精准匹配、风险可控等人工智能的特性，而应用这些特性的直接结果就是可以低成本、个性化，更好地服务小微企业和个人消费者。
而事实上，在不少企业仍对大数据智能处于摸索阶段的时候，蚂蚁金服已经将大数据智能当作了闯荡江湖的独门武器。在1月8日杭州举行的互联网+金融大会上，漆远举例说，通过芝麻信用信息验证等反欺诈服务，已经有银行将虚假办卡的识别能力提高近3倍；2015年双11，蚂蚁金服95%的远程客户服务已经由大数据智能机器人完成，同时实现了100%的自动语音识别；此外，航空退票险的赔付率一度高达190%，保险公司面临巨大的亏损压力，而蚂蚁金服与保险公司合作，通过大数据技术建模、优化后，有效地降低了赔付率，扭亏为盈。
早在2003年，Linkedln（领英）就开始用各种技术、产品和数据手段，通过最有效、低成本的方式增长用户。张溪梦2010年初加入LinkedIn，5年间又帮助其建立了针对营收的商业分析团队。LinkedIn以其出色的职场社交功能闻名，但只有很少人意识到，它同时也是世界第二大软件服务企业SaaS的提供商，通过把自己的猎头服务、人才简历卖给全球10万个客户，LinkedIn在2015年达到了营业额30亿美元的佳绩，而5年前，这个数字还不到1亿美元。
“无论全球还是中国，移动互联网的增长红利窗口正在逐渐消失。商业数据分析可以实现运营效率、用户数和收入的指数级提升，而不仅是依靠直觉和过往经验，不再是重补贴、烧流量、大地推。”张溪梦坦言。在他看来，中国O2O行业只有抛弃现有粗放的烧钱模式，转向数据分析驱动，才能更好地在互联网+时代生存下去。
大数据智能在保险业中的应用也对行业发展产生了很大的助力。美国律商联讯风险信息公司（LexisNexis Risk Solutions）保险业务首席执行官 Bill Madison表示。
律商联讯从全球超过13000多个数据源采集了500亿条消费者和企业记录，包括历史居住地址和住址稳定性、电话和水电煤气记录、职业证书，教育历史，破产、抵押、判决和驱逐等数据。利用这些数据制成保险赔付风险模型，通过模型的预测能减少赔付的风险，从而减少成本。
大数据为普惠金融“扫雷”
和过去大数据应用仅限于金融产业的某一节点不同，如今大数据智能应用已经从支付扩展到金融的全链条。漆远表示，仅以蚂蚁金服为例，大数据智能应用可以在支付、贷款、征信、保险、财富等方面全方位地推动金融普惠的发展。据统计，通过大数据智能的应用，蚂蚁金服服务农村用户已超过6000万，累计向68万家农村小微企业发放贷款，贷款总额超过1400亿元，金融云已经服务100家农村金融机构。
而大数据智能对大众客户所产生的便利性也逐渐显现。以去年双11购物节为例，当用户通过支付宝客户端进入“我的客服”后，人工智能开始发挥作用，“我的客服”会自动“猜”出用户可能会有疑问的几个点供选择，这里一部分是所有用户常见的问题，更精准的是基于用户使用的服务、时长、行为等变量抽取出的个性化疑问点；在交流中，则通过语义分析等方式获得关键信息再给予匹配。由于不断积累扩大的样本库以及持续调优的算法模型，使得这种交流更加智能。
大数据智能还针对普惠金融中最常出现的陷阱：网络征信展开了“智能扫雷”。作为一款被美国绝大多数金融机构认可的评分标准，FICO为90%以上美国个人信贷使用。在推出升级版本之前，FICO也存在着征信“盲区”，那就是5000万缺失征信局记录的未成年人。当FICO推出FICO XD产品之后，这一盲区才通过电信运营商数据、水电煤数据、金融交易数据等判断个人的征信状况而被扫平，这被认为是FICO在大数据征信领域的成功实践。
在中国，类似“盲区”更广，大数据征信、云评分将成为中国普惠金融的必然之路。中国约有8亿的潜在消费信贷用户，但是，其中只有3亿有征信数据，多达5亿的人没有征信记录。如何考察这5亿人的信用状况？如何更加有效地判断已有征信记录的3亿人？答案就是大数据云评分，也就是大数据征信。
在中国，同样利用大数据征信“扫雷”的成功范例是蚂蚁金服旗下的独立第三方征信机构—芝麻信用。除了传统金融借贷信息，芝麻信用依据网络金融数据、电商数据，政府及公共机构数据、合作伙伴数据，以及各种用户自主递交的信息等，芝麻信用还运用云计算、机器学习等技术，呈现个人信用状况，让缺少信贷记录的人群也开始享受信用的便利。
大数据智能如何驱动商机？
