从经济学原理上讲，商业的本质是平衡供需，而从一个商业机构的角度出发，开发和培育用户的需求是商业能够延续的基础，因此利用经济学原理解释用户需求就可以窥见大数据所解决的问题，公式如下：

用户需求=基础需求+影响用户需求的强相关因素+影响用户需求的弱相关因素

在传统的商业运营过程中，强相关因素已被广泛熟知，如用户总资产、可支配收入等。因此大数据在这些方面对用户需求的支持非常有限，其应用价值自然也很小。

但在一些现有商业环境尚未覆盖的领域，或者传统商业环境无法服务的用户群体，强相关因素或无法预估或干脆没有，然而里面存在着大量用户需求。比如中小微企业融资问题，个人消费信贷问题等。这时就需要利用大数据技术对所有弱相关因素进行汇总。

由于数据量庞大，虽然每一条数据对用户需求的开发确认所起的作用不大，但大量弱相关因素一起发挥作用就能媲美这些强相关因素。

当用户需求转变成用户信用时，大数据技术在信贷领域应用的理论基础便随之成立。

阿里金融就是大数据衍生产品开发的最佳范例。阿里金融所掌握的海量数据成为它的核心竞争力。金融服务行业以数据为核心，随着互联网技术的不断发展，谁挖掘、掌握了有价值的数据，谁就拥有更强的竞争力。

直接为中小企业感知和直接提供中小企业所需要的服务，终将催生各种各样个性化的金融服务。业内经营决策者通过对行业数据进行整合、分析，可以更准确地了解行业动态及发展趋势，制订更适合小微企业需求的金融产品与服务以及营销方案，才能实现新的利润增长模式。

1、大数据降低金融机构对供应链的信息不对称

传统金融机构为了控制风险，对于中小企业的贷款实行信贷配给。对于产业和贸易，金融机构信贷人员往往基于财务报表等明规则来判断和监管企业，但是对一些行规和潜在的贸易规则并不是很清楚。由于之间存在严重的信息不对称，金融机构为了获得有效的信息和实施贷后监管需要付出较高的信息收集和监督代理成本。

大数据的出现恰好缓解了金融机构与中小企业之间的信息不对称情况。作为金融行业的主要组成部分，银行业利用数据来提升竞争能力具有得天独厚的条件。

第一，银行业天然拥有大量的客户数据和交易数据，这是一笔巨大的财富。

第二，银行业面临的客户群体足够大，能够得出具有指导意义的统计结论。

第三，在小数据时代，银行业已经在以信用评级模型和市场营销模式为代表的数据分析上积累了大量的实战经验，具备大数据分析跨越的基础。

随着大数据时代的来临，银行运用科学分析手段对海量数据进行分析和挖掘，可以更好地了解客户的消费习惯和行为特征，分析优化运营流程，提高风险模型的精确度，研究和预测市场营销和公关活动的效果。在这种情况之下，利用大数据的能力将成为决定银行竞争力的关键因素。

2、大数据促进物流企业精准管理存货

在供应链金融中，物流企业掌握着中小企业存货仓储、发货运输、存货周期等运营信息，并通过对存货进行管理和控制与传统银行合作成为其中的关键环节。

在供应链金融中，金融不但要求物流企业对存货进行管理，还要求分享物流企业掌握的信息。从目前的情况来看，物流企业所掌握的信息还远远不能满足实际需求，信息不对称的现象依然非常严重，一个很大的原因就是物流企业所能掌握的信息始终有限。

在大数据时代，信息非常丰富。物流企业通过更新设备，整个各种资源，从而更大范围地获取企业信息，更好地服务金融业务。物流企业的信息获取、整合和利用主要体现在以下两个方面：

第一，大数据技术可以极大地扩展数据来源。利用大数据平台，物流企业能从互联网、移动平台等多种非传统渠道中即时捕捉以前无法获得或使用的客户和市场数据（产品市场生命周期、盯市价格变化等），这使得许多依靠传统方式无法完成的工作成为可能，从而使供应链金融业务的事前风险预判结构更准确，更具指导意义。

第二，通过大数据技术可以将许多非结构化数据与传统数据快速整合、关联补充，完成企业行为模式分析和发现。这有助于物流企业确定被监管企业运营状态变化规律，建立运营状态变化路径，按变化路径设置风险控制点，逐点评估业务风险，从而形成全新的事中风险动态计算体系及管理模式。

3、大数据可用于资信评估和风险分析

大数据可用于目标客户的资信评估。在客户许可的情况下，金融机构可以利用大数据对客户财务数据、生产数据、电水消耗、工资水平、订单数量、现金流量、资产负债、投资偏好、成败比例、技术水平、研发投入、产品周期等这一系列数据进行研判，研判完成后如果有共识、有标准，这些数据马上变成评判的指标。只看财报和交易数据是有风险的，因为这些数据有可能造假，但通过大数据来掌握财务情况，不会有假。

大数据可用于风险分析、警示和控制。大数据的优势是行情分析和价格波动分析，尽早提出预警。行业风险是最大的风险，在行业内大多数企业都不景气的情况下，多控制一个环节、早预见一天，就能有效减少风险。（来源：供应链金融学堂）