京公网安备 11010802034615号
经营许可证编号:京B2-20210330
为什么说大数据和金融科技只是在假秀恩爱
大数据、区块链、人工智能以及信息安全可以说是金融科技领域最热门的四个话题了。如果这些词不出现在金融相关领域的会议里,根本就体现不出这个会议的档次。
有人说银行做电商其实就是个笑话,本身难盈利就算了,用户体验简直就是个渣渣。但银行做电商的目的也很明确,一个是搭建自己与用户“互动”的场景,再一个便是进一步获取和深挖大数据资源。
金融科技公司就更不用说了,各类商品交易数据以及物流信息等都是十分宝贵的财富。
乍一看,大数据和金融科技之间天生就该“在一起”,也不奇怪,很多企业的老总们在各类会议上给自己的公司做广告的时,总要让金融科技和大数据站在一起秀下恩爱。“看,我们利用大数据得出了这些结论,然后利用这些结论干了那些事儿……”
但笔者总觉得,大部分的表现是:恩爱不足,尴尬有余。
虽说大数据如此重要,大家也都这么重视,但笔者不得不吐槽的是,当前的大数据产业并不发达,也不怎么健康,完全粗放式地发展,遍地鸡毛。
畸形发展的大数据做不成好先生
大数据这三个字之所以被重视,是因为大家普遍认为,数据之中有挖不尽的宝藏,数不尽的商机。确实也有企业和个人通过数据分析得到一些正确的结论。
比如,通过数据分析,我们可以发现不同年龄段人群的理财喜好,便于我们向用户推荐相关的理财产品。我们还可以通过用户浏览电商网站的习惯,经过数据分析,自动向用户推荐相关的商品广告。
但是目前所谓的大数据产业链中,畸形发展的业务模式给整个行业带来浓重而不光彩的几笔。
1、数据分析方法不科学
不过也有一些数据分析,因为方法论掌握得不好,得出的结论也就相当地不靠谱。最近,在某个国际型的会上,有个专家和他所谓的专业团队通过近几十年的数据分析得出的结论是,人口生育率低有助于经济的发展。
笔者以为这个结论不靠谱,我们只要稍作质疑就会发现这个结论站不住脚。其实这个数据里可能引出另一种结论,那就是因为经济发展了,人们的生育率才下降了。相反的,就像以前,我们总能看到得是,一些山区的农民,越穷,生的孩子却越多。
相信还有更多数据公司的方法是有问题的,得出的结论经不起推敲和检验。
另外,有一些数据公司在分析新事物时,还拿着老掉牙的数据模型和样本做参考,这本身就是对自己的专业性和对数据接收者而言就是一种误导。
2、数据获取途径不正,数据不干净
笔者曾在某个所谓的专业大数据风控微信群里看到有人提到,“如果可以拿到用户的消费数据就好了。”市面上相当一部分所谓的大数据征信公司的数据都是通过各种途径从黑客手里获取的。
3、数据被不合理甚至非法使用
常见的现象是,电话骚扰,邮箱轰炸,更有甚者将不经脱敏处理的数据随意卖出。
据国内通讯类APP触宝电话发布的最新数据显示,9521电话替代400电话成骚扰主力。仅9521开头的骚扰电话在3月至5月呈疯狂增长之势,由3月份的不足250万个,一路增长到5月份的2000万个,增幅达800%之多。由于95开头电话通常为全网呼叫中心号码,诸如银行、保险等机构都在使用,用户看到此类号码容易产生信任,进而提升接听率。可以想象这个行业到底有多少不堪入目的行为。
4、数据仅被少数机构占有
现在市面上的数据,除了那些黑产数据外,多数情况下,很多数据是掌握在极个别的机构的手里,而且是敏感数据,无法在普通人群中产生更广泛的社会价值。而技术的高级阶段便是,优势资源平民化,大众化。因此我们说现在的大数据产业还仅仅是初级阶段,未来还有很长的路要走。
相信数据行业里的问题远远不止这四点,身上如此多的坏毛病,金融科技如何放心发展呢?若这个行业继续如此,肯定不是金融科技的好先生。
针对以上四个问题,我们至少要有干净的数据、科学的数据分析方法论、安全合规的数据环境、以及更开放的数据共享。
1、干净的数据
大数据产业需要洗一洗。有媒体消息称,最近监管对数据乱象出手,开始清理行动。据称,目前有15家公司被列入调查名单,其中几家估值都超几十亿。
若想让大数据产业健康发展,还需要监管部的正确引导,以及市场的检验和矫正。
2、科学的数据分析方法论
需要更专业,可优化,可变动调节的数据模型。
3、安全合规的数据环境
监管部门及时监控和查处非法的数据抓取、使用的个人和企业,清理市场环境。而数据公司自身接受社会监督和监管部门的监管,并保证数据的安全。
4、数据脱敏,服务更多人群
需要一种更为安全的数据传输方式,让数据健康合规地在普通大众身上发挥价值。
最后,随着物联网、区块链、大数据等的融合进一步加深,届时,大数据行业将会有一个跨越式的发展,而那时的金融科技就不必担心场景的问题了。因为,那个时候,场景随处可见,随处可用。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27