京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据存在于互联网之中
互联网技术从深层次、具体化的角度解读可以分为:大数据、P2P人人组织网络和两面市场。其中大数据是最重要的因素之一。金融没有类似实物的物理生产、仓储、物流等过程,但其本身是数据的生产、仓储、挖掘、传输、分析和集成。所以大数据对于金融而言,相比其他行业,无疑是有更巨大的影响力。
大数据,是思维、技术与数据的三足鼎立。大数据不仅指规模庞大的数据,它首先是一种思维方式的变化,其次是对这些数据的处理和应用,是数据、处理技术与应用三者的统一的一列处理技术,最后,大数据的前提必然是充裕互通的数据本身。
大数据的思维方式会改变传统金融作业思维,它首先是会改变金融信贷业的抵押文化,推动信用变现成为可能和主流。尤其是中国金融行业,有着根深蒂固的抵押文化,在贷款的过程中严重依赖于抵押物,这是中小企业得不到贷款服务的很重要原因。抵押文化让贷款服务提供方在考量时思维变得简单粗暴。贷款方的考量核心是判断抵押物品的价值,确保有相应的价值空间。比如房产价值200万,那么打个7折,只要保证价值不下跌太厉害,那么就不会产生风险。房价不下跌,风险不大;房价下跌,也是国家的事情,与银行机构无关。
长期而言,抵押文化对金融业发展有相当负面的影响。要想做到真正的改变就是要强化信用贷款,建立信用机制。真正的安全不是抵押物,而是人们的信用。我们讲大数据对金融影响,首先要有思维上的认识变化。
信用看不见,摸不着,但大数据的方式可以帮助还原一个人,甚至一群人的信用轮廓,让个人或者群体的信用变得金光灿灿,触手可及。这将是根本性的改变,并产生巨大的影响。大数据的应用例子中,对于天气预报的实践是人们津津乐道的——没有人可以准确地预测天气,因为变量太多,大到日月星展,中到洋流大气,小到人的环境行为的偶然因素,都会对其产生影响,但气象学家通过气象大数据的分析,加上并行的处理技术,人们做到了从数据中找到规律,实现更准确的气象预测。个人的信用评估和实现气象预测有非常类似之处,一个人或者群体的信用好坏取决于很多的变量,而且信用本身不是静态的,而是一个动态的行为特征的体现——资产、收入、消费、个性、习惯、社交网络等等都是会对信用产生影响。个体信用正式通过各种行为决定的,但是体现一个人的信用的行为并非是全无规律的。通过大数据,可以很好地通过对个体或者群体的大量信用行为进行收集、整理、分析,只要把这些糅合在一起时,会发现很多客观规律,使得人的信用立体化,从而实现对于个体或群体信用的预计。
互联网技术革新本身也推动了大数据成为可能。云计算、SNS、移动互联网等技术的发展,使得大量数据的生产和连通变成现实;非结构化数据库技术的发展,使得数据收集的要求大大降低;存储技术的发展,使得大规模数据存储得以实现;并行处理计算,使得数据可以得到高速处理,更快获得结果、应用;各种算法、机器智能化学习的成熟等等又进一步促进大数据的应用发展。所以,我们可以做到存储处理所有数据,而不是存储抽样数据,并且可以将粒度从整体面向个体。这些也带来一系列变革——
——市场集中度更高。IT技术的发展、互联网的延伸、大数据的应用,让市场摆脱了地域的限制,从而使得更大规模的企业以更快的速度成长。而大数据在技术上的突破也会使得马太效应更加明显——强者愈强,大者愈大。如果我们还是局限于地域优势,无法有效形成对海量用户和良好的数据资产的管理,那么未来核心竞争力将会受到严重削弱。
——促进金融的开放性,大数据首先要数据全量在线。现在太多系统都是孤立的,比如很多公共事业数据,即使银行本身的很多业务,比如对公业务、对私业务、卡业务等都是相互分离的难以形成联动效应;况且决定信用本身的不单是金融数据,很多其他领域的数据也会产生影响,这对于数据的开放性要求更高。但这些数据都可以借助互联网进行联通,互联网有天生的开放性、透明性,使得大数据的应用有了可能。传统的金融业也必然会因此而变化。
——最后,还是数据本身。既然是大数据,必须要有足够的大量数据,这是一切预测的大前提。如何在预测之前收集足够多的信息,就成了预测成功与否的关键。
一切皆可“量化”,并在加速量化,几十年来IT技术的发展已经使得大量数据量化。
互联网金融对大数据的使用,天生具有优势。互联网可以在法律和道德所容许的范围内捕捉信用评估所需要的个人或群体的行为信息,并将这些繁杂的信息提供给大数据作业系统进行处理,完成对个人或群体的信用价值的评估分析。从这个角度来说,P2P在对信用大数据的使用方面更有独特优势,由于P2P两面市场的特点,决定了它可以覆盖更多的用户,同时由于充分利用了人人组织的特点,可以让用户自己产生数据,从而实现数据的自我产生和循环。使得“取之不尽,用之不竭”的数据创新成为现实。
