大数据怎样影响着金融业
浅议银行网点转型与力提升2017年11月10日嵩 娅经济新常态、利率市场化、互金融的迅速兴起及同业竞争加剧，给商业银行网点经营带来全面而系统的冲击。
面对这一冲击，商业银行应积极实施网点战略转型，通过智能化、轻型化、体验化转型，明确网点定位、调整结构、提升客户体验、建立基于大数据的精准营销体系、加强风险管理等方式，提升营业网点竞争力。
打造特色网点，突出差异优势。
按照自助网点、轻型化网点、全功能网点、新概念网点四种模式进行规划。
自助网点，以主要商场、交通枢纽等人员流动量大的地方为部署点，主要提供客户日常账户管理功能；轻型化网点，占地面积小，员工综合素质高，业务办理高度自动化，以销售为导向；全功能网点，比较接近传统网点的构成，提供比较全面的业务销售和服务；新概念网点，在城市中心、地理位置优越的地方，数量极少，主要向客户展示最新的产品与科技，向客户传输银行的业务能力与发展理念，起到银行品牌文化传播的作用。
着重服务营销，增加客户黏性。
做好服务营销，增加客户忠诚度。
一是增加自助机具、加强电子渠道建设、优化配置劳动组合，以提高服务效率；二是加快专业团队建设，打造一支专业性强、业务精通、合作默契的团队，提升服务能力；三是加快系统平台建、依托大数据技术的支持，整合资源，利用更准确的信息支持、管理支持和考核支持，提升服务水平和营销能力；四是做好功能分区，减少柜台设置，扩大客户可活动区域，突出“逛店”功能，吸引客户停留；五是线上线下通力合作，建立互联网化的前端服务体系，打破客户体验壁垒，实现服务升级；六是实现“人性化、热情化、标准化”的服务管理模式，让客户感受真正的宾至如归，提升客户体验度。
善用跨界思维，发掘客户需求。
所谓跨界思维，即对产业边界、创新的理解，随着互联网和新科技的发展，很多产业的边界变得模糊，所以学会利用互联网思维，大胆颠覆式创新。
对此，“线上”我们要打造网络金融，打造以客户为中心的网络金融生态，加大推广精准化营销和个性化营销，根据客户需求和行为，向客户主动“推送”标准化产品服务，满足客户的个人“定制”需求，运用大数据技术，深化数据与业务的融合，实现智慧服务；“线下”我们要融合多种产业，满足客户多方面的需求，打造网点金融生态，满足客户需求。
比如，建立书店银行、咖啡银行、电影银行等等，让银行出现在客户衣食住行的各个方面，满足客户多方面与多元化的需求。
大数据究竟能给我们带来什么
大数据跟云计算资源整合，能提高个人和企业的工作效率，记录生活的点滴，整合成一种学习习惯，为企业找到发展的方向提高经济效益，我们的未来离不开大数据。
互联网金融的特点有哪些
1.覆盖范围广互联网的优势就是可以突破时间和地域上的限制，让远隔千里的人们能够相聚在一起。
而互联网金融的模式满足了人们在互联网上寻找资金的需求，覆盖了传统金融的服务盲区，让金融服务范围更加广泛，金融交易更加直接。
2.发展迅速在这个不断创新的时代，互联网的发展速度决定了互联网金融的不断创新。
在大数据和电子商务不断完善的基础之上，未来互联网金融将会演变出更多的模式，也会更加全面的满足用户需求，实现真正意义上的互联网经济。
3.交易成本低互联网金融模式实现了资金供求双方点对点交易，不仅省去了消费者的中介费用、交易成本，还减少了金融机构设立运营网店的成本和人力成本。
除此之外，互联网金融的出现，一定程度上解决了传统金融信息不对称的问题，让金融交易更透明。
4.效率高随着互联网金融的不断完善，在线交易、转账等 一系列业务都可以实现当天到账，不仅省去了排队等候的时间，而且让用户体验更佳。
例如电子商务的一条龙服务，从在线购买到确认收货最快当天就可以完成，这 在很大程度上促进了用户的消费行为，更促进了社会资金流动，推动社会经济发展。
当传统金融模式遇到了大数据后会有哪些转变
：）在我们的生活中，所有人都在制造和分享数据——但并非所有数据都能得到合理使用。
这种数据缺乏带来的信息不对称，导致了金融行业中“二八定律”的出现。
二八定律：在当前利率非完全市场化与小微企业抵押担保品欠缺的情况下，采用传统信贷技术从事小微金融，需付出的边际成本与服务大企业相差不大，在信贷供给资源仍显稀缺的情形之下，银行具有提高授信门槛以迫使高风险客户退出信贷市场的动机，银行服务 80% 低端客户所带来的利润微乎其微，还不如将这部分客户赶出市场，全力支持 20% 的高端客户。
