京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据助推金融业发展
专家表示,对于金融行业来说,尤其是以银行、保险为主的金融行业都是非常注重数据应用的,很多企业已经在利用大数据去服务其风险管理、客户营销和运营管理等工作。大数据未来将成为全球金融业竞争的主要“阵地”之一。对大数据的应用能力已经成为金融企业的核心竞争力,未来有竞争力的金融企业一定是有深厚大数据文化的企业。
今年《政府工作报告》明确提出要“发展壮大新动能。做大做强新兴产业集群,实施大数据发展行动”。近年来,以信息通信技术的创新为基础,互联网、大数据和人工智能等蓬勃发展,新的经济形态展现出强劲的生命力。接受《金融时报》记者专访的毕马威中国大数据团队学科带头人魏秋萍博士表示,对于金融行业来说,尤其是以银行、保险为主的金融行业都是非常注重数据应用的,很多企业已经在利用大数据去服务其风险管理、客户营销和运营管理等工作。
金融大数据值得关注
魏秋萍表示,金融行业本身是一个自带很大流量的行业。比如一个规模较大的银行,都拥有海量的客户。银行可以利用大数据技术,针对不同的客户群体制定不同的个性化服务方案,可以创建出很多不同的场景。同时,银行拥有很多的数据维度,这些数据项又比一般的网络行为大数据拥有更高的价值密度,可以发挥很大的业务价值。因此,金融行业充分利用自己的流量、数据,有效结合外部数据,再配套先进的技术和理念,必然可以成为一个生态体系中的核心组织。
大数据已经被广受关注,但到底什么是大数据,并没有一个被大家普遍认可的定义。魏秋萍认为,要认识大数据,可以从数据和技术两大层面来看。在大数据这个热词没有出现之前,金融行业早就开始了商务智能分析和数据挖掘,不过这时被分析的数据往往是企业内部的结构化数据。目前,金融企业分析的数据已经不再拘泥于此,而是大大拓宽了数据的广度,除了结构化数据外,也会根据实际的分析需要来引入非结构化数据,同时也会结合企业内部数据和企业外部数据来开展分析。在技术层面,也有了很大的变革,包括存储能力、计算能力和算法种类等,都有长足的进步。在10多年前做数据挖掘的时候,往往由于样本量庞大需要做采样技术,现在有了高性能存储和内存计算等技术的更新,采样基本不再是必需的了。
魏秋萍预计,大数据未来将成为全球金融业竞争的主要“阵地”之一。与互联网企业相比,虽然金融行业践行大数据战略的起步要晚了一些,但是金融行业利用大数据的进程也发展得很快。对大数据的应用能力,已经成为金融企业的核心竞争力,未来有竞争力的金融企业一定是有深厚大数据文化的企业。大数据提供了全新的沟通渠道和客户经营手段,可以加深企业和客户的互动,更及时精准地洞察客户。大数据也可以帮助金融企业滋生新型的金融业态参与市场竞争,用大数据来武装自己的金融企业未来一定是某个生态链中的关键组件。
风控需同步跟上
魏秋萍表示,应用大数据必须要重视数据质量和技术创新。举例来说,把大数据应用于风险控制是金融业应用大数据最典型的场景之一。在这一场景的应用中,有以下两点必须注意:一是对于数据的整合和数据的治理。风控是一个复杂的过程,要利用数据对风险进行穿透式管控,必须实现用真实的数据再现业务流程,因此,数据的可获得性和数据质量非常关键。二是先进技术的应用和创新。风控是魔高一尺道高一丈的游戏,“小偷”的伎俩层出不穷,作为“警察”的风控必须要有不断创新的能力,不断优化风控的技术。她还表示,从大数据风控技术的角度看,国内和国际的差异并不大,中国也走在了技术的前沿。但是,国外的金融企业对创新技术的容错会比国内好,他们有一些机制来鼓励创新技术的试错。这一点值得国内企业学习。
魏秋萍还认为,应用大数据的时候,数据安全也要同步跟上。保障数据安全的方法主要是三大手段:第一,需要依靠健全的法律制度来保障和约束数据交易的买卖双方;第二,需要加强数据买卖双方的道德约束;第三,需要通过安全技术来保障数据的安全。
金融企业应用大数据是一个逐步发展的过程,大数据的价值释放也必然是循序渐进的。企业内部一致的大数据理念和数据驱动决策的文化,也是大数据助推金融企业发展的保障。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 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 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 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 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 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。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07 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 ...
2026-07-07【核心关键词】转化率、企业、策略、岗位、互联网、拆分、产品、运营、分析师、指标体系、数据分析、用户画像、数据诊断、产品 ...
2026-07-06在数据分析工作中,文本数据处理是高频刚需场景,用户评论、客服工单、日志信息、调研问卷、商品文案等数据都包含大量文本内容。 ...
2026-07-06 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-07-06在 CDA 数据分析师能力体系中,透视分析是数据探索、多维度汇总、业务复盘的核心基础技能。无论是 Excel 数据透视表,还是 Power ...
2026-07-03在市场竞争日趋激烈、获客成本持续攀升的当下,企业粗放式的“广撒网”获客模式早已无法适配经营需求。企业经营的核心逻辑,已经 ...
2026-07-03 很多数据分析师精通Excel函数和数据透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么 ...
2026-07-03【核心关键词】运营、企业、核心、客户、新技术、数字化运营、数据分析、传统企业、人工录入、生产系统、技术人员、数据安全、 ...
2026-07-02在产品开发、项目立项、业务拓展、运营优化的工作中,市场调查、竞品分析、需求调研是三大核心基础工作。很多从业者容易将三者混 ...
2026-07-02