新浪财经讯 9月17日消息 全球金融行业正面临科技创新带来的颠覆性变革，传统金融行业纷纷转型，在金融科技不断革新、监管尚存变数的背景下，第二届中国金融科技大会在北京清华大学举办。本次大会由清华大学五道口金融学院和清华大学国家金融研究院主办，并邀请了国内外学界、业界领袖及监管层多位金融科技代表人物对金融科技的发展创新进行了深入的探讨。TalkingData首席执行官崔晓波先生发表了演讲。
崔晓波崔晓波回应了业界对大数据是否有效的质疑。他认为金融企业面对大数据的挑战和机会都一样，主要来自外部挑战和内部挑战。外部挑战就是到底跟谁去合作，以什么样的商业模式去合作。他希望有越来越多的大数据企业，能够走到以成效去说话，以结果去导向，以价值为目标的这样一些方向去。内部挑战在他看来是四个化，业务数据化、数据资产化、应用场景化和技术智能化，他同时举了4个例子来阐释。
以下为崔晓波演讲的全文：
非常荣幸能够作为五道口的学生，参加第二届中国金融科技大会，其实我也参加了第一届，所以能参加第二届特别荣幸，也希望能够参加下一届，所以请主办方下届一定要请我。
今天给的题目是“金融大数据的发展与挑战”。其实这个话题我们还挺有感触的，因为TalkingData一直是一个聚焦于做大数据的公司，金融行业又是我们进入的第一个领域。
第一个感慨：“大数据”这个词真的已经炒了7年了，到底怎么样？所以今天我们碰到很多客户的时候，我们发现客户的高层（特别是CEO、行长、董事长）其实困惑就在这里，好像干了7年也没什么效果。到底行不行？这是一方面。
第二个感慨：我们看到越来越多的客户反过来找我们，因为两年之前我们去找他们说大数据，他们说挺好。要不要做？再说吧。但今年情况完全不一样，我们基本已经不用去找客户了，客户每天咨询问题，说我们有非常明确的业务需求、我们有非常紧迫的转型以及升级压力，所以我们必须要尝试大数据的方案，看能不能给我们带来新的思路、新的成本结构变化、新的利润增长点。
这是我们看到的，所以是两个矛盾：一、有顾虑；二、好像又不得不投入。所以，站在当今，金融企业我觉得它面临的挑战和机遇其实都是一样的，来自于两方面：
方面一：来自于外部。
我不知道到底该跟哪个公司去合作，市场上琳琅满目的公司也太多了，有的提供技术、软件、SaaS服务，有的提供咨询服务，有的提供数据服务，等等。但是，哪家公司能解决我的问题？
所以我觉得，现在大数据领域已经到了必须用结果说话的时代了。
所以，TalkingData我们定位就特别简单，就是做金融企业的成效合作伙伴ROI Partner。所以我们现在跟金融企业签的意向书，基本上都是以ROI来签的。特别明确，就是以你的业务增长量，以你关键绩效指标转换率的提升作为衡量指标。
这是外部挑战，就是说，到底跟谁去合作，以什么样的商业模式去合作。所以随后的几年里面，我估计这个词很快又会跟我们以前发明的词一样，会很快传开。我们也希望有越来越多的大数据企业，能够走到以成效去说话，以结果去导向，以价值为目标的这样一些方向去。
方面二：内部挑战。
内部挑战从我的角度来看就是4句话，大家今天记住这4句话就行（业务数据化、数据资产化、应用场景化、技术智能化）。
1、业务数据化。
大家看上去好像显得很虚，其实一点儿都不虚，真的把这几句话做好了，其实你内部的问题大部分都得到了解决。
我们现在碰到很多金融企业，因为他们现在也在积极的跟很多数据公司和互联网巨头合作，希望从外面输血，把老觉得自己是贫血的（我数据不够多，非要从别人那拿一些数据过来，或者我觉得他们有数据我们来合作），但实际上，我们作服务金融企业这四年看来，基本上没有企业真的能够把外面的数据用起来。因为基本上他自己的数据都搞不定。有的时候我的团队也问我，说为什么我们进去做的效果这么明显？我说特简单，因为客户做得太烂了！你进去随便做一做好像都能得到提升，目前就这么个现状。
所以我觉得，大家还是要务实一些，先把自己的问题解决好，你所有的业务流程是不是一个数据闭环？你所有的业务是不是有数据指标的设计？你是不是每天可以用数据驱动的方法，去运转你所有的业务。
2、数据资产化。
就是说，数据本身是资产，无论你购入数据还是给数据平台花钱的时候，你到底能不能考量这个投入，你投入的钱对业务带来的价值到底是多少？必须可衡量，得有一套评估体系。如果它作为资产的话，数据本身也要评估，它的质量、它的饱和度、它的差值、它的中位数，等等，以及它的零值问题，需要一套非常合理科学的框架来定义，但绝大部分企业其实没有这个概念。
3、应用场景化。
其实真正用起来的时候，不是大家想象的那么简单。
4、技术智能化。
可能大家感觉到了，这几年都希望自己的应用变得聪明一点，智能客服、智能投顾，等等，就是都是智能，但真的智能了吗？其实要打一个巨大的问号。
