金融运营需要哪些数据

1. 互联网金融运营需要关注的数据有哪些

如果您是做汽车金融行业的互联网金融平台，您需要关注的有三个模块大数据，有助于风控的运营管理。
1.人的大数据。借助大数据风控管理分析平台，建立大数据反欺诈系统，从贷前、贷中、贷后各个阶段进行有效的防范欺诈风险。从账号风险防护、应用风险防护、欺诈信用风险防护等方面，有效识别骗贷、黑名单欺诈等手段，减少资金损失。对客户行为从源头进行风险评估，通过客户在网络渠道留下的联系方式开始，就启动整个风控的过程，关联客户关键信息（如地址、电话号码、联系人信息等），从申请环节到授信环节借助反欺诈系统降低有效反欺诈风险。
2.车辆鉴定大数据。二手车由于其非标准化运营，涉及到车辆评估，对车辆价值进行准确判断才能在放款上不会出现“乱放”现象。通过第三方车辆评估鉴定，上传车辆信息，对车辆查档、估值、违章查询、车史报告、VIN码解析等等信息掌握。为汽车金融公司提供二手车数据内容、数据管理、二手车估值、数据挖掘等解决方案。
3.车辆监控大数据。通过行业第三方贷后云风控平台的监控，呈现车辆的日常行为轨迹，利用监控平台的大数据预警信息，密切掌握借款人的动向。通过建立风控模型，针对借款人的贷后车辆行为，通过丰富的预警机制，可以科学的预测整个周期内的风险。根据车辆停留点分析、常用地址比对、敏感区域数据库等大数据分析，对车贷行业的功能场景进行针对性设计，能有效的遏制资料欺诈、二次抵押等不良现象发生。可帮助汽车金融公司建立完整的贷后风控管理体系。

2. 如何进行互联网金融运营数据的分析，都有哪些方法

来源于：知乎
大部分的互联网金融公司最为纠结的一点是，流量这么大，获客成本这么高，为什么最后的的转化率和成单量却这么低？怎样才能提高用户运营效率？用户行为数据分析怎样把处在不同购买决策阶段的用户挑选出来，帮助互联网金融公司做到精益化运营？
我们的客户中很大一部分来自互联网金融，比如人人贷等行业前 10 的互联网金融公司。在服务客户的过程中，我们也积累了大量的数据驱动业务的实践案例，来帮助客户创造价值。
一 、互联网金融用户四大行为特征
互联网金融平台用户有四大行为特征：
第一流量转化率低，下图是某互联网金融公司网站上，新客户过去 30 天整体购买转化漏斗，其转化率只有 0.38%：
而这并非个例，实际上，绝大多数互联网金融公司，在 web 端购买的转化率基本都在 1% 以下，APP购买率在 5% 左右，远远低于电商或者其他在线交易的购买率。
第二，虽然转化率低，但是客单价却很高。一般来说，电商行业客单价在几十到几百，而互联网金融客户，客单价从几千到几万，某些特殊领域甚至高达几十万。而客单价高，就意味着用户购买决策会更复杂，购买周期也会更长。
第三，用户购买行为有很强周期性。电商的客户下次购买时间是不确定的，但是互联网金融平台上，真正购买的用户，是有理财需求的用户，在资金到期赎回产品后，一定还会进行下一次购买，只不过未必发生在你的平台上。
可以看到，每隔一段时间，这个用户就会有一段集中的、大量的交互行为。当用户购买完成后，用户的交互行为又变得很少，可能偶尔来看看产品的收益率，但整体的交互指标不会太高，直到他下一次购买。这个用户理财需求的周期是一个月左右。

