金融行业是强数据基因行业，是典型的数据驱动行业。那么，在金融场景中,如何挖掘数据的价值？数据又有哪些应用？
一
数据如何产生价值
数据的价值发挥体现在开放共享和流通，背后的成因则是“数据孤岛”，而数据孤岛的本质是数据分散性带来的相互独立。以个人为例，企业的某一种产品或服务只能满足人的某一种需求，比如出行的需求，购物的需求，通过这些需求，我们可以了解到用户的某一特征。而当我们需要了解一个用户近乎完整的特征时，则需要打破数据孤岛。例如金融机构在做风控时，对于某个用户的风险评估通常需要引入外部数据能力，形成数据的融合应用，从而更加精准地评价用户风险。
从市场的角度来说，发挥数据价值则是拉通与促进供需关系平衡，一方为数据提供方，一方是数据需求方。当然供需关系可以是同业间也可以是异业间。
（以人为例子）
01从数据到价值
通常业内提到的数据是个宽泛的说法，包含了数据本身与一定加工处理后的数据。实际上，从数据到价值的过程会经历几个层次。
第一个层次，是数据本身，即原始数据，比如终端设备对信息的采集、记录等。原始数据在某种程度上并不能获得有价值的信息，需要对其采取相应的处理。
例如“气温35度”，是一个原始数据，通过对这个数据进行解读，可以得出“今天天气比较炎热”的信息。这就是第二个层次——信息，信息是加工处理后有逻辑的数据。
进一步提炼信息之间的联系，可以得出相关的行动指引，完成当下的一些任务。例如“今天外出需要防暑降温”。这就是第三个层次——知识。
更进一步，可以实现对未来的预测。例如，通过模型、算法对原始数据进行分析、量化，可以得出某种结论，例如“未来一周的气温为30-37度”。通过对未来的预测，为更长远的决策提供指导和支撑。这就是数据到价值的最高层次——智慧，即关心未来，具有预测的能力。
从最原始的数据到智慧，最终实现的是数据的决策力。可以看到，当前各行各业在生产加工的过程中，数字化能力逐渐成为主导地位。企业在进行相关决策时，越来越多地以数据的分析结果为参照，而依赖于人工的经验判断在逐渐弱化。
02数据价值的发掘包含横向和纵向两个层面
在数据价值的发掘中，“数据孤岛”现象体现为横向数据，是指跨行业跨机构跨部门等的数据协同。而纵向数据发掘是充分发挥单一类型数据的价值，这个过程中特征工程是一个很重要的工作，特征工程的目的是希望挖掘到更多的数据价值，从而应用到相关的业务中：
例如在对用户进行分析的时候，首先会通过一个用户ID来标识用户。有了用户ID之后，就可以对用户进行逻辑分析。假设把申请贷款的次数作为路径，加以时间序列关联，当发现某个用户近期申请贷款次数畸高时，就是一个可能的异常现象，通过对这种异常现象进行相关的分析预判，从而避免某些可能的风险。
二
零售信贷中数据的应用：
营销与风控
零售信贷中的营销和风控是金融行业常见的场景。2020年，中国银保监会发布了《商业银行互联网贷款管理暂行办法》，规范商业银行互联网贷款业务经营行为，对营销风控全流程做出了相应的规定。
对整个营销风控流程进行简化，得到营销、准入、身份核验、欺诈风险识别、信用风险评估、授信定价、贷中贷后管理等几个较为通用的环节。
抽象普适化
比如在营销环节，可以对应到包括APP类的下载、使用的深度等信息，这些信息有助于营销活动的开展。当银行在做贷款类产品的营销之前，就可以通过这些信息生成用户画像，判断用户对贷款是否有需求等。
01营销相关应用示例：流失用户预警

随着人口红利、流量的见顶，当前社会已经进入存量经济时代。同样的，随着移动互联网带来的流量红利的挖掘殆尽，银行业同样进入存量时代，而存量时代的典型特征则是工作重心转为存量客户挖掘，这将会加剧竞争趋势，进一步加速用户的流失。因此，如何识别潜在流失用户并匹配一定的判断和挽留策略，是用户流失预警环节的重要措施。
例如在识别流失用户环节，可通过APP类的数据判断，一般来说，用户在资金需求得到满足之后，通常很长时间不会再去访问、下载或去其他平台进行贷款申请。当发现用户在其他平台进行了访问下载等操作时，那么就有一定的流失可能性。其次，当已经识别到用户流失时，需要进一步分析用户的流失去向，当用户流失到高利率的平台时，可能代表用户资质在变差，对该类用户则可以不做干预；当用户流失到低利率平台时，可能代表用户有了更好的选择，此时可以对该用户采取相应的挽留措施，如调低利率等。
三
隐私计算将促进数据要素价值发挥
数据要素的流通共享和核心价值挖掘是数据要素市场培育的核心内容，必须在保证隐私安全的前提下实现有效信息共享。从当下数据流通的实践来看，传统基于所有权转让的交易模式仍然受困于交易形态、数据确权、数据定价等问题而无法规模化落地，依托于隐私保护计算的数据协同应用的服务模式更为可行。
一方面，隐私计算是面向隐私信息全生命周期保护的计算理论和方法，实现数据的可用不可见，极大程度上保护了数据的安全和隐私，但又不影响数据的应用。同时在过程中对于数据的确权和定价等方面实现良好的支撑。
另一方面，得益于隐私计算可以实现对数据安全和隐私的保护，使得数据开放主体更有意愿开放更多价值数据，这将极大地促进数据要素的协同应用，进一步提升市场的决策能力。
数牍科技已实现了多个基于隐私计算技术的数据要素协同应用实践，例如协同运营商数据在金融场景中的应用：
01
某国有行运营商数据普惠信贷风控服务
数牍科技协同运营商数据应用于银行普惠信贷风控服务场景中，通过联邦学习技术增强小微企业评价模型，实现了模型ks约10%的提升。
02
某保险机构运营商数据提升投保率
数牍科技为保险公司数字化赋能，通过引入外部数据将保险公司及运营商数据进行联合建模，对海量存量客户进行高效运营，提高投保转化率，避免了保险公司用户数据和外部数据交互过程中的商业价值流失，同时模型结果将投保率提升1.8倍。
作者：王静超
整理策划：柯尊红
推荐阅读
继续阅读
阅读原文