——引用自《2013小微企业融资发展报告_中国现状及亚洲实践》多年来，金融一直是属于少部分人的。
这不是金融机构们在作恶，而是自然的经济规律，是在资源有限的情况下最正常的分配现象。
我认为，大数据对金融最重要的影响，在于其能使一部分长尾需求得到满足。
金融行业是很有互联网机会的行业，更是很有大数据潜力的行业。
大数据时代，互联网创新、平等、普惠的精神，将慢慢融入金融。
这种二八定律会慢慢改变：*图片来源：麦肯锡全球研究院 国金证券研究所比如专注做小贷的阿里金融，其在利用大数据进行金融服务上是极具代表性的。
我曾经总结过阿里金融在为客户放贷时抓取的数据：历史交易流水，贸易平台表现如页面管理、广告投放、社区行为等，这些数据包括客户在什么时间、在哪里、同谁做生意、商品数量的变化等等，可以反映其真实的信用状况。
买卖双方交互行为分析：顾客的点击、收藏、反馈、评价情况等，所有信息最终会进入数据库进行定量，并将数值输入网络行为评分模型，从而对小微客户进行评级分层。
用户提供的其他外部数据：海关进出口、税务、水电、物流、银行流水等方面的数据在线视频资信调查：与申请人的直接沟通，索取资料，对申请人的定性判断心理测试系统：对小企业主性格特质进行分析，通过假设情景模型判断客户的诚信程度外部互联网信息抓取：抓取客户在外部互联网上留下的数据痕迹和身份信息地区、行业与政策库数据，防范系统性风险的调整因素这些数据项中，有关于企业经营交易的信息，有商品、物流信息，甚至也有企业在互联网中的交互信息。
拥有了这三方面的信息，阿里金融可以很清楚的了解借款人的真实情况，从而为那些没有合适的抵押担保品的小微企业放贷。
而根据国金证券的“大数据”专题分析报告，大数据有三个主要来源：企业内部的经营交易信息物联网世界中商品、物流信息互联网世界中人与人交互信息、位臵信息等等这三个方面的数据信息和上面阿里金融拿来分析企业的数据十分对应。
事实上，这三种数据在商业和金融领域，都有十分重要的作用。
对金融机构来说，通过这三方面的信息可以很完整的判断出个人或企业的信用等级和综合状况，从而改善了目前个人、企业与金融机构之间信息不对称的状况，从而使金融机构有能力满足长尾人群的需求。
·······························阿里金融的数据来源有其特殊性，当前的金融机构并不好复制。
但是随着大数据技术的发展，可以想见将来的金融机构将会能更加直观、准确、全面的得到关于个人、企业的相关信息。
（需要注意的一点是，虽然处理起来很复杂，这些数据获取的成本却是相对较低的，金融机构可以用较低的成本获得大量关于个人、企业的数据。
这正是大数据能真正改变金融行业的前提。
）当信息基本对称后，金融机构的很多风险控制方式就会不同，会从原来的要求抵押、担保、保证、高利率等补偿覆盖损失的措施，转变为通过大数据持续考察企业、个人资金用途、盈利能力的方式。
更神奇的是，金融机构通过进行大数据的分析，可以精确地定位你的性格、偏好、意愿，可以随时随地精准满足你所在用户群的真实需求和潜在需求。
上面这两种不同将会给金融机构带来多方位的改变：无论是风险控制、目标客户群、营销方式、经营模式甚至盈利模式，都会与现在这种专注于服务大客户的现状不同，这种不同是会同时出现在细节和整体的。
那时——很多一直被忽视的人群会被重视起来。
（其实就和互联网行业差不多，在互联网刚刚发展的初期，软件服务的都是专业人群，而当大家都能上网时，就得小白用户者得天下啦。
）即使你一穷二白，是苦苦奋斗的底层，是有好项目却没有担保的小微企业，是年近古稀不懂新潮流不会理财的老人家，只要数据显示你值得信任或者有很大潜力，也依然会是金融机构们在意和争抢的客户。
说不定，还会是贵宾级的哦。
·········································当前的大数据要走的路还很长，但会有这么一天，金融将是普惠而创新的，高端用户有最适合他们的产品和服务，普罗大众也能得到自己最适合的贷款和投资。
（关于大数据，其实有很多很好玩的可能性，也许在未来，你的字体书写都会决定你的信用等级哦，有空再补充上来。