最后一个特点是“很强的特征性”，主要包括两个特征：
A：用户的购买偏好比较容易识别，理财产品数量和品类都很少，所以用户购买的需求或者偏好，很容易从其行为数据上识别出来。
B：用户购买过程中的三个阶段特别容易识别：
用户在购买决策阶段，有大量的交互事件产生，他会看产品，比对不同产品的收益率和风险，比对不同产品的投资期限等等；
但是一旦他完成了产品的购买，就不会有大量的交互行为产生，他可能仅是回来看一看产品的收益率。
当用户的产品资金赎回之后，又有大量的交互事件产生，实际上他处在下一款产品购买的决策期。
二、互联网金融用户运营的三大步骤
针对互联网金融用户行为的四个特征，在用户运营上有三个比较重要的阶段性工作：
1.首先，获取可能购买的目标用户，合理配置在渠道上的投放预算，以提高高质量用户获取的比例：
渠道工作的核心，主要是做好两方面的工作：宏观层面，优化整个渠道的配置；微观层面，单一渠道角度来说，根据渠道配置的策略，有针对性地实施和调整。
具体渠道的实施，大家都比较熟悉，但是对于整个渠道组合配置的优化，很多人接触的其实并不多。
这张图是整体转化漏斗，从不同维度可以做对比，比如我们先选出流量前 10 的渠道：
以渠道一为例，总体的转化率是 0.02%；在过去 30 天站内总体的流量是 18.9K，漏斗第一级到第二级的转化率是 3.36%，这样一共是五级，我们看到最终渠道一带来总体的成交用户一共是 4 人。
类似的，前 10 的渠道数据都很清晰。不同渠道带来的流量，不同渠道总体的转化率，以及不同渠道在整个转化路径上每步的转化率都可以看到。
这里面有几个渠道很有特点：
渠道一的特点，渠道一带来的流量是所有 10 个渠道里最大的，但是它的总体转化率却是低的；
渠道二和渠道七，渠道二的量很大，但是转化率是零。渠道七量比较一般，转化率也是零；
渠道九和渠道十，这两个渠道是所有渠道里转化率最高的。但是这两个渠道特点，是带来流量不是特别大……
第一象限（右上角）渠道质量又高，带来流量又大的，这里面渠道三四五是符合这个特征的，渠道策略应该是继续保持和提高渠道的投入。
第二象限（左上角）渠道的质量比较高，但带来的流量比较小，这里面包含的主要渠道就是八九十。对应的主要策略是，加大渠道的投放，并且在加大投放的过程中，要持续关注渠道质量的变化。
我们先看第四象限（右下角），渠道质量比较差，但是带来流量比较大，这里面主要有渠道一和渠道二。相对应的渠道策略，应该在渠道做更加精准的投放，来提高整个渠道的质量。
第三象限（左下角）这个象限里渠道质量又差，带来流量又小，比如渠道六跟渠道七。我们是否要直接砍掉？这里建议是，策略上要比较谨慎一些。所以在具体渠道的策略上，业绩保持监测，然后小步调整。
根据上面数据分析得出的结果，做过渠道优化后，就会为我们带来更多高质量的用户。
2.接下来就要把高价值的用户——真正有购买需求，愿意付费、购买的用户找出来。
将资源与精力投入到真正可能购买的用户上的前提是，我们要能够识别出，哪些是真正有价值的用户？哪些是价值偏低的用户？
其实对于互联网金融平台来说，甚至所有包含在线交易的平台，用户的购买意愿，是可以从用户的行为数据上识别出来的。由于互联网金融平台的特殊性，相比于电商平台来说，商品品类更少，平台功能也更为简单，所以用户的行为数据，也更能反应出互联网金融平台上用户的购买意愿。
把用户在平台上的所有行为总结一下，核心的行为其实并不多，具体包括：
用户查看产品列表页，说明有一些购买意愿，点击某个产品，说明用户希望有进一步的了解。用户最终确认了支付，完成了购买，购买流程就走完了，他的理财需求已经得到了满足。每一种行为都表示出用户不同程度的购买意愿，所以获得用户在产品里的行为数据就十分重要。
既然用户行为数据这么重要，那么怎样获取呢？GrowingIO 以无埋点的方式，全量采集用户所有的行为数据，根据我们对业务的需求，配比成不同的权重系数，并按照每个用户购买意愿的强弱，进一步分群。
这是我们一个客户制作的用户购买意愿指标的范例，刚才的前 5 个行为，都是用户在购买前典型的行为：
每种典型事件的权重系数不一样，用户购买意愿是越来越强的：用户点了投资按纽，甚至点了提交的按钮，显然要比他单单看产品列表页，或者单单看产品页、详情页的意愿强。越能反应用户购买意愿的事件，你给它分类的权重应该是最大的，这是大的原则，0.05 还是 0.06 影响并不大，所以不必纠结。
