
谢文: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 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15