
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
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29