这样通过这种方式，我们就可以按照每个用户的所有行为，给用户做购买意愿打分的指标，最终形成用户购买意愿的指标。
这是我们从高到低截取部分用户购买意愿打分的情况，第一列是每个用户的 ID，第二列是按照购买意愿给每个用户打分的情况。得分高的，就是购买意愿最强烈的用户。
拿到所有用户购买意愿之后，我们就可以按照用户购买意愿的强烈与否，把所有的用户分成不同的群体，来做针对性的运营。
这是在把用户在过去 14 天内，由其产生的所有行为数据，按照购买意愿打分的权重，把打分大于 5 的用户找出来，在总体用户里，这部分用户购买意愿排名前 20% ，我们给它起个名字，叫购买意愿强烈的用户。
类似我们还做了购买意愿中等的用户分群，这是购买意愿排名在 20-60% 之间的用户；购买意愿排名在最后 40% 的用户，是购买意愿最弱的用户分群。
分群之后，点击任意一个分群，都会以用户 ID 的形式列出来。因为你要有用户的 ID ，才能对这些用户施加运营策略。每个用户最近 30 天的访问次数，最近的访问地点，最后一次访问时间都可以看到。
接下来针对这些购买意愿强烈的用户，怎样推动用户的转化呢？
3.采取针对性的运营策略，提高高价值用户的转化率。
首先我们来看一下购买偏好，互联网金融平台商品品类是比较少的，用户购买的目的性也比较清晰，一般商品的品类有这么几种：
第一种：债券型理财产品
第二种：股票型理财产品
第三种：货币型理财产品
第四种：指数型理财产品
第五种：混合型理财产品…
我们把用户在不同品类商品上的访问时长占比算出来，就能比较好地了解用户的购买偏好。比如下图，我们用用户访问债券型产品详情页的访问时长，除以用户在站内总体的访问时长，就能够得到用户在债券产品上访问时长占比的指标。
我们还是使用用户分群的工具，把在债券型产品上的访问时长占比大于40%的用户分出来，这是有非常强烈表征的客户，他购买的偏好就是债券型的产品。
同时我们再设定另外一个指标，比如用户购买意愿指标，之前我们做过大于5，也就是购买意愿排名在前 20% 的。
通过这两个条件，我们就可以把购买偏好是债券型产品，同时有强烈购买意愿的用户找出来，这两个指标的关系是并（and）的关系。同样我们可以按照用户的购买偏好，把关注其他品类的用户，都做成不同的用户分群，然后形成不同购买偏好的用户群体。
针对这些用户，其实在运营策略上，我们可以从三个层面来展开来进行做：
从购买阶段的角度，首先我们把所有用户可以分成新客和老客。对于这两个群体来说，运营策略和运营重点是非常不一样的。
新客群体，是从来没有在平台上发生过购买的用户，我们要根据用户的购买意愿，做进一步的运营。
老客群体，也就是在平台上已经发生过产品购买的用户，除了关注用户的购买意愿之外，用户的资金状态（资金是否赎回）也是非常重要的参数。
用户是否购买过产品？购买产品的用户是否已经赎回资金？这两个内容，其实是一个用户当前的属性。在我们分群的工作里，这有个维度的菜单，通过这个维度菜单，我们就可以把具有某种属性的用户找出来：
这里我做了一个分群，我们可以看一下。在维度的菜单里，我们把是否购买过产品的维度值设置成了 1 。把资金是否已经赎回这个维度的值，也设置成了 1 。实际上是把那些资金已经赎回的老用户找出来；同样在指标这个菜单里，我们同时也把有强烈购买意愿的用户找出来，时间是过去 14 天，指标大于 5 。
这样我们就制作了一个用户分群，而这个用户分群里所有用户，要满足下面的三个特征：
特征一：购买过产品的老客。
特征二：他们的资金，目前已经赎回了。
特征三：过去 14 天内的行为数据，表明这个用户有着强烈的购买意愿。
同理我们把所有用户，整理为下面几个不同类别，对应不同的运营策略：
比如新客里，当前有购买意愿的，其实他属于购买决策期的新用户。应该根据用户的购买偏好，推荐这种比较优质的理财产品。并给予一定的购买激励，来促进这些新客在平台上的第一次购买，这个对于新客来说是非常重要的，以此类推。
相比于电商或者其他行业，互联网金融平台结合行业和用户的特点，从用户行为数据分析的角度，驱动产品业务以及提高用户的转化率，有更加重要的意义。

