资源配置的最佳策略及其影响因素

在挖掘出数据背后的信息之后，我们需要做的是分配资源。大数据时代，金融行业常见的服务包括互联网征信、风险管理、保险定价、量化投资等。

以金融领域的风险管理为例，传统的金融风险控制主要利用具有较强信用属性的金融数据。一般采用20个纬度左右的数据，通过评分来识别客户的还款能力和还款意愿。信贷相关数据维度大概在十个左右，包括年龄、职业、收入、学历、工作单位、贷款、房产、汽车、还款记录，金融企业参考用户提交的数据进行打分，最终获得申请人的信用评级，根据分数来决定是否贷款和贷款的额度。其他与信用相关的数据包括地区、产品、理财方式、行业、付款方式、付款记录、金额、时间、频率等。然而，通过大数据，可以获得更准确的风险识别。

1.身份识别

常用的识别方法是人脸识别。人脸识别的原则是调用公安局的API接口，将实时识别用户照片与客户保留在公安局的身份证进行比对，通过面部识别技术验证是否申请人就是本人。

2.黑名单

风险控制的管理就是尽可能降低信息不对称的程度。如果市场上提供金融服务的企业和机构能够分享违约方的信息，一旦借款人违约，除现有机构外的其他机构会更加警惕，减少损失。

3.消费记录监控(www.xing528.com)

除央行的征信机构外，市场上还有一些个人信用评分机构，如蚂蚁金服提供的芝麻信用。芝麻信用通过收集用户的消费记录，分析用户的消费习惯，对用户的信用评分，对相关信用产品的金额进行授权。

4.社会属性归类

根据以往互联网金融的风险控制经验，有伴侣和子女的借款人违约率较低。老年人的违约率比年轻人高，50岁左右的借款人违约率最高，30岁左右的借款人违约率最低。拥有家庭消费和教育贷款的借款人违约率较低；月收入超过3万美元的人违约率高于月收入不足1.5万美元的人。贷款越多的人违约率越低。风险程度是通过对用户的一般消费习惯进行分类来衡量的。

5.金融犯罪的侦破

发现洗钱和其他金融犯罪，主要是使用各种数据分析工具找出多个数据库信息的异常模式。比如，在一定的时间内，一群人发生大量的现金流等，使用数据可视化工具、分类工具、连接工具、孤立点分析工具、序列模式分析工具等进行分析，如发现可疑线索，则进行进一步处理。