其实我看到的，基本上在目前的金融企业碰到的还是这4个主要的问题。
后面的因为时间关系就没办法展开了，我给大家举一些特别简单的例子吧。
案例1：
这是我们的一个真实案例，我们给一个券商做的业务数据化，非常简单的过程，我们就是把它所有的网页，以及应用的一些核心指标（转化率、活跃度、留存率），给他用非常简单的指标监控起来。实际上，他通过非常简单的洞察就能得到一些核心问题。比如这张图，他发现除了交易时段，他的APP客户在上面还是很活跃，他们以前并不注意这些问题。在晚上，基本上还有30-40%的客户还是会打开APP看。
右边就很简单，做一个页面流的分析，做一个转化漏斗算一下，看他们进入的是哪个页面。算下来，大部分人是在自选股和交易页面。他们点击的新闻类型是什么，你会发现，很多程度实际上是点击的一些较低风险的产品，那就很简单，做一个非常简单的用户分群，整个从这个业务数据化到活动上线，两个礼拜。实际上第一次活动效果就特别明显，推送的客户群里面40%第二天都买了股票。
所以我觉得，业务数据化其实就是一个唾手可得的回报，但现在绝大部分客户其实并没有重视这一点，还在想很多更远期的东西，但实际上你把手边的东西优化优化，就有很大的结果。
案例2：数据资产化——挖掘潜在价值。
这是我们在一个银行客户那边做的一个真实案例，我们先帮这个客户大概做了半年的数据梳理，我们把它的客群分为几个层次，最高那个层次实际上我们是对他的理财客户，我们定义了一个高净值客群。他自己做了资产化之后，他希望去购买一个第三方的数据源，他需要验证一下我跟这个第三方的数据打通之后对业务有没有效果？很简单，我们取得了2万个潜客的样本，用一个机器学习模型，利用它的APP行为做正负样本。
大概我们算出来，在新的数据源里面，他的潜在客户大概有10万人，对他的一方数据做梳理，解决隐私问题，大概能匹配的应该是2万多人，然后做活动。
所以，看到这两期活动效果非常明显：理财响应率达到6.4%，什么叫理财效应率？因为它主要是发短信的，短信发出去最后买了理财产品叫理财响应率，如果大家在金融企业做运营的话应该很清楚，一般在金融企业这个值是0.15%左右，如果你发短信营销的话，这已经有了几百倍提升。所以，这个从资产化角度来说，回报是可以证明的，所以去采购。而采购是分期采购，不断地用闭环模型做优化。
最后的结果，做了一段时间活动之后，人均购买理财产品金额大概12万，然后理财流水一次活动计入大概2个多亿，所以这个效果是比较明显的。
案例3：应用场景化——创造性解决问题。
因为，银行最核心的是具备风险管理、风控、反欺诈这些能力，大家以前把这个能力就看成是一些单独的能力，但实际上你在一个真正的业务流程里要分析它的场景，一般业务都会经过这样一些环节（从营销到触达、到获客、到申请、到审批、到授信、到交易、到撮合、到提额、到贷后，等等），所有这些环节必须要考虑它的场景因素。所以，它的反欺诈能力和风控能力是互相相关的，客群也是互相重叠。所以，你的黑名单用户要跟营销的客群互相匹配做排重，才能得到比较好的效果。
在这个案例里面，我们根据行为数据，把页面流、事件流和设备流，我们设计了一个按照新的规则建立了一个规则引擎、智能分工引擎，最后我们发现比较宽维度的行为数据其实效果提升并不是明显，所以我们加入了大量客户自己的一方数据，就是关于资产和交易行为相关的数据。把数据放在一起你会发现，维度截出来之后效果特别好。
所以，我们应用的一些场景主要是解决还款意愿的预测，因为现在一般的金融机构里面还款意愿的数据都非常少，还款能力的数据很多，还款意愿的数据非常少，大概只有10%，90%的客户还款意愿数据是缺失的，所以我们主要用行为数据加一方数据，来对他的还款意愿进行预测。
传统上误差率会接近30%，但基于新的场景化风控模型，算下来，KS值，如果只用第三方数据大概应该是0.46，这已经很高了，因为我们在真正的业务场景里面，大于0.3就是可用的，我们叠加一方数据之后，基本上这个KS值能够到0.6，那就是个非常理想的值。
所以，这是应用场景化，就是说你一定要结合业务场景去用能力，而不只是用能力去解决问题。
智能化，时间关系我们就不展开讲了，希望大家有机会可以去TalkingData交流。
所以从总体来看，我们现在分析到很多问题（有外部的问题、有内部的问题），但对自身有很多能力的需求和建设的要求，包括数据能力、产品能力、服务能力，服务能力最重要的是人，因为我们去每个企业看，其实人才都是非常匮乏的。所以，如何引入人才、培养人才也是一个比较重要的能力。场景化应用能力，以及你自身的迭代和优化能力。
这些就是我的简单分享，谢谢大家！
进入【新浪财经股吧】讨论
责任编辑：杨群