3. BAT的金融大数据到底是如何运作的

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。网络在风控层面上的进展还是比较突出，网络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。

网络金融的优势在于，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。网络金融相对来说更进一步，是依托“网络大脑”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

大数据和云计算永远都是相伴相随的一对孪生兄弟。金融大数据核心工作包括三方面，即获取数据、建立模型、模型在实践中优化、迭代。而对于金融大数据而言，金融云才是它的地基。

打个不恰当的比方，前文中说大数据是煤矿，而金融云其实就是矿井。矿井的安全行、可靠性决定了挖煤的效率和结果。

金融云把底层技术很多问题都解决了。大量金融模型都是金融云所引入的，如客户模型、产品模型、账务模型等。同时金融云关注金融本身的严谨性和周密性、安全性的考虑。

2016年7月，“腾讯云+未来”峰会上，腾讯云和腾讯金融云都已成为最重点部署的业务。同年9月，网络世界大会金融科技分论坛上，网络金融云正式向业界开放。据时任网络金融研发负责人沈抖表示，网络金融云将通过人工智能、安全防护、智能获客、大数据风控、IT系统、支付等六大技术能力给合作伙伴赋能。10月，阿里云栖大会上，阿里金融云负责人则是提出将会和生态合作伙伴、服务联盟为金融行业量身定制推出云增强服务。

大数据必须要跑在云端，而金融大数据更需要和业内其他企业展开数据、支付、业务等一系列的合作。金融云对可用性、安全性的要求严格，比如说对一个高度可控可信的云安全体系而言，基础环境安全、风控与审计、数据安全三者缺一不可。而金融云在未来的竞争中将发挥越来越重要的作用。

?

4. 互联网金融运营需要关注的数据有哪些呢

关于究竟要关注哪些东西，我建议你去问问相关人士，或者查阅相关资料。对于互联网金融的运营来说，相关数据应该受到三个方面的影响:

一是平台的细分和运营模式。互联网金融可以分为p2p和众筹。然后你把它分解。不同的细分，不同的模型，操作参考指标也必须有细微的差别。

第二是职位的位置和情报。它是关于你在平台中扮演的角色，以及你所处的角色。例如，内容操作、活动操作、新媒体操作等，必须有所不同。

第三，我们应该着眼于平台发展阶段的运营目标。一个新的平台和一个已经运行了几年的成熟平台将会有不同的战略目标，所以关注的数据将会有所不同。

如果以上几个因素都是清楚的，再看我们需要注重操作数据，不管区别，我们可以在这里讨论一些一般的共同参考建议。

不同渠道的总数据比率

如sem、网络seo或专业的第三方论坛，或微博的运营效果良好，转化率高，所有这些也将是一项综合措施，以方便平台整体考虑未来的主要推广渠道和策略。

转化率

这是最重要的。我们每一篇文章，每一个问答，微博每一篇内容，微信每一篇文章都有多少转化带给平台，它直接关系到我们的工作成果，并调整和优化下。

目前，关于如何运营互联网金融平台有几点看法。不管数据是什么，都是关于用户的，都是关于用户体验的。互联网金融的本质仍然是金融，但它必须具有广泛的用户基础和较高的用户粘度和声誉。因此，个人认为一个好的互联网金融平台需要不断完善平台模式和服务，而另一方面，它是用户体验的终极。在互联网时代，用户体验是一个永恒的主题。