）···································
要去房地产公司面试销售员。
可我一点经验都没有，怎么办
销售没有什么经验没有关系的你去了，他们会看你是不是能学的要是有学习的能力 就可以了
大数据和人工智能在互联网金融领域有哪些应用
大数据从四个方面改变了金融机构传统的数据运作方式，从而实现了巨大的商业价值。
这四个方面（“四个C”）包括：数据质量的兼容性（Compatibility）、数据运用的关联性（Connectedness）、数据分析的成本（Cost）以及数据价值的转化（Capitalization）。
大数据在金融业的应用场景正在逐步拓展。
在海外，大数据已经在金融行业的风险控制、运营管理、销售支持和商业模式创新等领域得到了全面尝试。
在国内，金融机构对大数据的应用还基本处于起步阶段。
数据整合和部门协调等关键环节的挑战仍是阻碍金融机构将数据转化为价值的主要瓶颈。
数据技术与数据经济的发展是持续实现大数据价值的支撑。
深度应用正在将传统IT从“后端”不断推向“前台”，而存量架构与创新模块的有效整合是传统金融机构在技术层面所面临的主要挑战。
此外，数据生态的发展演进有其显著的社会特征。
作为其中的一员，金融机构在促进数据经济的发展上任重道远。
为了驾驭大数据，国内金融机构要在技术的基础上着重引入以价值为导向的管理视角，最终形成自上而下的内嵌式变革。
其中的三个关键点（“TMT”）包括：团队（Team）、机制（Mechanism）和思维（Thinking）。
1.价值导向与内嵌式变革—BCG对大数据的理解 “让数据发声
”—随着大数据时代的来临，这个声音正在变得日益响亮。
为了在喧嚣背后探寻本质，我们的讨论将从大数据的定义开始。
1.1成就大数据的“第四个V” 大数据是什么
在这个问题上，国内目前常用的是“3V”定义，即数量（Volume）、速度（Velocity）和种类（Variety）。
虽然有着这样的定义，但人们从未停止讨论什么才是成就大数据的“关键节点”。
人们热议的焦点之一是“到底多大才算是大数据
”其实这个问题在“量”的层面上并没有绝对的标准，因为“量”的大小是相对于特定时期的技术处理和分析能力而言的。
在上个世纪90年代，10GB的数据需要当时计算能力一流的计算机处理几个小时，而这个量现在只是一台普通智能手机存储量的一半而已。
在这个层面上颇具影响力的说法是，当“全量数据”取代了“样本数据”时，人们就拥有了大数据。
另外一个成为讨论焦点的问题是，今天的海量数据都来源于何处。
在商业环境中，企业过去最关注的是ERP（Enterprise Resource Planning）和CRM（Customer Relationship Management）系统中的数据。
这些数据的共性在于，它们都是由一个机构有意识、有目的地收集到的数据，而且基本上都是结构化数据。
随着互联网的深入普及，特别是移动互联网的爆发式增长，人机互动所产生的数据已经成为了另一个重要的数据来源，比如人们在互联网世界中留下的各种“数据足迹”。
但所有这些都还不是构成“大量数据”的主体。
机器之间交互处理时沉淀下来的数据才是使数据量级实现跨越式增长的主要原因。
“物联网”是当前人们将现实世界数据化的最时髦的代名词。
海量的数据就是以这样的方式源源不断地产生和积累。
“3V”的定义专注于对数据本身的特征进行描述。
然而，是否是量级庞大、实时传输、格式多样的数据就是大数据
BCG认为，成就大数据的关键点在于“第四个V”，即价值（Value）。
当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值，而且能够进一步推动商业模式的变革时，大数据才真正诞生。
1.2变革中的数据运作与数据推动的内嵌式变革 多元化格式的数据已呈海量爆发，人类分析、利用数据的能力也日益精进，我们已经能够从大数据中创造出不同于传统数据挖掘的价值。
那么，大数据带来的“大价值”究竟是如何产生的
无论是在金融企业还是非金融企业中，数据应用及业务创新的生命周期都包含五个阶段：业务定义需求；IT部门获取并整合数据；数据科学家构建并完善算法与模型；IT发布新洞察；业务应用并衡量洞察的实际成效。
