京公网安备 11010802034615号
经营许可证编号:京B2-20210330
互联网对金融的变革,总体上来说,可以分为两部分:互联网思想和互联网技术,这两者类似世界观和方法论的关系,是互相辅佐和渗透的。
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。这有这样,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
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24