征信大数据》

1 客户征信概述

1.1 征信社会

1.1.1 降低社会管理成本

1.1.2 产生新的商业模式——淘宝

1.1.3 信用是公民的“第二张身份证”

1.2 银行的基础——客户征信

1.2.1 坏种子客户

1.2.2 好种子客户

1.3 互联网金融

1.3.1 P2P的发展和瓶颈

P2P的特点

P2P的疯狂发展

跑路的原因——风险控制不足

美国的LendingClub

1.3.2 支付和征信是基础

1.3.3 改写金融历史

银行大量“下岗”？

1.4 征信的内容

1.4.1 身份欺诈

1.4.2 逾期不换

1.4.3 “跑路”

1.5 难点

1.5.1 信息共享难题

1.5.2 信息价值等维度评估

1.5.3 正规军遇到游击队——派卧底？

1.5.4 对客户隐私的挑战

美国

欧盟

2 客户征信的大数据内容

2.1 征信大数据的特点

2.1.1 新4V特征

2.1.2 维度跨度大

2.1.3 数据新鲜度高

2.1.4 剔除脏数据

2.1.5 数据价值权重各异

2.2 客户的差异

2.2.1 银行客户——高富帅

2.2.2 互联网金融客户——屌丝

2.3 客户的历史档案数据

2.3.1 考试作弊？

2.3.2 酒后驾驶？

2.3.3 逃票行为？

2.4 银行内部的大数据

2.4.1 央行的大数据

人民银行的征信系统

2.4.2 个人客户和企业客户

2.4.3 信贷历史数据

2.4.4 交易流水数据

2.5 互联网行为的大数据

2.5.1 社交数据

2.5.2 电商网购数据

2.5.3 聊天数据等

2.6 电信行业的大数据

2.6.1 位置轨迹

2.6.2 手机动态

2.6.3 交往圈痕迹

2.6.4 客户的“喜好”

客户视图

客户知识库

2.6.5 客户“积分”数据

2.7 侦探（线下）的大数据

2.7.1 典当情况

2.7.2 民间借贷情况

2.7.3 法院破产等信息

2.7.4 水电部门的数据

3 客户征信数据分析方法

3.1 客户基本特征分析

3.1.1 客户基本信息

3.1.2 客户喜好及性格

3.1.3 客户的360度分析

3.2 客户身份识别分析

3.2.1 人脸识别

3.2.2 行为识别

3.3 客户黑白名单

3.3.1 实时分析谁是骗子

快速计算

快速获取实时客户数据

骗子识别算法

3.3.2 客户忠诚度分析

哪些是跳蚤客户

哪些是忠诚客户

3.3.3 优质客户分析

客户分群

3.4 产品的交叉营销

3.4.1 信用卡和贷款交叉

3.4.2 产品超市中关联分析

4 客户征信数据收集、清洗及管理

4.1 背景

4.1.1 征信的立法滞后

4.1.2 哪些客户数据可以收集？

4.1.3 规避哪些问题？

4.2 数据如何收集？

4.2.1 让客户自己开房信誉数据

4.2.2 跨企业联合的“市场”

4.2.3 跨行业联合的“市场”

4.3 数据如何“验真”？

4.3.1 客户自己提供数据的验真

4.3.2 跨行业的验真服务

4.4 数据质量如何保障？

4.4.1 数据源的质量保障

4.4.2 数据加工过程的质量保障

4.5 数据如何管理？

4.5.1 元数据

4.5.2 数据质量监控

4.6 如何规避侵犯客户隐私？

4.6.1 客户隐私的定义和范围

4.6.2 规避的方法

4.6.3 贷款就没有隐私了——“度”的把控

4.7 数据安全管理

4.7.1 数据脱敏

4.7.2 数据加密和解密算法

4.7.3 安全管理办法

4.7.4 云托管环境下如何保障安全？

5 金融客户征信案例

5.1 阿里的“芝麻信用”

5.2 从FICO到ZestFinance

5.3 中国人民银行征信系统

6 展望

6.1 征信需求从元年到兴盛

6.2 建立产业链——避免“因噎废食”

6.3 从依靠“礼教”到依靠“征信”的转型