股票代码:300167

BUSINESS RANGE

业务版块

金融大数据
迪威迅金融致力于金融行业和资本市场大数据应用、大数据处理和大数据管理智能化软件与服务提供商,为金融机构提供客户数据的全生命周期管理和综合利用解决方案,为上市公司提供投资者关系管理和市值管理解决方案。

以金融客户数据和互联网大数据为核心,形成独特的金融和资本市场大数据产业价值链,实现“互联网+大数据+金融”闭环商业应用。
 
金信鸽金融风险控制预警系统|Gold pigeons financial risk control system

系统介绍:
面向金融行业内、外部的多维数据采集、分析、同伙大数据实现对金融行业客户风险预警、信贷全流程风控分析并与内部评级系统对接,及时发现和金融客户相关风险。

在数据分析方面,金融大数据服务平台应从企业业务实体出发从数据规划、数据整合、数据模型建立、数据分析展现等多个层面进行充分考虑。通过对客户内、外部数据的持续分析,挖掘客户风险特征,形成预警指标、分析模型和黑白名单库,并运用于业务经营实体各应用环节。通过“数据融合”构成金融数据实体、通过“数据画像”整合业务分析模型,通过“分析预警”形成全网数据联动、分类预警,数据展现推送服务。以数据为根本,进行数据分层级分析,构建机构统一用户ID.从多个数据层面进行渠道整合,构建个体分析模型,布局基于商业群体、用户个体的信息分层及风控预警。金融大数据指标体系与信用风险评分模型的种类可分为:专家模型,即根据信贷人员的经验来建模;统计模型,即运用统计或量化方法来建模。

总体框架:

企业数据画像、分析系统系统基于对金融大数据平台渠道数据采集系统的融合数据,通过实时汇集基础数据、第三方数据和互联网数据,进行系统地监控和分析,从基本情况、资质证明、财务信息、成果案例、产品信息、历史业绩、违规投诉、风险预警等多维视角分析运营的宏观趋势和微观细节。通过分析和比较这些核心数据的变化趋势,用数据说话,帮助决策层深入掌握银全面信息化运营、风控的状态,多维度观察,提升金融行业对持续运营优化和风险控制能力。

优势总结:

数据融合分析:通过“数据融合”构成金融数据实体、通过“数据画像”整合业务分析模型,通过“分析预警”形成全网数据联动、分类预警,数据展现推送服务。以数据为根本,进行数据分层级分析,构建机构统一用户ID从多个数据层面进行渠道整合,构建个体分析模型,布局基于商业群体、用户个体的信息分层及风控预警。

企业风险预警:企业风险预警模块通过多渠道的互联网信息采集和大数据处理,多角度验证信贷客户可信性和风险性,通过对一系列非结构性的行为数据的关联性分析,强化多信息的校验分析和逻辑判断,解决调查、审查、贷后管理中的信息不对称问题,对贷款客户全方位的互联网信息监测和预警,为经营决策、审查审批等提供支持,成为传统风控的有效补充。

大数据辅助风控模型:大数据辅助风控模型与传统基于财务报表的风控模型不同。基于财务报表的风控模型的基本原理是利用企业财务数据,采用风险评估公式计算评分;大数据辅助风控模型的基本原理是利用从互联网等各类渠道收集到的海量企业信息,采用否定判决、文本挖掘、机器学习和图分析等现代大数据处理技术,过滤和分析收集到海量企业信息,从中提取对企业风险控制有价值的数据,并进行一定的抽象,得到相应的风险评估结果。

否定判决:对公企业客户画像和辅助风控系统,可以设置十分灵活的判决规则,依托大数据平台,支持海量规则的实时并行搜索,具有支持大规模否定判决分析评估的强大能力。

文本挖掘:文本挖掘模型是大数据辅助风控中主要的分析模型之一,主要是通过主题分析、语义理解和概念推到等现代的文本挖掘分析技术,按照风控部门关系的风险控制内容,建立对采集到的企业外部信息的分析模型。例如:如果风险控制部门对某个企业的贷款后经营情况十分关系,就可以制定相应的分析主题,系统的大数据文本挖掘引擎会根据这些分析主题,综合利用相应的分词、主题提取、概念挖掘、关联分析等统计文本模型,分析挖掘采集到的企业信息,获取可能的风控信息点。

机器学习:机器学习模型是利用神经网络、深度学习等更复杂、现代的人工智能技术,基于大数据平台提供的海量计算能力,分析挖掘采集的企业信息,从中提取关心的风控信息和评估结果。机器学习模型技术起点高,但由于它往往能够挖掘分析出一些从数据表象无法人工发现的深层次信息,所以在大数据辅助风控中的应用越来越多,逐渐成为了常用的分析模型之一。

典型案例:
日照银行、东营银行、泰安银行