我想傳達的資料理念是，如果資料不能産生價值都是耍流氓。
世界上隻有四種資料：行為資料、交易資料、社交資料和傳感器資料。
資料在企業裡邊基本上會做三件事情：效率提升，業務提升，成本降低。如果這三件事情做好，資料就實作了價值。
而資料在整個金融行業的應用，則有三個方向，一是數字化營運，二是精準營銷，三是資料風控。其中精準營銷和風控是目前世界上大資料可以變現的兩種方式。
talkingdata主要是利用移動網際網路人群的行為資料來描述一個人的興趣偏好、出行軌迹、興趣愛好等資訊，過去一年我們幫助很多企業利用移動大資料洞察他們的客戶。
案例1 精準營銷：有車族更愛用uber，向他們推銷綁卡!
這是我們幫一個信用卡公司做的資料分析和資料營銷案例。
我們利用移動app資料，發現很多客戶願意玩遊戲。于是就利用遊戲幫它進行引流。同時利用手機遊戲的活動，激活了40%的休眠客戶。這個信用卡公司在整個金融移動app占比是非常高的，日活可以達到330萬，這個app每個月為信用卡公司創造将近幾個億的淨收入。
另外，客戶希望信用卡和借記卡可以更多綁定在優步(uber)應用上。但是前期廣播式投放廣告之後，效果非常之差，隻有千分之三的人在這個應用上綁了客戶機構的卡。
沒有資料分析之前，大家都認為uber是應該推薦給沒有車的人，因為沒有車的人會有很高的打車需求。但實際上我們用資料分析之後，通過精準營銷和資料分析，發現有車一族使用uber的頻率更高，更願意利用信用卡或借記卡綁定uber。為什麼呢?因為這些有車的人已經習慣自己開車上班了，已經不習慣公共交通了，不習慣地鐵和其他公共交通了，這些人才是剛性uber的需求，聚會的時候，喝酒的時候，吃飯的時候都是需要打車的。
我們利用資料精準地找到了有車的客戶，向他們推送綁定信用卡廣告，提高了精準營銷的效果，使用者綁定信用卡/借記卡的成功率提高了十多倍。
在沒有資料支援的情況下，在沒有資料分析之前可能一個客觀事物判斷往往是基于一個人主觀的經驗，基本上普遍廣告轉化率大概隻有千分之三。但是如果有資料可以精準營銷，基本上轉化率可以提高5%。我們根據這些客戶畫像幫銀行找到它的目标客戶，優化它的産品。
案例2資料風控：經常飙車泡夜店?你可能被列為高風險人群
在沒有資料之前，很多銀行給中小企業貸款的時候，風險評估依據于pos機的刷卡記錄。這個刷卡記錄是可以做假的的，例如可以用信用卡套現來提高pos機的流。
我們可以通過移動裝置資料采集的方式來判斷，這個店鋪的客流量，每天進來多少人，多少人去試衣服，多少人去結賬，多少人離開等資料。通過這些資料判斷小商戶的客流量和經營的情況，然後參考這些資訊和pos機資訊，給出一個更加客觀的授信額。這種利用移動裝置資料的風險管理方式，比原來僅憑借交易資料判斷信用等級的方式，提高了30%左右準确率，降低了欺詐的可能性。
網絡犯罪正在成為網際網路金融公司公司面臨的主要威脅之一，甚至在一些網際網路金融公司公司，惡意欺詐産生的損失占整體壞賬的60%。很多網際網路金融公司公司将主要精力放在如何預防惡意方面，高風險客戶識别和黑名單成為預防惡意欺詐的主要手段。而移動大資料則可以幫助網際網路金融公司實作反欺詐。
1使用者居住地和工作地的辨識
移動大資料可以驗證客戶的工作地和居住地點，例如某個客戶在利用手機申請貸款時，填寫自己居住地是上海。但是網際網路金融公司企業依據其提供的手機裝置資訊，發現其過去三個月從來沒有居住在上海，這個人送出的資訊可能是假資訊，發生惡意欺詐的風險較高。
2 欺詐聚集地的識别
惡意欺詐往往具有團夥作案和集中作案的特點。幫派成員常常會在集中在一個臨時地點，雇傭一些人，短時間内進行瘋狂作案。
借款平台發現短短幾天内，在同一個gps經緯度，出現了大量貸款請求。并且使用者資訊很相似，申請者居住在偏遠郊區，這些貸款請求的惡意欺詐可能性就較大。
3 高風險貸款使用者的識别
網際網路金融公司企業可以利用資料了解過去3個月使用者的行為軌迹。如果某個使用者經常在半夜2點出現在酒吧等危險區域，并且經常有飙車行為，這個客戶定義成高風險客戶的機率就較高。如果客戶近期使用多個app進行借款，其多頭借貸的風險就很高。如果客戶經常換手機卡，則客戶欺詐可能性就很高，
很多網際網路金融公司正在利用移動大資料來進行欺詐識别，利用資料幫助網際網路金融公司提高風控水準。
====================================分割線================================
本文轉自d1net（轉載）