搬一个我在
下面的回答吧，应该还蛮贴切的。
我来说一个吧。
我们公司专注于用大数据建模分析技术，帮助客户唤醒沉睡数据价值，实现数据价值运营。
目前呢，我们的应用领域主要集中在金融、运营商、教育、医疗四个领域。
既然运营商和医疗已经有人说了，我就来说说金融吧。（这么重要的领域居然还没人说！╮(╯▽╰)╭）
1.银行业
银行可以说是金融领域大数据应用的领头羊，上图中的六个业务板块中，每个版块都可以借助大数据来更深入的了解客户，提升风险管理能力。
以下是一些走在前列的银行的实践。（相比之下，国内的银行在这方面做得实在是不够啊。。。）
其中，大数据新算法在风控领域的应用实践最为丰富，也是目前许多大数据公司的发力点。上世纪80年代，美国FICO公司开发了一系列基于逻辑回归的信用评分方法，并逐渐成为美国社会个人信用评分的通用标准。而随着统计分析和大数据建模技术的进步，算法的发展日新月异，形成了包括决策树、随机森林、神经网络分析与AdaBoost等在内的许多新算法新技术。美国的ZestFinance公司则是利用这些大数据新算法进行个人信用评分和风险控制的典范。
就国内而言，中国人民银行征信中心全面收集企业和个人的信息，系统收录自然人8.6亿多，收录企业及其他组织近2068万户。目前，中国人民银行征信中心的信用报告数字解读体系正是参考了美国个人消费信用评估公司费埃哲开发的FICO信用评分体系。但随着大数据建模技术和时代的发展，作用逐渐下降，出现了模型老旧、信用分数区分度下降、存在刷分漏洞三方面的问题亟待解决。
为此，中国人民银行征信中心联合北京至信普林科技有限公司，选取了五种大数据新算法（支持向量机、决策树、随机森林、AdaBoost和GBDT），针对解决之前体系的各种问题，对央行征信中心进行信用评分体系优化，实现了系统稳定性、准确性、业务指示性实现全面提升。
2.保险
相比于银行，大数据在保险业也大有可为，但步伐却慢了许多，在国内还停留在战略想法阶段。
3.证券
通过爬取互联网上的信息进行分析来指导选股的做法在国内外已经有了比较多的尝试。比如美国的CAYMAN ATLANTIC公司是一家专门基于互联网数据和Twitter等媒体数据进行投资的资产管理公司。他们通过分析社会媒体信息中的情绪信息来交易金融衍生品，曾近发行了第一只“Twitter基金”——Derwent Absolute Return Fund并且取得了正收益。
国内的百度百发、淘金100等基金也是典型的大数据基金。
当然，我们呢也正在和国内前十的公募基金——大成基金合作开发一直基于全网的全球资产配置的指数基金，敬请期待。
同时，和银行、保险业一样，证券行业也可以借助大数据分析来进行潜在客户挖掘、存量客户经营和优质客户流失预警。
比如我们和证监会特批的全国资本市场基础建设和功能性公司——中证信用就正在合作建立资本市场的用户画像体系。
4.举个例子吧
上面说了这么多，更多的集中在可以怎么应用。现在来举个我们实际操作的例子说一说。
该客户当时是美国某大型P2P借贷平台。平台上的投资人在向特定借款人借款之前，可以查看有关借款人的详细信用信息。平台也会对借款人进行从A到G的风险评级，A级风险最小，贷款利率最低；G级风险则最大，利率也最高。
当时面临的问题是？
既有风控模型对借款人坏账率预测准确率低，坏账率较高。
普林科技解决方案
对平台 10 万样本用户的历史数据进行分析，通过用户的自然人信息、工作住房信息、资产水平、历史借贷信息等，建立了坏账率预测模型和用户分级模型。
根据违约率将用户分为7个大类，35个小类，并针对不同类别用户设定不同的借款额度及借款利率。
项目结果
模型在2012年到2014年的数据上测试，同比坏账率减少39.8%，准确性和稳定性实现全面提升。
逻辑回归算法、决策树算法、普林科技P算法在结果准确性上的对比，
P算法大比重胜出。
相比于Lending Club原有模型，新模型在稳定性上明显提升。
想了解更多？也欢迎关注我司微信公众号“普林科技”（princetechs），每周都会推送大数据建模分析干货 ^-^