在今天的大数据环境下，生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角色。
大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察，更好地满足业务需求。
因此，BCG认为，大数据改变的并不是传统数据的生命周期，而是具体的运作模式。
在传统的数据基础和技术环境下，这样的周期可能要经历一年乃至更长的时间。
但是有了现在的数据量和技术，机构可能只需几周甚至更短的时间就能走完这个生命周期。
新的数据运作模式使快速、低成本的试错成为可能。
这样，商业机构就有条件关注过去由于种种原因而被忽略的大量“小机会”，并将这些“小机会”累积形成“大价值”。
具体而言，与传统的数据应用相比，大数据在四个方面（“4C”）改变了传统数据的运作模式，为机构带来了新的价值。
1.2.1数据质量的兼容性（Compatibility）：大数据通过“量”提升了数据分析对“质”的宽容度 在“小数据”时代，数据的获取门槛相对较高，这就导致“样本思维”占据统治地位。
人们大多是通过抽样和截取的方式来捕获数据。
同时，人们分析数据的手段和能力也相对有限。
为了保证分析结果的准确性，人们通常会有意识地收集可量化的、清洁的、准确的数据，对数据的“质”提出了很高的要求。
而在大数据时代，“全量思维”得到了用武之地，人们有条件去获取多维度、全过程的数据。
但在海量数据出现后，数据的清洗与验证几乎成为了不可能的事。
正是这样的困境催生了数据应用的新视角与新方法。
类似于分布式技术的新算法使数据的“量”可以弥补“质”的不足，从而大大提升了数据分析对于数据质量的兼容能力。
1.2.2数据运用的关联性（Connectedness）：大数据使技术与算法从“静态”走向“持续” 在大数据时代，对“全量”的追求使“实时”变得异常重要，而这一点也不仅仅只体现在数据采集阶段。
在云计算、流处理和内存分析等技术的支撑下，一系列新的算法使实时分析成为可能。
人们还可以通过使用持续的增量数据来优化分析结果。
在这些因素的共同作用下，人们一贯以来对“因果关系”的追求开始松动，而“相关关系”正在逐步获得一席之地。
1.2.3数据分析的成本（Cost）：大数据降低了数据分析的成本门槛 大数据改变了数据处理资源稀缺的局面。
过去，数据挖掘往往意味着不菲的投入。
因此，企业希望能够从数据中发掘出“大机会”，或是将有限的数据处理资源投入到有可能产生大机会的“大客户、大项目”中去，以此获得健康的投入产出比。
而在大数据时代，数据处理的成本不断下降，数据中大量存在的“小机会”得见天日。
每个机会本身带来的商业价值可能并不可观，但是累积起来就会实现质的飞跃。
所以，大数据往往并非意味着“大机会”，而是“大量机会”。
1.2.4数据价值的转化（Capitalization）：大数据实现了从数据到价值的高效转化 在《互联网金融生态系统2020：新动力、新格局、新战略》报告中，我们探讨了传统金融机构在大变革时代所需采取的新战略思考框架，即适应型战略。
采取适应型战略有助于企业构筑以下五大优势：试错优势、触角优势、组织优势、系统优势和社会优势，而大数据将为金融机构建立这些优势提供新的工具和动力。
从数据到价值的转化与机构的整体转型相辅相成，“内嵌式变革”由此而生。
例如，金融机构传统做法中按部就班的长周期模式（从规划、立项、收集数据到分析、试点、落地、总结）不再适用。
快速试错、宽进严出成为了实现大数据价值的关键：以低成本的方式大量尝试大数据中蕴藏的海量机会，一旦发现某些有价值的规律，马上进行商业化推广，否则果断退出。
此外，大数据为金融机构打造“触角优势”提供了新的工具，使其能够更加灵敏地感知商业环境，更加顺畅地搭建反馈闭环。
此外，数据的聚合与共享为金融机构搭建生态系统提供了新的场景与动力。
2.应用场景与基础设施—纵览海内外金融机构的大数据发展实践 金融行业在发展大数据能力方面具有天然优势：受行业特性影响，金融机构在开展业务的过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资金收付交易等数据。
