进入大数据时代，随着数据处理技术的进步和数据来源的迅速扩展，银行业的一切业务活动都被数字化，商业银行等金融机构得以在更多领域和更深层次获得并使用更加全面、完整、系统的数据。数据涉及客户方方面面，对这些数据的深入分析可以得到过去不可能获得的知识和无法企及的商机。深入的数据挖掘分析对银行客户营销、产品创新、绩效考核以及风险管理等发挥着日益重要的作用，数据应用能力将成为金融机构核心竞争力的重要体现。因此，大数据不是一地一隅的事情，事关金融机构战略转型全局。
天云大数据作为可以同时提供分布式计算平台产品和人工智能平台基础设施的科技厂商，凭借分布式人工智能能力，已为国内多家大型金融机构提供信用业务相关计算与数据科学模型，由此获得国际一线机构毕马威评定的2016中国Fintech（金融科技）50强企业。
一、天云大数据Maxim AI ：实现基于银行全量数据的挖掘建模
大数据能力特有的性质，使其正在成为大型银行真正的核心竞争力。银行大数据能力表现在多方面，但大数据思维和数据挖掘能力是最关键、也是最重要的。大数据价值的实现，关键在于挖掘分析能力。天云大数据公司的MaximAI平台产品底层基于Hadoop/Spark集群，借助Hadoop存储大规模数据、管理资源的能力，以及Spark计算引擎，涵盖并简化整个预测模型生命周期的管理。借助天云大数据公司的MaximAI平台，实现基于银行全量数据的数据挖掘建模，可以推动商业银行战略转型、提升运营管理能力、重塑银行企业文化、促进风险经营的精细化专业化。
通常意义上说的大数据推动银行战略转型、提升运营管理能力、重塑银行企业文化等，其实都是通过数据挖掘之后的广泛、深度应用产生的实际功效。借助基于天云大数据公司的MaximAI产品构建的大数据挖掘平台实现利数据挖掘和分析，银行能够准确地定位内部管理缺陷，制定有针对性的改进措施，降低管理运营成本；也可能帮助银行确保财务透明度，提高计划和预算的准确性，协调日常运营和长期战略目标，预测市场变化对财务的影响，准确分析利润推动因素，进而降低成本提高盈利能力。通过全量大数据的数据挖掘建模，还能帮助银行获得更广阔的业务发展空间、更精准的决策判断能力和更优秀的经营管理能力。
二、人工智能遇上金融反欺诈，能帮什么忙
伴随着金融市场向着国际化、自由化的方向发展，由金融衍生出的信贷工具越来越多，信用卡作为一种新型的、大众化的金融电子产品给银行带来了兼有利弊的机遇和挑战。所谓挑战则是在办理信用卡中存在的风险问题，银行每年因金融欺诈损失数十亿元，传统的离散式反欺诈分析方法的漏洞暴露的越来越多，已无法有效的阻止这些欺诈行为，经验丰富的欺诈者利用这些漏洞创造出更多的欺诈手段，而不被金融机构发现。如何迅速有效的预测信用卡欺诈者，成为避免信用卡风险的关键。在这个需求的推动下，大数据信用卡申卡欺诈预警应运而生。
天云大数据致力于帮助企业解决内部数据的分析和已有数据孤岛问题，基于对金融、保险、运营商、广视等行业的数据治理经验的沉淀和复制，在服务过程中，研究由数据衍生出的各类产品的共性，探索出一套完整的数据产品服务体系。其在金融服务领域为银行、保险等客户提供历史数据挖掘、风险一体化、风险种子识别、申卡欺诈预警等服务。
天云大数据CEO雷涛说，“机器的深度学习可以将这些数据通过特征表达的方式转化到复杂的数据模型上，并依靠深层的神经网络，生成多层非线性的表达，这种表达可以代替原先的简单描述，例如Alpha go，就是利用深层的神经网络解决了对棋手棋风的描述和棋手大局观的定义问题，从而使之战胜世界级冠军。”
具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络称为复杂网络，只要能抽象出网络结构的客观事务，都可以作为复杂网络的研究的对象。天云大数据将某大型股份制商业银行北京地区信用卡申请客户的基础信息数据（总计超过30万）借助公司的人工智能平台复杂神经网络BDCN，把申请人、申请人亲属、联系人及推广人这四种角色的移动电话、家庭电话、办公电话的相同作为关系，构建客户社交网络图，设计并计算出相关社交数据。
在申卡客户复杂关系网络的过程中，天云大数据利用具体某地区信用卡申请客户的基础信息数据，对该地区进件审批数据有全面的了解之后，确定该数据中包含申请人、推荐人在内的四种角色，借助复杂神经网络BDCN将申请人角色作为社交网络的关键节点，把四种角色的电话、地址等的相同作为关系，来实现复杂网络的构建，设计并计算出相关社交数据。
申卡客户社交关系复杂网络
三、天云大数据：Fintech参与重塑银行信用卡业务的成功实践