总结

我最近开始学习互联网金融。如果有任何不适当的地方，欢迎你的合作伙伴做砖和沟通。

5. 金融行业有哪些领域需要大量运用数据分析

前瞻产业研究院《2016-2021年中国大数据金融行业市场前瞻与投资战略规划分析报告》希望有用。
第1章：大数据金融行业发展概述
1.1 大数据产业发展背景概述
1.1.1 大数据产业的概念
（1）数据产生与集聚层
（2）数据组织与管理层
（3）数据分析与发现层
（4）数据应用与服务层
1.1.2 大数据的生态系统
1.1.3 大数据的商业价值
（1）大数据的商业价值杠杆
（2）大数据创造的商业价值
1.2 大数据产业行业应用情况
1.2.1 大数据产业各个行业应用情况
（1）不同领域潜在价值评估
（2）不同领域投资结构分布
1.2.2 大数据产业金融领域应用情况
1.3 大数据金融概念及其特点
1.3.1 大数据金融基本定义
1.3.2 大数据金融主要特征
1.4 大数据金融主要发展模式
1.4.1 平台金融发展模式
1.4.2 供应链金融发展模式
第2章：大数据金融发展环境分析
2.1 大数据金融行业政策环境分析
2.1.1 行业监管体系概述
2.1.2 行业主要政策分析
2.1.3 政策环境对行业发展影响
2.2 大数据金融行业经济环境分析
2.2.1 国内经济走势分析
（1）国内GDP增速情况
（2）工业生产增速情况
（3）固定资产投资情况
2.2.2 国内金融市场分析
（1）银行资产负债规模分析
（2）银行贷款规模分析
（3）银行风险能力分析
2.2.3 国内经济发展趋势
2.2.4 经济环境对行业发展影响
2.3 大数据金融行业技术环境分析
2.3.1 大数据与云计算
2.3.2 大数据处理工具
2.3.3 技术环境对行业发展影响
2.4 大数据金融行业社会环境分析
2.4.1 互联网行业发展现状
（1）互联网网民规模分析
（2）互联网资源规模分析
2.4.2 社交媒体发展现状
（1）新闻网站
（2）网络视频
（3）搜索引擎
（4）即时通信
（5）微博客
（6）博客/个人空间
2.4.3 移动设备发展现状
2.4.4 社会环境对行业发展影响
2.5 大数据金融国际发展分析
2.5.1 银行大数据全球发展现状
（1）海外银行大数据发展分析
（2）银行大数据建设案例分析
2.5.2 保险大数据全球发展现状
（1）海外保险大数据发展分析
（2）保险大数据建设案例分析
2.5.3 国外大数据金融发展启示
第3章：大数据金融创新分析
3.1 大数据金融三大创新支点
3.2 大数据金融基础设施创新
3.2.1 支付体系建设分析
（1）支付行业用户规模
（2）支付行业交易规模
（3）支付行业模式分析
（4）支付行业市场规模预测
3.2.2 征信体系建设分析
（1）征信机构业务规模分析
（2）征信机构数据库建设情况
（3）征信行业数据端商业模式
（4）大数据征信发展趋势分析
3.2.3 资产交易平台分析
（1）资产交易平台发展规模
（2）资产交易平台主要类别
1）银行系P2P网贷平台
2）民营系P2P网贷平台
3）国资系P2P网贷平台
4）上市公司系P2P网贷平台
5）风投系P2P网贷平台
（3）资产交易平台商业模式
3.2.4 基础设施创新方向
（1）支付体系介质创新
（2）征信体系多元发展
（3）交易平台去中介化
3.3 大数据金融平台创新分析
3.3.1 电商平台发展现状分析
（1）电商平台客户结构分析
（2）电商市场竞争格局分析
（3）电商领先企业优势分析
（4）电商行业投资并购分析
3.3.2 社交平台发展现状分析
（1）社交网络流量统计排名分析
（2）社交网络市场竞争格局分析
（3）社交网络领先企业优势分析
（4）社交网络平台投资并购分析
3.3.3 信息服务平台发展现状
（1）门户网站竞争格局分析
（2）门户网站投资并购分析
3.3.4 平台建设创新发展方向
（1）用户积累方式革新
（2）平台个性定制革新
3.4 大数据金融渠道创新升级分析
3.4.1 银行业渠道互联网化发展现状
（1）电子银行的交易规模
（2）电子银行的模式分析
3.4.2 保险业渠道互联网化发展现状
（1）保险业网销交易规模
（2）保险业网销模式分析
3.4.3 证券业渠道互联网化发展现状
（1）互联网证券交易情况
（2）互联网证券模式分析
3.4.4 渠道创新升级策略分析
（1）渠道定位转型
（2）实体渠道转型
第4章：大数据金融具体应用领域
4.1 银行业大数据金融应用分析
