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
在数据可视化实践中,数据系列与数据标签的混淆是导致图表失效的高频问题——将数据标签的样式调整等同于数据系列的维度优化,或 ...
2025-11-21在数据可视化领域,“静态报表无法展现数据的时间变化与维度关联”是长期痛点——当业务人员需要分析“不同年份的区域销售趋势” ...
2025-11-21在企业战略决策的场景中,“PESTEL分析”“波特五力模型”等经典方法常被提及,但很多时候却陷入“定性描述多、数据支撑少”的困 ...
2025-11-21在企业数字化转型过程中,“业务模型”与“数据模型”常被同时提及,却也频繁被混淆——业务团队口中的“用户增长模型”聚焦“如 ...
2025-11-20在游戏行业“高获客成本、低留存率”的痛点下,“提前预测用户流失并精准召回”成为运营核心命题。而用户流失并非突发行为——从 ...
2025-11-20在商业数据分析领域,“懂理论、会工具”只是入门门槛,真正的核心竞争力在于“实践落地能力”——很多分析师能写出规范的SQL、 ...
2025-11-20在数据可视化领域,树状图(Tree Diagram)是呈现层级结构数据的核心工具——无论是电商商品分类、企业组织架构,还是数据挖掘中 ...
2025-11-17核心结论:“分析前一天浏览与第二天下单的概率提升”属于数据挖掘中的关联规则挖掘(含序列模式挖掘) 技术——它聚焦“时间序 ...
2025-11-17在数据驱动成为企业核心竞争力的今天,很多企业陷入“数据多但用不好”的困境:营销部门要做用户转化分析却拿不到精准数据,运营 ...
2025-11-17在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11