金融科技（Fintech）是指运用大数据、人工智能、区块链等各类先进技术，帮助提升金融行业运转效率的一种新业态。它一方面可以帮助传统金融机构转型，一方面通过技术的迭代和创新，发展出传统机构无法提供的高壁垒的新产品和新服务，而机构可以通过投资和合作，与新兴金融科技公司形成业务互补。技术带来的金融创新——金融科技，能创造新的产品、流程、应用或业务模式，从而对金融市场、金融机构或金融服务商造成重大影响。
在信息科技爆发的今天，创新型金融科技公司凭借互联网和科技基因，在与传统金融机构的合作与竞争中，可以共同汇聚百年来金融产业积累的优势基因。大型金融实体与Fintech企业的合作上具有独到优势，因其多年历史沉淀下来的数据，不仅仅是行为数据，更有有价值的违约数据，这又与人工智能目前的发展阶段非常匹配——即提供给机器“答案”的学习。
国内银行在与Fintech企业的合作上，在金融混业趋势下，纷纷探索创新，频频推出新动作。天云大数据作为深耕金融领域的Fintech前沿企业，在与某大型股份制银行的合作中，在信用卡评分、信用卡风险评估、银行反欺诈等领域都推出了成功实践案例。
1、信用卡评分模型及分群技术助力智能风险定价
金融的核心价值就是风险和定价,过去大多数采用的方式是以财务数据为主,但面对新经济行业,大量的资产数据和财务数据的权重不再突出,如果用新的方法去对银行的客户风险形成一套有效的评估,显得尤为重要。
在谈风险定价的时候,最主要的问题之一就是量化,怎么把以前似是而非的内容可以精准地接近最小化的成本、最低的风险、最大的利润，在这个中间找到平衡点，是一个非常复杂的过程。而实现这一过程最核心的就是通过数据和算法模型在客户与风险中建立一个量化关系。在智能风险定价方面，通过信用卡用户评分模型建立和客户分群模型入手，评估用户信用和差别，为智能风险定价提供有价值的评估依据。
2、统一数据视图支撑信用卡风险分析
信用卡风险管理对信用卡业务具有重要的意义，由于缺乏统一的数据管控平台，无法实现风险数据统一存储管控，同时缺乏集中调度管理各风险模块的机制，各个风险子系统独立运行，不利于实现对业务风险全面整体把控。建设统一的风控平台实现风险数据及事件的统一管控。
建立信用卡风险一体化平台，实现了数据统一融合、用户信息真实性判断、业务规则配置管理、统一事件管理等业务需求，结合风险前中后各环节的数据判定客户的行为，真正实现事件预警、风险可控。
3、复杂网络与深度学习结合增强银行反欺诈分析
欺诈一直以来都是银行业的主要风险之一。银行零售业务反欺诈的本质是对实施欺诈人员进行伪造身份、联系方式、设备信息、资产信息等虚假信息的识别。传统银行拥有上亿万级的信息数据库，但由于缺乏有效的科技手段，传统规则的经验式反欺诈模型已无法应对日益演进的欺诈模式和欺诈技术。
小众的欺诈事件越来越难以用商业经验和确切规则描述出来，国内目前的欺诈多是基于rule base（规则驱动），即凭借过往经验和从此前发生过的事实中，抽象出系列规则，每一条规则触发一种欺诈场景，交叉组合所施加的业务逻辑判断，就构成了欺诈模型。但在这个过程中，传统规则的模型就会带来很多问题，申请欺诈就很难将一些难以描述的规则抽象出来。对于抽象的、难以描述的金融现象，便可以借助机器处理。
作为人工智能最重要的技术——机器的深度学习，其最大价值就是能够做特征表达，通过一个数学的复杂结构来表达一些以往很难描述的金融现象，因此特别适合处理风险、欺诈以及金融产品的营销这些依靠过往经验难以准确定量的事件。例如，天云大数据利用其模型算法训练平台（MaximAI）为某大型银行提供反欺诈方面的技术支持。基于样本数据进行一站式的模型算法训练、验证以及输出。训练完成的模型算法程序，被输出到欺诈分析引擎中，运行于大数据平台技术上，实现了实时在线对交易数据进行欺诈识别。
利用机器的深度学习技术反欺诈的原理，实际上是从银行反欺诈的脆弱点着手，不再只通过传统策略引擎，而是通过机器收集到大量异构、多源化的信息，包括可交叉验证信息主体所提供的信息以及第三方信息来源的真实性，形成共享库。通过对数据的采集和分析，再通过机器学习及复杂网络等模型算法技术，对数据进行深度挖掘，从传统历史数据中量化抽取风险特征指标，利用复杂网络关联分析技术从历史违约数据中发现实时欺诈业务风险指标，丰富深度学习风险模型的业务维度，建立人工智能反欺诈模型，从而发现欺诈者隐藏的蛛丝马迹，分析其数据的矛盾点和可疑点，从而识别欺诈者身份，加上与传统经验规则配合使用，大幅提升银行欺诈风险的防控能力。
天云大数据拥有博士后工作站和国家级高新企业称号，并于2016首批进入中关村前沿科技企业重点计划。在分布式计算领域有自主产品，填补了联机事务等领域空白，在多个大型银行核心交易系统部署验证；凭借分布式人工智能能力，天云大数据深入信用风险欺诈等金融业务领域，为多家大型金融机构提供信用业务相关计算与数据科学模型，在银行核心减负和金融反欺诈方面具有端到端的大数据和人工智能综合解决方案。