4.1.1 银行业大数据金融发展历程
4.1.2 银行业大数据金融创新模式
（1）风险控制模式创新
（2）产品营销模式创新
（3）银行运营模式创新
（4）银行服务模式创新
4.1.3 银行业大数据金融应用现状
4.1.4 银行业大数据金融经典案例
（1）花旗银行大数据金融案例分析
（2）中信银行大数据金融案例分析
（3）浦发银行大数据金融案例分析
（4）民生银行大数据金融案例分析
4.1.5 银行业大数据金融发展潜力
4.1.6 银行业大数据金融发展前景
4.2 保险业大数据金融应用分析
4.2.1 保险业大数据金融发展历程
4.2.2 保险业大数据金融创新模式
（1）赔付管理模式创新
（2）业务定价模式创新
（3）险企运营模式创新
（4）产品营销模式创新
4.2.3 保险业大数据金融发展现状
4.2.4 保险业大数据金融经典案例
（1）平安保险大数据金融案例分析
（2）泰康人寿大数据金融案例分析
4.2.5 保险业大数据金融发展前景
4.3 证券业大数据金融应用分析
4.3.1 证券业大数据金融发展历程
4.3.2 证券业大数据金融创新模式
（1）客户关系管理模式创新
（2）证券监管模式创新
（3）市场预期模式创新
4.3.3 证券业大数据金融发展现状
4.3.4 证券业大数据金融经典案例
（1）海通证券大数据金融案例分析
（2）国泰君安大数据金融案例分析
（3）中信证券大数据金融案例分析
4.3.5 证券业大数据金融发展前景
4.4 其他领域大数据金融应用情况
4.4.1 信托业大数据金融应用分析
4.4.2 小额贷款领域大数据金融应用分析
4.4.3 担保业大数据金融应用分析
4.4.4 P2P网贷大数据金融应用分析
第5章：大数据金融领先服务商分析
5.1 国外领先大数据金融服务商
5.1.1 IBM
（1）企业基本信息概述
（2）企业大数据布局
（3）企业平台资源分析
（4）企业主营业务分析
1）利润分析
2）资产负债分析
3）现金流量分析
（5）企业大数据收入分析
（6）企业竞争策略分析
（7）企业最新发展动向
（8）企业发展优劣势分析
5.1.2 甲骨文股份有限公司
（1）企业基本信息概述
（2）企业大数据布局
（3）企业平台资源分析
（4）企业主营业务分析
1）利润分析
2）资产负债分析
3）现金流量分析
（5）企业大数据收入分析
（6）企业发展战略分析
（7）企业最新发展动向
5.1.3 英特尔
（1）企业基本信息概述
（2）企业大数据布局
（3）企业平台资源分析
（4）企业主营业务分析
1）利润分析
2）资产负债分析
3）现金流量分析
（5）企业大数据收入分析
（6）企业发展战略分析
（7）企业最新发展动向
5.1.4 SAP公司
（1）企业基本信息概述
（2）企业大数据布局
（3）企业大数据解决方案
（4）企业主营业务分析
1）利润分析
2）资产负债分析
3）现金流量分析
（5）企业大数据收入分析
（6）企业大数据价值分析
（7）企业最新发展动向
5.1.5 文思海辉技术有限公司
（1）企业基本信息概述
（2）企业大数据布局
（3）企业平台资源分析
（4）企业主营业务分析
1）利润分析
2）资产负债分析
3）现金流量分析
（5）企业相关案例分析
（6）企业发展战略分析
（7）企业最新发展动向
（8）企业发展优劣势分析
5.2 国内领先大数据金融服务商
5.2.1 荣之联
（1）企业基本信息概述
（2）企业大数据布局
（3）企业平台资源分析
（4）企业主营业务分析
1）主要经济指标
2）运营能力分析
3）盈利能力分析
4）偿债能力分析
5）发展能力分析
（5）企业研发能力分析
（6）企业发展战略分析
（7）企业最新发展动向
（8）企业发展优劣势分析
5.2.2 九次方
（1）企业基本信息概述
（2）企业大数据布局
（3）企业平台资源分析
（4）企业主营业务分析
（5）企业大数据解决方案分析
（6）企业发展战略分析
（7）企业最新发展动向
（8）企业发展优劣势分析
5.2.3 贝格数据
（1）企业基本信息概述
（2）企业平台资源分析
（3）企业主营业务分析
（4）企业典型案例分析
（5）企业最新发展动向
（6）企业发展优劣势分析
5.2.4 中国保信
（1）企业基本信息概述
（2）企业组织架构分析
（3）企业平台资源分析
（4）企业主营业务分析
（5）企业最新发展动向
5.2.5 Talking Data
（1）企业基本信息概述
（2）企业发展大事记
（3）企业平台资源分析
（4）企业主营业务分析