以银行业为例，其数据强度高踞各行业之首—银行业每创收100万美元，平均就会产生820GB的数据。
2.1大数据的金融应用场景正在逐步拓展 大数据发出的声音已经在金融行业全面响起。
作为行业中的“巨无霸”，银行业与保险业对大数据的应用尤其可圈可点。
2.1.1海外实践：全面尝试 2.1.1.1银行是金融行业中发展大数据能力的“领军者” 在发展大数据能力方面，银行业堪称是“领军者”。
纵观银行业的六个主要业务板块（零售银行、公司银行、资本市场、交易银行、资产管理、财富管理），每个业务板块都可以借助大数据来更深入地了解客户，并为其制定更具针对性的价值主张，同时提升风险管理能力。
其中，大数据在零售银行和交易银行业务板块中的应用潜力尤为可观。
BCG通过研究发现，海外银行在大数据能力的发展方面基本处于三个阶段：大约三分之一的银行还处在思考大数据、理解大数据、制定大数据战略及实施路径的起点阶段。
还有三分之一的银行向前发展到了尝试阶段，也就是按照规划出的路径和方案，通过试点项目进行测验，甄选出许多有价值的小机会，并且不停地进行试错和调整。
而另外三分之一左右的银行则已经跨越了尝试阶段。
基于多年的试错经验，他们已经识别出几个较大的机会，并且已经成功地将这些机会转化为可持续的商业价值。
而且这些银行已经将匹配大数据的工作方式嵌入到组织当中。
他们正在成熟运用先进的分析手段，并且不断获得新的商业洞察。
银行业应用举例1：将大数据技术应用到信贷风险控制领域。
在美国，一家互联网信用评估机构已成为多家银行在个人信贷风险评估方面的好帮手。
该机构通过分析客户在各个社交平台（如Facebook和Twitter）留下的数据，对银行的信贷申请客户进行风险评估，并将结果卖给银行。
银行将这家机构的评估结果与内部评估相结合，从而形成更完善更准确的违约评估。
这样的做法既帮助银行降低了风险成本，同时也为银行带来了风险定价方面的竞争优势。
相较于零售银行业务，公司银行业务对大数据的应用似乎缺乏亮点。
但实际上，大数据在公司银行业务的风险领域正在发挥着前所未有的作用。
在传统方法中，银行对企业客户的违约风险评估多是基于过往的营业数据和信用信息。
这种方式的最大弊端就是缺少前瞻性，因为影响企业违约的重要因素并不仅仅只是企业自身的经营状况，还包括行业的整体发展状况，正所谓“覆巢之下，焉有完卵”。
但要进行这样的分析往往需要大量的资源投入，因此在数据处理资源稀缺的环境下无法得到广泛应用，而大数据手段则大幅减少了此类分析对资源的需求。
西班牙一家大型银行正是利用大数据来为企业客户提供全面深入的信用风险分析。
该行首先识别出影响行业发展的主要因素，然后对这些因素一一进行模拟，以测试各种事件对其客户业务发展的潜在影响，并综合评判每个企业客户的违约风险。
这样的做法不仅成本低，而且对风险评估的速度快，同时显著提升了评估的准确性。
银行业应用举例2：用大数据为客户制定差异化产品和营销方案。
在零售银行业务中，通过数据分析来判断客户行为并匹配营销手段并不是一件新鲜事。
但大数据为精准营销提供了广阔的创新空间。
例如，海外银行开始围绕客户的“人生大事”进行交叉销售。
这些银行对客户的交易数据进行分析，由此推算出客户经历“人生大事”的大致节点。
人生中的这些重要时刻往往能够激发客户对高价值金融产品的购买意愿。
一家澳大利亚银行通过大数据分析发现，家中即将有婴儿诞生的客户对寿险产品的潜在需求最大。
通过对客户的银行卡交易数据进行分析，银行很容易识别出即将添丁的家庭：在这样的家庭中，准妈妈会开始购买某些药品，而婴儿相关产品的消费会不断出现。
该行面向这一人群推出定制化的营销活动，获得了客户的积极响应，从而大幅提高了交叉销售的成功率。
客户细分早已在银行业得到广泛应用，但细分维度往往大同小异，包括收入水平、年龄、职业等等。
自从开始尝试大数据手段之后，银行的客户细分维度出现了突破。
例如，西班牙的一家银行从Facebook和Twitter等社交平台上直接抓取数据来分析客户的业余爱好。
该行把客户细分为常旅客、足球爱好者、高尔夫爱好者等类别。
通过分析，该行发现高尔夫球爱好者对银行的利润度贡献最高，而足球爱好者对银行的忠诚度最高。
此外，通过分析，该行还发现了另外一个小客群：“败家族”，即财富水平不高、但消费行为奢侈的人群。
