京公网安备 11010802034615号
经营许可证编号:京B2-20210330
互联网金融还是大数据金融
近来,颇有几个新名词在市面上流行,诸如“互联网金融”,“信息消费”之类。这些新名词并非产自概念日日翻新的互联网业,却来自传统金融业甚至政界,其气势之大,梦想之美,内涵之广,投入之多,逻辑之混乱,可行性之差,似乎值得一辨。
就概念而言,从众说纷纭中大致可以概括出互联网金融的几层含义:
一是传统金融服务的网络化,例如网络银行,网络券商,网络保险,等等。这些都是古已有之的东西,只不过在中国实现较晚,动作较慢而已。事实上,互联网在美国最早最成熟的商业模式就是这一套,二十多年前就已出现并蓬勃发展至今。不过,无论在金融服务业还是在网络业,都没有什么公司因此脱颖而出,其原因无非是家家都做,没什么创新,最好的结果是获得摊薄的平均利润。为此今天再创一个新概念毫无必要。
二是传统金融服务的扩展化,例如小额支付,小微企业信用调查,小额贷款,灵活机动的市场营销,等等。这些事情在互联网出现之前,做起来费时费力,成本太高而收益太少,如今利用互联网就可以顺利实现。做这些事情也许可以创些收,但很难提高利润率,因为是个琐碎活。为此带上个互联网金融的大帽子有点言过其实。
三是全新的网络金融服务和产品,例如众筹投资和比特币。这些东西新则新矣,但属于小众市场和缝隙市场,不值得大动干戈,更不值得为此创立什么新概念。
四是全面的网络金融服务,或曰金融电商,例如金融商城和各类产品和服务的综合大卖场。这种模式以金融服务为基础,以阿里为样板,再掺杂以WEB2.0,云计算,移动互联网和大数据等时髦互联网概念,几乎是一个通吃的全面互联网服务平台,仅仅称之为互联网金融显得有点包容不住,过于狭窄了。
无论是单独拿出来看,还是把这四层意思合起来看,互联网金融这个概念从互联网业的角度看毫无新意可言。如果只从传统金融业的角度考量,互联网金融的概念也不是完全不能成立,但只有把它与非互联网金融服务或传统金融服务对立比较才有意义,但这好像也不是鼓吹这一概念者的本意。
过去若干年来,互联网业在不断创新中,蚕食着许多传统产业的世袭领地,同时创造出不少财富传奇。面对这一发展,传统金融业者一则以喜,二则以忧。喜的是互联网开拓出广阔的新边疆,金融服务有了更多更有力的方式向用户提供更多更好的产品和服务;忧的是金融服务有了新人,弄不好会砸了传统业者的饭碗。于是,在贪婪与恐惧的双重动力作用下,以攻为守的思路油然而生。既然一无所有的网络业者都可以尝试网络金融服务并大有斩获,那么传统金融业者有经验,有资本,有垄断,有用户,为什么不能后来居上呢?一个明显的区别在于,网络业者早在十数年前就开始了尝试,那时网络金融服务是被斥责,被打压,被怀疑的对象,历尽千辛在服务模式,商业模式和技术壁垒方面有所心得,垒起了一定的竞争门槛。而今天再做所谓互联网金融这种早已成为社会共识的东西,如果在差不多的时间内出现十个八个互联网金融服务平台,自相残杀还来不及,那还有气力与遥遥领先的网络业者竞争?别人贪婪我恐惧,别人恐惧我贪婪,巴菲特的警句值得谨记。如果别人贪婪我亦贪婪,相互抵消,结果为零。
如今世界正在步入大数据时代,为后来者提供了不可多得的战略空间和机会。当世界的万事万物都在化为数据存在,当各种产品和服务都已网络化和数据化,当五花八门的数据终端普及进入千家万户,是否以自己为中心提供各种网络服务已经变得没有过去那么重要,而获取和利用他人服务所产生的数据变得更加重要。基于某种服务所积累的数据价值在贬值,数量再多也算不上大数据,只有获取网络世界中全面的数据才有深度整合利用的价值。正因如此,传统金融服务商就大可不必邯郸学步,重复互联网运营商走过的道路,非要先建立各种非本业服务以获取本业之外的数据。
传统金融业者可以利用自身优势探索一条新路。与其他传统产业相比,金融服务业是电子化,网络化和数据化程度最高的产业之一,也许仅次于网络业和电信业。由长期系统的金融服务积累的数据完全可以在确保用户隐私和商业机密的前提下,与各行各业通过数据间的共享,交换和买卖以生成大数据,在此之上探索全新的产品和服务。当然,这样的战略就很难称之为互联网金融了,互联网金融这种概念从提出之日起就至少落后于产业发展前沿五年以上。使用大数据金融的概念,制定并实施大数据金融战略,更能体现金融业自身的实力和潜力,也更能与网络业及其他行业有机融合,平等竞争,在大数据时代找到自身生存发展的机会也更大。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13