（5）企业主要客户分析
（6）企业所获荣誉介绍
（7）企业最新发展动向
第6章：互联网企业大数据金融战略布局分析
6.1 阿里巴巴大数据金融布局分析
6.1.1 企业基本信息概述
6.1.2 企业主营业务分析
（1）企业主营业务类型
（2）企业经营业绩分析
（3）企业金融业务分析
6.1.3 企业战略发展布局
6.1.4 企业基础资源分析
（1）企业数据资源分析
（2）企业平台资源分析
（3）企业金融资源分析
6.1.5 企业网站流量分析
6.1.6 企业风险管理体系
6.1.7 企业投资并购动向
（1）2014年阿里巴巴投资布局
（2）2015年阿里巴巴投资布局
6.1.8 业务发展优劣势分析
6.1.9 企业大数据金融业务发展前景
6.2 腾讯公司大数据金融布局分析
6.2.1 企业基本信息概述
6.2.2 企业主营业务分析
（1）企业主营业务类型
（2）企业经营业绩分析
（3）企业金融业务分析
6.2.3 企业战略发展布局
6.2.4 企业基础资源分析
（1）企业数据资源分析
（2）企业平台资源分析
（3）企业金融资源分析
6.2.5 企业网站流量分析
6.2.6 企业风险管理体系
6.2.7 企业投资并购动向
（1）2014年腾讯公司投资布局
（2）2015年腾讯公司投资布局
6.2.8 业务发展优劣势分析
6.2.9 企业大数据金融业务发展前景
6.3 网络公司大数据金融布局分析
6.3.1 企业基本信息概述
6.3.2 企业主营业务分析
（1）企业主营业务类型
（2）企业经营业绩分析
（3）企业金融业务分析
6.3.3 企业战略发展布局
6.3.4 企业基础资源分析
（1）企业数据资源分析
（2）企业平台资源分析
（3）企业金融资源分析
6.3.5 企业网站流量分析
6.3.6 企业风险管理体系
6.3.7 企业投资并购动向
（1）2014年网络公司投资布局
（2）2015年网络公司投资布局
6.3.8 业务发展优劣势分析
6.3.9 企业大数据金融业务发展前景
6.4 京东商城大数据金融布局分析
6.4.1 企业基本信息概述
6.4.2 企业主营业务分析
（1）企业主营业务类型
（2）企业经营业绩分析
（3）企业金融业务分析
6.4.3 企业战略发展布局
6.4.4 企业基础资源分析
（1）企业数据资源分析
（2）企业平台资源分析
（3）企业金融资源分析
6.4.5 企业网站流量分析
6.4.6 企业风险管理体系
6.4.7 企业投资并购动向
（1）2014年京东公司投资布局
（2）2015年京东公司投资布局
6.4.8 业务发展优劣势分析
6.4.9 企业大数据金融业务发展前景
6.5 苏宁云商大数据金融布局分析
6.5.1 企业基本信息概述
6.5.2 企业主营业务分析
（1）企业主营业务类型
（2）企业经营业绩分析
（3）企业金融业务经营效益
6.5.3 企业战略发展布局
6.5.4 企业基础资源分析
（1）企业数据资源分析
（2）企业平台资源分析
（3）企业金融资源分析
6.5.5 企业网站流量分析
6.5.6 企业风险管理体系
6.5.7 企业投资并购动向
6.5.8 业务发展优劣势分析
6.5.9 企业大数据金融业务发展前景
第7章：金融机构大数据金融战略布局分析
7.1 银行大数据金融领先应用机构
7.1.1 建设银行大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业基础建设情况
1）企业数据资源分析
2）企业金融资源分析
（4）企业平台建设情况
（5）企业渠道建设情况
（6）企业风险管理情况
（7）企业投资并购动向
（8）业务发展优劣势分析
7.1.2 工商银行大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业基础建设情况
1）企业数据资源分析
2）企业金融资源分析
（4）企业平台建设情况
（5）企业渠道建设情况
（6）企业风险管理情况
（7）企业投资并购动向
（8）业务发展优劣势分析
7.1.3 中国银行大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业基础建设情况
1）企业数据资源分析
2）企业金融资源分析
（4）企业平台建设情况
（5）企业渠道建设情况
（6）企业风险管理情况
（7）企业投资并购动向
（8）业务发展优劣势分析
7.1.4 农业银行大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业基础建设情况
