大數據時代的到來，已經引起了世界各國政府的高度重視。2012年3月，美國政府發布《大數據研究發展行動計劃》，強調要提高從海量數據中提取知識和見解的能力，幫助加速科技研究的進展，加強國家安全和相關教育。具有異曲同工之妙的是：2012年4月，中國政府推出的《軟件和信息技術服務業“十二五”發展規劃》中也提出，面向日益增長的數據處理需求，積極發展數據編輯、整理、分析、挖掘等數據加工處理服務。

大數據對每個行業都會產生影響，而金融業無疑是受此影響***的行業之一。這是因為首先，金融業本身就是一個信息密集型的服務產業，隨著互聯網的應用普及和種類繁多的網絡金融產品的推出，金融信息化程度迅速深化。其次，現代金融企業普遍大量投資信息化基礎設施，建立了龐大的數據庫系統，一直擁有著質量較高的數據資源。再次，其實也是最重要的是：銀行利率市場化進程的加快，壽險費率徹底市場化政策的逐步落實，以支付寶的“余額寶”、微信的“財付通”為代表的新型金融產品對傳統金融業構成一浪高過一浪的沖擊波等行業大環境因素的影響，使中國金融業的行業競爭日趨激烈，催化了企業進行產品和服務創新的迫切需求。

不難發現，大數據在金融業發展的進程中扮演著更為積極的角色。諸如客戶行為特征分析、精準營銷、客戶滿意度模型、風險管控、需求預測、精益化流程、六西格瑪質量水平、卓越運營、數據驅動的決策之類的名詞越來越多地出現在各級工作報告和會議交流上，而探索性數據分析、決策樹、回歸、聚類分析、神經網絡、關聯規則、數據挖掘、時間序列分析等分析術語也越來越頻繁地被行業內各類人士提及。

但不幸的是，“如何讓這些先進而又時髦的管理理念和技術落地，實實在在地讓從業人員體驗到大數據的價值”卻不是那么容易的事，常常可以在企業內部可以聽到這樣的抱怨：公司花重金搭建了數據倉庫，高薪聘請了海歸的分析專家，但數據分析團隊對業務部門提出的分析需求響應速度很慢，好不容易出來個模型，業務人員卻看都看不懂，更談不上應用了。這一切不由地讓人感嘆：金融業大數據，聽上去很美，做起來……

其實，大數據在為金融業帶來新機遇的同時也帶來了新挑戰，先不說數據來源的復雜化、安全性等基礎架構問題，在最終應用階段的數據分析“傻瓜化”（即易學易用性）也比以往顯得更為重要。這是因為在大數據時代，數據分析已經不再僅僅是少數統計學家手中的專利了，數據化運營需要全體員工的參與。企業中的數據分析與挖掘項目也呈現出多元性，有的項目需要分析部門和業務部門的共同配合與協作，花費較長時間精雕細刻地完成，有的項目則要求業務部門能夠在較短時間內獨立完成，快速響應客戶要求和市場變化。

從不少領先一步的國內外知名金融企業的應對之道中可以發現：數據可視化Data Visualization和交互式分析Interactive Analysis是將大數據從“精英化”轉變成“平民化”的兩種最重要的信息技術。JMP（全球***的統計學軟件公司SAS的產品）是在強調數據挖掘權威性基礎上能夠發揮交互式可視化分析的大數據分析平臺，下面我們就借助這個軟件工具，用一個案例來簡要說明金融業大數據分析應該如何落地。

某保險公司的汽車保險部門為了降低理賠風險和理賠成本，提高盈利能力，想利用現有的數據資源（包含客戶購買及理賠記錄的龐大數據庫）進行一些深入的客戶特性分析，以此得到一些改進思路，制定一些“快贏”方案。然而面臨的困難有：

1 公司的IT部門正在從事一些重大IT項目，無暇顧及該業務部門的分析需求；

2 本部門內部的業務人員大多是文科背景出身，沒有一個是計算機、數學或統計背景出身的，數據分析基礎非常薄弱。

但是，也有一些有利的因素，如：

1 這些業務人員的從業經驗都很豐富，能夠在數據分析之前在數據庫中大膽且比較準確地選擇一些潛在因素；

2 公司已為各個業務部門配置了交互式可視化分析的大數據分析平臺JMP，使非統計人士也可以快速地從“工具學習”階段進入到“業務分析”階段。

因此，該部門領導決定揚長避短，結合行業經驗，運用先進分析工具開展一次“Analyze DIY（自助式分析）”。分析的過程比想象的要輕松很多，在幾次鼠標點擊之后，一個以交互式圖形展現出來的汽車保險用戶風險模型就在業務人員邊討論邊分析的過程中誕生了。從數據挖掘的專業角度講，這個分析用到了“決策樹”的高級分析技術。雖然，當時沒有人懂決策樹的理論和計算公式，但這絲毫不影響分析業務人員的分析效率，或者說業務人員的分析效率反而比以往得到了大幅提升。

因為在下面這個圖形化的模型中，我們可以看到以往復雜冗長的統計分析報告無法直觀揭示的結論：在眾多候選因素中，年齡等級（Age Class）、城市居民與否（City(Y/N)）、信用等級（Rating Class）是影響理賠風險***的三個關鍵因素。進一步來看，年長、非城市居民、信用等級為A和B的細分人群絕對是汽車保險營銷的***目標群體！因為他們將來的理賠概率只有3%~4%，遠遠低于近20%的整體市場平均水平。

用JMP軟件交互式可視化技術生成的汽車保險用戶風險模型

分析到這里，會議室里的氣氛立刻活躍了起來。因為所有成員通過圖形化的決策樹模型中都一致地找到了合理客戶分群的線索，而且這個線索與他們的實際工作經驗也非常吻合，解決問題的方案也就隨之產生了。再經過一段時間的具體實施和后續跟蹤，事實證明了該解決方案確實是有效的。

所以說，金融業大數據不僅僅“聽上去很美”，它完全可以落地實現，關鍵還要看你是采用什么方法來處理大數據。“業務人員只提分析需求，分析人員只管搭建模型”的傳統工作模式已經越來越無法適應當前的工作節奏，“既能夠提供業務參考意見，又能夠勝任常見數據分析工作”的復合型人才將會越來越受到金融企業的青睞。