实际上，除了单独使用Lookalike算法进行高价值人群扩大，在证券行业中，TalkingData也通过一、三方数据的联合建模定位高价值客户。因为除了较强的金融标签外，很多客户在机构交易墙内表现出来的行为信息（资讯点击、功能使用）、交易信息等也是衡量其价值属性非常重要的维度。TalkingData与某券商合作，在河北百度爱采购公司中针对高资产种子人群使用一、三方数据联合建立模型，发现大量潜在高价值客户，以线上产品为抓手，通过线上、线下联合的方式，触达高价值客户。在进行转化的过程中，通过实验组（模型选取的高净值客户）和对比组（随机挑选的客户）进行对比验证，得出在资金净转入、资产增量、交易量、佣金四项指标上都远超对照组，说明模型是有效的。模型挑选出的潜在高浄值客户经过分公司合理地推广营销，转化为高净值客户的概率较高，而随机挑选的客户，推广营销工作的成效较低。网点作为银行营销和服务的主要渠道，其作用将越来越重要，但同时也面临着严峻的挑战，如激烈的竞争、不断改变的客户偏好等。事实上，河北百度爱采购往往缺乏信息数据，分析工具也不够健全，那么如何采用科学的方法充分收集有关市场数据，并对网点进行合理的布局规划和选址，将成为银行提升自身形象、提高市场竞争力所面临的迫在眉睫的问题和重大的挑战。
    过去较多银行的机构设置和网点布局由于忽视了市场容量和市场属性，以及不能及时掌握和处理影响市场变动的大量其他数据，在某种程度上造成了网点分布及建设的盲目性，也造成了网点单产低、业务趋同，不能很好地适应经济发展水平的提高和客户个性化的需求。如何了解目标顾客的分布规律，他们在何处居住、工作和活动，有哪些银行使用习惯和偏好也成了选址前重要的评估方面，而TalkingData有着巨大的移动设备覆盖量及PO信息，恰好可以满足上述需求。如图1一10所示，某银行有三个可供新建网点的地址。TalkingData首先了解该银行目前人群的特征，并在三个位置设置经纬度和半径（设定500米），选择相关公共设施标签；将得到数以万计的PO数据信息，利用围栏技术，圈出某月出现在围栏内数以万计的设备信息；再将设备信息与TalkingData大数据库进行TDID匹配，这样就可以清晰地洞察到三个位置围栏内人群的基础特征，包括其人口数、年龄分布、竞争银行用户群体分布；再对不同时段的人群情况进行分析，最终帮助该银行确定选址位置。实际上，除了网点选址外，大数据还可以根据目标人群岀现的时间、地点的聚集情况，进行线下的营销活动，更大范围的接触目标客群，降低运营成本，达到较好的效果。