1）企业数据资源分析
2）企业金融资源分析
（4）企业平台建设情况
（5）企业渠道建设情况
（6）企业风险管理情况
（7）企业投资并购动向
（8）业务发展优劣势分析
7.1.5 交通银行大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
（3）企业基础建设情况
（4）企业平台建设情况
（5）企业渠道建设情况
（6）企业风险管理情况
（7）业务发展优劣势分析
7.1.6 招商银行大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业基础建设情况
1）企业数据资源分析
2）企业金融资源分析
（4）企业平台建设情况
（5）企业渠道建设情况
（6）企业风险管理情况
（7）企业投资并购动向
（8）业务发展优劣势分析
7.1.7 中信银行大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业基础建设情况
1）企业数据资源分析
2）企业金融资源分析
（4）企业平台建设情况
（5）企业渠道建设情况
（6）企业风险管理情况
（7）企业投资并购动向
（8）业务发展优劣势分析
7.1.8 平安银行大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
（3）企业基础建设情况
1）企业数据资源分析
2）企业金融资源分析
（4）企业平台建设情况
（5）企业渠道建设情况
（6）企业风险管理情况
（7）企业投资并购动向
（8）业务发展优劣势分析
7.2 保险大数据金融领先应用机构
7.2.1 中国人寿大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业大数据金融布局路径
（4）企业大数据金融发展模式
（5）企业大数据金融业务优劣势分析
7.2.2 中国人保大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业大数据金融布局路径
（4）企业大数据金融发展模式
（5）企业大数据金融业务优劣势分析
7.2.3 平安保险大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业大数据金融布局路径
（4）企业大数据金融发展模式
（5）企业大数据金融业务优劣势分析
7.2.4 泰康人寿大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业大数据金融布局路径
（4）企业大数据金融发展模式
（5）企业大数据金融业务优劣势分析
7.2.5 太平保险大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业大数据金融布局路径
（4）企业大数据金融发展模式
（5）企业大数据金融业务优劣势分析
7.2.6 阳光保险大数据金融布局分析
（1）企业基本信息概述
（2）企业主营业务分析
1）企业主营业务类型
2）企业经营业绩分析
（3）企业大数据金融布局路径
（4）企业大数据金融发展模式
（5）企业大数据金融业务优劣势分析
7.3 证券大数据金融领先应用机构
7.3.1 国金证券大数据金融布局分析
（1）企业基本信息概述
（2）企业基础资源分析
（3）企业市场预期水平
1）企业大数据金融发展现状
2）企业大数据金融发展前景
（4）企业经营业绩分析
（5）企业营业网点分析
（6）业务发展优劣势分析
7.3.2 中信证券大数据金融布局分析
（1）企业基本信息概述
（2）企业基础资源分析
（3）企业市场预期水平
1）企业大数据金融发展现状
2）企业大数据金融发展前景
（4）企业经营业绩分析
（5）企业营业网点分析
（6）业务发展优劣势分析
7.3.3 国泰君安大数据金融布局分析
（1）企业基本信息概述
（2）企业基础资源分析
（3）企业市场预期水平
1）企业大数据金融发展现状
2）企业大数据金融发展前景
（4）企业经营业绩分析
（5）企业营业网点分析
（6）业务发展优劣势分析
7.3.4 海通证券大数据金融布局分析
（1）企业基本信息概述
（2）企业基础资源分析
（3）企业市场预期水平
1）企业大数据金融发展现状
2）企业大数据金融发展前景
（4）企业经营业绩分析
（5）企业营业网点分析
（6）业务发展优劣势分析
………………