金融行业在小编眼中因为其有雄厚的资本背景，其中非结构化数据迅速增长，使其成了大数据应用的一片沃土。根据麦肯锡的《大数据的下一个前沿》系列报告，金融行业无论从大数据应用综合价值潜力维度，还是平均数据量而言，其应用综合价值的潜力都非常高。
鉴于金融行业的价值链较长，在当前金融大数据的应用摸索阶段，其形式种类繁多，根据对公开媒体的信息观察，目前全球金融业大数据应用的典型分为了7个类型：
①改善整体IT及运营效率。采用Hadoop、MPP等大数据技术优化银行底层IT架构，并更好地管理如票据影像、客服音频等非结构化数据是当前业界的一个共识，如农行是国内首家使用国产MPP平台支撑实际生产业务的银行；
②大数据征信、信贷及风险管控。如国外比较著名的Zestfinace、Kreditech，以及国内已经出得征信牌照的芝麻信用、腾讯征信、拉卡拉等
③采取大数据、物联网等技术打造智慧银行。如建设银行今年已经在北上广等11座城市部署智慧银行，智慧银行共包含了智能叫号预处理、远程银行VTM、电子银行服务区、智能互动桌面、人脸识别等15项创新应用。
④线下网点及客户服务管理。目前最为著名的案例为西班牙电信将基站位置大数据，结合其他匿名化用户属性同级数据封装为能力平台，为包括银行在内的第三方提供精确的选址、社会管理等服务。
⑤客户画像及金融产品精确营销。在竞争激烈的欧美金融市场，采取数据化运营和数据挖掘技术开展精确营销拥有悠久的传统;
⑥大数据量化交易。基于大数据复杂建模的量化交易是金融大数据其中一项焦点应用，如最为著名的文艺复兴公司，以及基于互联网和Twitter海量用户数据的自动化交易对冲基金CAYMAN ATLANTIC;
⑦舆情管理及其他客户体验优化相关的应用。
在各行业都普遍“特殊国情”的中国，金融大数据毫无疑问也将拥有其特殊的发展规律。尤其是在金融行业已被本届政府赋予了特殊期望的大环境下，究竟金融大数据应用能不能冲破风口。
首先，以大型银行为主导的中国金融业有着鲜明的特征，在享受这政策与市场红利、“躺着也赚钱”的年代，传统银行们实际上不见得是金融大数据的倡导者与积极尝试者，其次金融大数据的应用落地，在不同金融机构主体中的目标和地位也同样将会有较大的差别。要摸清楚整体金融大数据的脉门走向，我们不得不首先需要理解中国金融业的特性。
宏观监管上讲，中国可能是世界上金融管制最为严格的国家之一，所谓金融，其本质在于借助金融机构，实现资金从投资端到达融资端的转移。而中国的金融业，长期受限于及其严格的利率管制以及金融监管政策，实际上形成了以传统大型银行为核心的“金融围墙”封闭生态圈。
而在融资端，由于缺乏利率市场化，以及中国征信体系的落后，银行资金一般而言只会流向银行眼中处于围墙内部的优质企业，如大型央企、龙头民企以及少数受到行业政策眷顾的企业。至于围墙之外不那么幸运的中小企业、小微企业(下文统称为两小企业)，只能要么通过民间借贷获取资金，或者从围墙内通过“走私”的方式获取到相应的资金，但无论是哪种方式，无疑均推高了整体社会的资金使用成本。
而在投资端，则是个人投资渠道单一。根据平安证券数据，目前个人资金约有75%以存款或银行理财产品形式进入了传统银行体系，而对于中低收入人群此比例将更高，导致了居民财富无法享受到应有的资产增值，个人资产收益甚至难以跑赢CPI，通过多元化的金融投资渠道实现藏富于民更加无从谈起。
俗话说得好，人多好办事，而在金融界，钱多就好挣钱。多年来，对于金融界的那些中小型企业而言，一直存在着融资难的问题，而现在互联网+很好的帮助解决了这一问题，目前P2P等各类互联网金融企业正在兴起，通过P2P这个平台融资变得不再那么困难。中国目前已经悄然开展而在未来将会越演越烈的金融改革，目标改变现有的金融体制，实现普惠金融，要让有活力与创造力的中小企业为实体经济带来货咯，而这种通过投资渠道的拓展，让投资端的个人也能享受到更好的财富增值，实现藏富于民。而普惠金融和互联网+也会一起成为中国经济转型的重要引擎之一。
普惠金融，说的就是以可负担的成本为有金融服务需求的社会各阶层和群体提供适当的、有效的金融服务。其变革的内涵首先第一层面是普惠与有创造力的两小企业，而第二个层面是据此扩充投资端个人的投资渠道，使得普通居民能享受到更多的优质金融服务。
金融数据的普惠就是金融大数据的第一个最为关键的挑战。金融界需要联合整体的行政与行业、技术力量的去推动。
而第二个挑战也就是管理，相比于其他互联网+的行业，金融大数据更加有显著的来源异构、类型繁多、总量巨大的4V特征，而金融行业对数据的准确性、规范性要求却极高。所以能够出色的管理好这些金融数据资产便成了一个很大的议题，还要考验各个金融大数据主体的是应用这些数据的效率。因此，金融大数据资产的标准化质量管理、数据溯源、安全管理、主数据管理，以及非结构化数据处理，如语义的分析，自然语言的处理、还要数据的可视化、分发管理等，如何做到不仅低成本而且高效率的管理，是金融大数据的应用关键。
第三个挑战是数据应用的建模。包括了大数据征信、风控、反欺诈侦测、基于大数据的贷后服务于风险管理等，这些应用都需要大量的数据量化，如何保障这些模型，另外从华尔街的量化交易基金历史经验告诉我们，量化模型往往难以考虑到系统性风险，比如一个模型认为无论是资产实力、还款能力、品德都俱佳的贷款者，在面对经济下行的系统性风险仍然会有极大的逾期风险。而量化模型基本难以预测到系统性风险，如笃信精密量化分析模型的长期资本管理有限公司，死在了模型无法预料的俄罗斯金融风暴中。如何处理好系统风险与量化模型的平和，一定程度上是金融大数据应用建模的艺术。
金融大数据，有别于其他行业的大数据应用，除了是行业自身的数据技术升级外，还将在中国经济转型与金融改革中被赋予更多的使命，在未来几年预期将迎来一股 喷井式爆发。其中首先来临的，是金融大数据的获取与数据普惠，如最近如大智慧、同花顺、东方财富网等金融数据提供企业的股价飞涨依稀印证了这点;而金融大 数据资产管理、应用建模则是随之而来的机遇，而场景与入口之争，也将是这一轮金融变革的最终竞争模式。