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
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在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07