我想传达的数据理念是，如果数据不能产生价值都是耍流氓。
世界上只有四种数据：行为数据、交易数据、社交数据和传感器数据。
数据在企业里边基本上会做三件事情：效率提升，业务提升，成本降低。如果这三件事情做好，数据就实现了价值。
而数据在整个金融行业的应用，则有三个方向，一是数字化运营，二是精准营销，三是数据风控。其中精准营销和风控是目前世界上大数据可以变现的两种方式。
TalkingData主要是利用移动互联网人群的行为数据来描述一个人的兴趣偏好、出行轨迹、兴趣爱好等信息，过去一年我们帮助很多企业利用移动大数据洞察他们的客户。
案例1 精准营销：有车族更爱用Uber，向他们推销绑卡!
这是我们帮一个信用卡公司做的数据分析和数据营销案例。
我们利用移动App数据，发现很多客户愿意玩游戏。于是就利用游戏帮它进行引流。同时利用手机游戏的活动，激活了40%的休眠客户。这个信用卡公司在整个金融移动APP占比是非常高的，日活可以达到330万，这个APP每个月为信用卡公司创造将近几个亿的净收入。
另外，客户希望信用卡和借记卡可以更多绑定在优步(Uber)应用上。但是前期广播式投放广告之后，效果非常之差，只有千分之三的人在这个应用上绑了客户机构的卡。
没有数据分析之前，大家都认为Uber是应该推荐给没有车的人，因为没有车的人会有很高的打车需求。但实际上我们用数据分析之后，通过精准营销和数据分析，发现有车一族使用Uber的频率更高，更愿意利用信用卡或借记卡绑定Uber。为什么呢?因为这些有车的人已经习惯自己开车上班了，已经不习惯公共交通了，不习惯地铁和其他公共交通了，这些人才是刚性Uber的需求，聚会的时候，喝酒的时候，吃饭的时候都是需要打车的。
我们利用数据精准地找到了有车的客户，向他们推送绑定信用卡广告，提高了精准营销的效果，用户绑定信用卡/借记卡的成功率提高了十多倍。
在没有数据支持的情况下，在没有数据分析之前可能一个客观事物判断往往是基于一个人主观的经验，基本上普遍广告转化率大概只有千分之三。但是如果有数据可以精准营销，基本上转化率可以提高5%。我们根据这些客户画像帮银行找到它的目标客户，优化它的产品。
案例2数据风控：经常飙车泡夜店?你可能被列为高风险人群
在没有数据之前，很多银行给中小企业贷款的时候，风险评估依据于POS机的刷卡记录。这个刷卡记录是可以做假的的，例如可以用信用卡套现来提高POS机的流。
我们可以通过移动设备数据采集的方式来判断，这个店铺的客流量，每天进来多少人，多少人去试衣服，多少人去结账，多少人离开等数据。通过这些数据判断小商户的客流量和经营的情况，然后参考这些信息和POS机信息，给出一个更加客观的授信额。这种利用移动设备数据的风险管理方式，比原来仅凭借交易数据判断信用等级的方式，提高了30%左右准确率，降低了欺诈的可能性。
网络犯罪正在成为互联网金融公司公司面临的主要威胁之一，甚至在一些互联网金融公司公司，恶意欺诈产生的损失占整体坏账的60%。很多互联网金融公司公司将主要精力放在如何预防恶意方面，高风险客户识别和黑名单成为预防恶意欺诈的主要手段。而移动大数据则可以帮助互联网金融公司实现反欺诈。
1用户居住地和工作地的辨别
移动大数据可以验证客户的工作地和居住地点，例如某个客户在利用手机申请贷款时，填写自己居住地是上海。但是互联网金融公司企业依据其提供的手机设备信息，发现其过去三个月从来没有居住在上海，这个人提交的信息可能是假信息，发生恶意欺诈的风险较高。
2 欺诈聚集地的识别
恶意欺诈往往具有团伙作案和集中作案的特点。犯罪团伙成员常常会在集中在一个临时地点，雇佣一些人，短时间内进行疯狂作案。
借款平台发现短短几天内，在同一个GPS经纬度，出现了大量贷款请求。并且用户信息很相似，申请者居住在偏远郊区，这些贷款请求的恶意欺诈可能性就较大。
3 高风险贷款用户的识别
互联网金融公司企业可以利用数据了解过去3个月用户的行为轨迹。如果某个用户经常在半夜2点出现在酒吧等危险区域，并且经常有飙车行为，这个客户定义成高风险客户的概率就较高。如果客户近期使用多个App进行借款，其多头借贷的风险就很高。如果客户经常换手机卡，则客户欺诈可能性就很高，
很多互联网金融公司正在利用移动大数据来进行欺诈识别，利用数据帮助互联网金融公司提高风控水平。
====================================分割线================================
本文转自d1net（转载）