虽然这场大数据带来的变革,还是早期,但我们可以清晰预见大数据对于金融的影响——金融服务将进一步从粗放式管理向精细化管理转型。由抵押文化向信用文化转变更全面的信用体制和风险管理体制将会建立;从“利润为中心”向“客户为中心”转型。从“关注整体”向“关注个体”转型。
我们还可以预见,真正能带来改变的互联网金融、大数据金融一定是由深谙互联网思维,立足小额信用贷款服务,涉及海量用户,注重数据资产,耐心长远的公司所推动的。只有这样,才是符合大数据的趋势,才能拥有长期的核心竞争力。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在MySQL数据库运维与开发实践中,经常出现一种典型现象:数据库实际存储的数据量很小,数据表条数少、文件体积低,但服务器整体 ...
2026-09-11 很多数据分析师能熟练计算均值、标准差,但当被问到“总体和样本有什么区别”“参数和统计量有什么关系”“数据级别的高低如 ...
2026-09-11CDA数据分析师 出品 作者:李诗怡 定义: 将同一时间段内因具备相同属性或共同经历的用户划分为群体,分析其留存与生命周期价值 ...
2026-09-11在零售、商超、餐饮、线下门店等实体商业运营中,客流与销售额是衡量门店经营状态的两大核心指标。销售额是门店经营的最终结果, ...
2026-09-10在数据可视化体系中,柱形图是最基础、应用最广泛的图表类型,其中**累计柱形图(堆积柱状图)**是兼顾整体总量与内部结构的核心 ...
2026-09-10 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-09-10在Python Pandas数据分析中,DataFrame是承载结构化数据的核心载体,数据清洗、数据修正、条件赋值、字段更新等实操场景,都离不 ...
2026-09-09 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-09-09卡方检验(Chi-Square Test)是统计学中针对分类数据的经典显著性检验方法,核心用于判断两个离散分类变量是否相互独立、数据实 ...
2026-09-09CDA数据分析师 出品 作者:李诗怡 1. 销售漏斗阶段判断 题目:销售漏斗模型中,通过广告、社交媒体等方式触达品牌信息(如浏览品 ...
2026-09-07在Python数据分析中,Pandas库的DataFrame是最核心、最常用的结构化数据表对象,类似于Excel的二维表格,具备规整的行列结构、字 ...
2026-09-07在数据分析、经营复盘、业绩预测与经济统计工作中,平均增速(平均增长率)是衡量数据长期变化趋势、业务发展快慢的核心指标。不 ...
2026-09-07 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-09-07随着大数据技术的快速发展,商业竞争逐步从传统的经验式经营转变为数据驱动的精细化运营。海量的用户行为数据、交易数据、运营数 ...
2026-09-04CDA数据分析师 出品 作者:李诗怡 1. 波士顿矩阵(BCG Matrix) 定义: BCG于1970年提出的业务组合分析工具,以"市场增长率"(纵 ...
2026-09-04 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-09-04数据透视表是Excel与Power BI中最核心的数据分析工具,具备快速汇总、维度拆分、动态筛选的能力,可高效完成数据归类与统计展示 ...
2026-09-03在Power BI数据分析可视化场景中,堆积柱状图+折线图是最常用的复合图表组合。堆积柱状图适合展示各细分维度当期数值、结构占比 ...
2026-09-03 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-09-03CDA数据分析师 出品 作者:李诗怡 一、8个核心数据清洗函数 1. TRIM:一键清除多余空格(最常用) 作用:仅保留文本中"单词/字 ...
2026-09-02