表面上看这些数据大多数和金融无关，但如果挖掘得当，能够通过建立模型，给用户勾勒出比较准确的画像。让那些看似与风险不太相关的数据在互联网金融风控的场景中体现价值。事实上，百度自然语言识别和深度学习的技术上在三家中也是最强，可以做出基于7个维度28个行业，细分10万+个标签描述用户的属性，加上在数据算法上能力突出，优势非常明显。

　　值得注意的是，百度还结合更多外部数据，如运营商数据、政府部门公开数据、线上/线下交易数据等，一方面填补现有征信人群的空白，另一方面对业界已有数据进行有效补充，扩大征信范围。

　　四个角度告诉你，金融大数据到底用在了哪些地方

　　因为数据维度越丰富，对用户粗颗粒的画像就会越了解。某一个画像的用户到底喜欢什么，都可以一清二楚地了解到。企业也能够面对做很多有针对性的营销。

　　尤其是在金融领域，企业对大数据掌握越全面，所能涉及到的业务也会越丰富。BAT数据最丰富，在金融业务领域横亘支付、贷款、理财、保险、证券、银行、征信、基金、众筹等各个领域。而小米、京东、万达等企业因为体量、数据等相对而言优势不大，则会在这9个领域中缺失某些领域的布局。

　　BAT在9个领域的布局，其实都是以大数据为核心串联在一起的。无论是征信、风控、消费金融、财富管理都或多或少运用到了大数据。

　　1、大数据征信：在个人征信领域，目前是金融行业面临的最大问题。基于用户在互联网上的消费行为、社交行为、搜索行为等产生的海量数据，其价值并未被充分挖掘，个人征信在大数据的采集和信息挖掘上面仍有很大的想象空间。阿里的芝麻信用在其中算是最会玩的。芝麻信用几乎打通了用户的身份特质，行为偏好，人脉关系，信用历史，履约能力等各类信息。这恰恰是因为接入了电商、支付、社交等各类数据维度。

　　2、大数据风控：大数据风控目前应该是前沿技术在金融领域的最成熟应用，相对于智能投顾、区块链等还在初期的金融科技应用，大数据风控目前已经在业界逐步普及。目前，美国基本上都用三大征信局的信息，最传统的评分基本上都是用FICO来做的。各家平台会尝试着用机器学习、神经网络等大数据处理方法。

　　国内市场对于大数据风控的尝试还是比较积极。特别是大公司，可以将移动互联网的行为和贷款申请人联系到一起展开大数据风控。百度在风控层面上的进展还是比较突出，百度安全每天要处理数十亿网民搜索请求，保护数亿用户的终端安全，保护十万网站的安全，因此积累了大量的数据。

　　一个很具体的案例就是，通过海量互联网行为数据，比如监测相关设备ID在哪些借贷网站上进行注册、同一设备是否下载多个借贷App，可以实时发现多头贷款的征兆，把风险控制到最低。

　　3、大数据消费金融：消费金融对大数据的依赖是天然形成的。比如说消费贷、工薪贷、学生贷，这些消费型的金融贷款很依赖对用户的了解。所以必须对用户画像进行分析提炼，通过相关模型展开风险评估，并根据模型及数据从多维度为用户描绘一个立体化的画像。

　　百度金融的优势在于，通过基于大数据和人工智能技术为基础的合作商户管理平台，为合作商户提供涵盖营销和金融服务的全面管理方案，降低获客成本，解决细分行业的微小需求。一方面可以降低风险，另一方面也能提升金融的安全度。

　　在大数据消费金融的领域中，腾讯和阿里的优势很大程度上是在渠道层面上的。正如前文所说的，阿里以电商-支付-信用为三级跳板，针对性很强支付宝接入消费金融产品之后会有较强的渠道作用。而在去年12月，腾讯的“微粒贷”已经接入到了微信支付当中。在消费金融的发展速度上，腾讯速度也不差。

　　4、大数据财富管理：财富管理是近些年来在我国金融服务业中出现的一个新业务。主要为客户提供长期的投顾服务，实现客户资产的优化配置。这方面业务在传统金融机构中存在的比较多。不过因为技术能力不足，大数据财富管理在传统金融机构中相对弱势。

　　财富管理在互联网公司的业务中也非常流行。蚂蚁金服一开始最为简单的财富管理方式就是余额宝，后来逐渐演化成经过大数据计算智能推荐给用户的各种标准化的“宝宝”理财产品。百度金融相对来说更进一步，是依托“百度大脑”通过互联网人工智能、大数据分析等手段，精准识别和刻画用户，提供专业的“千人千面”的定制化财富管理服务。

　　金融大数据的孪生兄弟金融云是地基，未来更具看点