这个客群由于人数不多，而且当前的财富水平尚未超越贵宾客户的门槛，因此往往被银行所忽略。
但分析显示这一人群能够为银行带来可观的利润，而且颇具成长潜力，因此该行决定将这些客户升级为贵宾客户，深入挖掘其潜在价值。
在对公业务中，银行同样可以借助大数据形成更有价值的客户细分。
例如，在BCG与一家加拿大银行的合作项目中，项目组利用大数据分析技术将所有公司客户按照行业和企业规模进行细分，一共建立了上百个细分客户群。
不难想象，如果没有大数据的支持，这样深入的细分是很难实现的。
然后，项目组在每个细分群中找出标杆企业，分析其银行产品组合，并将该细分群中其他客户的银行产品组合与标杆企业进行比对，从而识别出差距和潜在的营销机会。
项目组将这些分析结果与该行的对公客户经理进行分享，帮助他们利用这些发现来制定更具针对性的销售计划和话术，并取得了良好的效果。
客户对这种新的销售方式也十分欢迎，因为他们可以从中了解到同行的财务状况和金融安排，有助于对自身的行业地位与发展空间进行判断。
银行业应用举例3：用大数据为优化银行运营提供决策基础。
大数据不仅能在前台与中台大显身手，也能惠及后台运营领域。
在互联网金融风生水起的当下，“O2O”（OnlineToOffline）成为了银行的热点话题。
哪些客户适合线上渠道
哪些客户不愿“触网”
BCG曾帮助西班牙一家银行通过大数据技术应用对这些问题进行了解答。
项目组对16个既可以在网点也可以在网络与移动渠道上完成的关键运营活动展开分析，建立了12个月的时间回溯深度，把客户群体和运营活动按照网点使用强度以及非网点渠道使用潜力进行细分。
分析结果显示，大约66%的交易活动对网点的使用强度较高，但同时对非网点渠道的使用潜力也很高，因此可以从网点迁移到网络或移动渠道。
项目组在客户细分中发现，年轻客户、老年客户以及高端客户在运营活动迁移方面潜力最大，可以优先作为渠道迁徙的对象。
通过这样的运营调整，大数据帮助银行在引导客户转移、减轻网点压力的同时保障了客户体验。
BCG还曾利用专有的大数据分析工具NetworkMax，帮助一家澳大利亚银行优化网点布局。
虽然银行客户的线上活动日渐增多，但金融业的铁律在互联网时代依然适用，也就是说在客户身边设立实体网点仍然是金融机构的竞争优势。
然而，网点的运营成本往往不菲，如何实现网点资源的价值最大化成为了每家银行面临的问题。
在该项目中，项目组结合银行的内部数据（包括现有的网点分布和业绩状况等）和外部数据（如各个地区的人口数量、人口结构、收入水平等），对350多个区域进行了评估，并按照主要产品系列为每个区域制定市场份额预测。
项目组还通过对市场份额的驱动因素进行模拟，得出在现有网点数量不变的情况下该行网点的理想布局图。
该行根据项目组的建议对网点布局进行了调整，并取得了良好的成效。
这个案例可以为许多银行带来启示：首先，银行十分清楚自身的网点布局，有关网点的经营业绩和地址的信息全量存在于银行的数据库中。
其次，有关一个地区的人口数量、人口结构、收入水平等数据都是可以公开获取的数据。
通过应用大数据技术来把这两组数据结合在一起，就可以帮助银行实现网点布局的优化。
BCG基于大数据技术而研发的Network Max正是用来解决类似问题的工具。
银行业应用举例4：创新商业模式，用大数据拓展中间收入。
过去，坐拥海量数据的银行考虑的是如何使用数据来服务其核心业务。
而如今，很多银行已经走得更远。
他们开始考虑如何把数据直接变成新产品并用来实现商业模式，进而直接创造收入。
例如，澳大利亚一家大型银行通过分析支付数据来了解其零售客户的“消费路径”，即客户进行日常消费时的典型顺序，包括客户的购物地点、购买内容和购物顺序，并对其中的关联进行分析。
该银行将这些分析结果销售给公司客户（比如零售业客户），帮助客户更准确地判断合适的产品广告投放地点以及适合在该地点进行推广的产品。
这些公司客户过去往往需要花费大量金钱向市场调研公司购买此类数据，但如今他们可以花少得多的钱向自己的银行购买这些分析结果，而且银行所提供的此类数据也要可靠得多。
银行通过这种方式获得了传统业务之外的收入。
更重要的是，银行通过这样的创新为客户提供了增值服务，从而大大增强了客户粘性。
