客户信息收集越全面、完整，算法、算力越强大，数据分析得到的结论就越趋向于合理和客观。随着互联网的不断发展，移动互联网的大范围普及，海量的用户行为数据由此产生。更多维度数据的交叉与交互为银行不断带来新的有价值信息。如果说行内数据的整理与应用能让银行描绘出客户的部分画像，那么外部数据的进一步补充则可以让银行得到客户更精确的画像，这其中包括政府职能部门提供的专业数据，如工商、司法、税收、环保、海关等；通讯运营商数据；互联网舆情信息；企业财务数据；电商平台数据信息；银联交换数据等。

 

银行内部数据，尤其是账户和交易数据，是忠实记录客户行为的一手信息，更是大数据挖掘的宝库。行内积累的数据都是基于真实业务背景发生后留下的交易记录，每类业务的发生都会涉及我行一个或多个业务系统的数据变更，同时产生一条或多条业务交易数据及操作记录。网上银行、手机银行、核心系统、信用卡平台等系统内的客户交易数据，信贷系统、客户关系系统、计价系统等客户的基础信息都是大数据风控的数据源。

 

金融科技将越来越多的银行业务从线下转移到线上，从根本上改变了传统的金融业务处理模式，原有的风险管理方式已不能完全适应新形势下的风险管理要求。传统的基于历史业务数据分析的监测方式偏于静态，能看到的风险视图有限。面对更加隐蔽的操作风险、欺诈风险，及时、高效的风险侦测离不开与大数据相适应的模型和算法。

 

一是基于客户基础信息的风险分析方法。重点在于识别客户的异常信息。其一是交易信息。如交易序列异常、交易主体身份异常、交易规模异常、交易方向异常、跨境交易规模异常、交易金额异常等。其二是关联关系。如企业之间的股权投资关系、企业注册地址关系、企业间的地域关系、企业法人、财务联系人之间的关系、特定行业间的联系等。其三是横截面数据分析，如选取特定的日期、特定的交易主体、特定的交易对手、特定的交易账户、特定的区域等。通过多维度对客户相关信息的分析，识别异常风险。

 

二是基于客户资金流的风险分析方法。归纳总结已曝光案件的交易过程，找出交易模式和主要特征，提炼出规则后用于监测分析同类性质风险，不断训练和更新规则。例如，根据交易实际发生的先后顺序、交易之间的时间间隔长短、资金的实际用途对资金使用情况进行预判，判断资金使用是否符合规定，交易背后的贸易背景是否真实等。涉及信贷资金的，判断其用途是否违反人民银行和监管当局的监管要求，是否禁入未被允许的领域挪作他用。其他重点领域包括贷款资金转存保证金，对地下钱庄案件分析，集资类案件分析等。

 

三是基于影像流的分析方法。影像流大数据分析又称智能视频分析，主要是通过算法，高效处理海量非结构化的视频图像数据，实现对数据的快速检索、智能识别和机器理解。随着视频数据的价值逐渐被发掘，通过计算机替代人力来挖掘视频数据价值已经成为趋势。以深度学习算法为基础的计算机视觉技术的进步为视频大数据分析提供了强有力的支撑。基于机器学习技术，提高分类和预测的准确性。

 

四是基于批处理大数据分析的计算方法。以Hadoop为代表的批处理大数据系统应用越来越普及。批处理主要操作大容量静态数据集，通过数据加载和分析，在计算过程完成后返回结果。从特征看，批处理模式中使用的数据集：一是有界，即批处理大数据需要有限且明确的数据集合。二是持久，数据始终基于某种存储方式存储在指定位置中。三是海量，批处理操作通常是处理极为海量数据集的唯一方法。

 

五是基于实时流处理大数据分析的计算方法。随着银行业务在线程度的快速提高，传统静态的数据分析模式已经无法满足场景授信对实时风险防控的要求.如信用卡的实时欺诈风险，实时交易风险，因其发生时间短，要求银行必须具备实时数据分析能力。以Spark Streaming、Storm、Flink为代表的流处理大数据系统将实时数据通过流处理，逐条加载至高性能内存数据库中，根据预先设定的逻辑进行计算和查询，快速准确得到结论，数据迟滞低。由于强调在“事中”甚至“事前”感知、分析、判断和决策，实时流处理技术有助于对突发风险的防范。