与其将蚂蚁金服看做一家互联网金融公司，却不如将其认定为一间酷炫的科技企业更为恰当，无论是智能客服、深度机器学习、还是语音识别、图像识别无不具有广泛覆盖、随时随需、精准匹配、风险可控等人工智能的特性，而应用这些特性的直接结果就是可以低成本、个性化，更好地服务小微企业和个人消费者。
而事实上，在不少企业仍对大数据智能处于摸索阶段的时候，蚂蚁金服已经将大数据智能当作了闯荡江湖的独门武器。在1月8日杭州举行的互联网+金融大会上，漆远举例说，通过芝麻信用信息验证等反欺诈服务，已经有银行将虚假办卡的识别能力提高近3倍；2015年双11，蚂蚁金服95%的远程客户服务已经由大数据智能机器人完成，同时实现了100%的自动语音识别；此外，航空退票险的赔付率一度高达190%，保险公司面临巨大的亏损压力，而蚂蚁金服与保险公司合作，通过大数据技术建模、优化后，有效地降低了赔付率，扭亏为盈。
早在2003年，Linkedln（领英）就开始用各种技术、产品和数据手段，通过最有效、低成本的方式增长用户。张溪梦2010年初加入LinkedIn，5年间又帮助其建立了针对营收的商业分析团队。LinkedIn以其出色的职场社交功能闻名，但只有很少人意识到，它同时也是世界第二大软件服务企业SaaS的提供商，通过把自己的猎头服务、人才简历卖给全球10万个客户，LinkedIn在2015年达到了营业额30亿美元的佳绩，而5年前，这个数字还不到1亿美元。
“无论全球还是中国，移动互联网的增长红利窗口正在逐渐消失。商业数据分析可以实现运营效率、用户数和收入的指数级提升，而不仅是依靠直觉和过往经验，不再是重补贴、烧流量、大地推。”张溪梦坦言。在他看来，中国O2O行业只有抛弃现有粗放的烧钱模式，转向数据分析驱动，才能更好地在互联网+时代生存下去。
大数据智能在保险业中的应用也对行业发展产生了很大的助力。美国律商联讯风险信息公司（LexisNexis Risk Solutions）保险业务首席执行官 Bill Madison表示。
律商联讯从全球超过13000多个数据源采集了500亿条消费者和企业记录，包括历史居住地址和住址稳定性、电话和水电煤气记录、职业证书，教育历史，破产、抵押、判决和驱逐等数据。利用这些数据制成保险赔付风险模型，通过模型的预测能减少赔付的风险，从而减少成本。
大数据为普惠金融“扫雷”
和过去大数据应用仅限于金融产业的某一节点不同，如今大数据智能应用已经从支付扩展到金融的全链条。漆远表示，仅以蚂蚁金服为例，大数据智能应用可以在支付、贷款、征信、保险、财富等方面全方位地推动金融普惠的发展。据统计，通过大数据智能的应用，蚂蚁金服服务农村用户已超过6000万，累计向68万家农村小微企业发放贷款，贷款总额超过1400亿元，金融云已经服务100家农村金融机构。
而大数据智能对大众客户所产生的便利性也逐渐显现。以去年双11购物节为例，当用户通过支付宝客户端进入“我的客服”后，人工智能开始发挥作用，“我的客服”会自动“猜”出用户可能会有疑问的几个点供选择，这里一部分是所有用户常见的问题，更精准的是基于用户使用的服务、时长、行为等变量抽取出的个性化疑问点；在交流中，则通过语义分析等方式获得关键信息再给予匹配。由于不断积累扩大的样本库以及持续调优的算法模型，使得这种交流更加智能。
大数据智能还针对普惠金融中最常出现的陷阱：网络征信展开了“智能扫雷”。作为一款被美国绝大多数金融机构认可的评分标准，FICO为90%以上美国个人信贷使用。在推出升级版本之前，FICO也存在着征信“盲区”，那就是5000万缺失征信局记录的未成年人。当FICO推出FICO XD产品之后，这一盲区才通过电信运营商数据、水电煤数据、金融交易数据等判断个人的征信状况而被扫平，这被认为是FICO在大数据征信领域的成功实践。
在中国，类似“盲区”更广，大数据征信、云评分将成为中国普惠金融的必然之路。中国约有8亿的潜在消费信贷用户，但是，其中只有3亿有征信数据，多达5亿的人没有征信记录。如何考察这5亿人的信用状况？如何更加有效地判断已有征信记录的3亿人？答案就是大数据云评分，也就是大数据征信。
在中国，同样利用大数据征信“扫雷”的成功范例是蚂蚁金服旗下的独立第三方征信机构—芝麻信用。除了传统金融借贷信息，芝麻信用依据网络金融数据、电商数据，政府及公共机构数据、合作伙伴数据，以及各种用户自主递交的信息等，芝麻信用还运用云计算、机器学习等技术，呈现个人信用状况，让缺少信贷记录的人群也开始享受信用的便利。