京公网安备 11010802034615号
经营许可证编号:京B2-20210330
为什么说大数据和金融科技只是在假秀恩爱
大数据、区块链、人工智能以及信息安全可以说是金融科技领域最热门的四个话题了。如果这些词不出现在金融相关领域的会议里,根本就体现不出这个会议的档次。
有人说银行做电商其实就是个笑话,本身难盈利就算了,用户体验简直就是个渣渣。但银行做电商的目的也很明确,一个是搭建自己与用户“互动”的场景,再一个便是进一步获取和深挖大数据资源。
金融科技公司就更不用说了,各类商品交易数据以及物流信息等都是十分宝贵的财富。
乍一看,大数据和金融科技之间天生就该“在一起”,也不奇怪,很多企业的老总们在各类会议上给自己的公司做广告的时,总要让金融科技和大数据站在一起秀下恩爱。“看,我们利用大数据得出了这些结论,然后利用这些结论干了那些事儿……”
但笔者总觉得,大部分的表现是:恩爱不足,尴尬有余。
虽说大数据如此重要,大家也都这么重视,但笔者不得不吐槽的是,当前的大数据产业并不发达,也不怎么健康,完全粗放式地发展,遍地鸡毛。
畸形发展的大数据做不成好先生
大数据这三个字之所以被重视,是因为大家普遍认为,数据之中有挖不尽的宝藏,数不尽的商机。确实也有企业和个人通过数据分析得到一些正确的结论。
比如,通过数据分析,我们可以发现不同年龄段人群的理财喜好,便于我们向用户推荐相关的理财产品。我们还可以通过用户浏览电商网站的习惯,经过数据分析,自动向用户推荐相关的商品广告。
但是目前所谓的大数据产业链中,畸形发展的业务模式给整个行业带来浓重而不光彩的几笔。
1、数据分析方法不科学
不过也有一些数据分析,因为方法论掌握得不好,得出的结论也就相当地不靠谱。最近,在某个国际型的会上,有个专家和他所谓的专业团队通过近几十年的数据分析得出的结论是,人口生育率低有助于经济的发展。
笔者以为这个结论不靠谱,我们只要稍作质疑就会发现这个结论站不住脚。其实这个数据里可能引出另一种结论,那就是因为经济发展了,人们的生育率才下降了。相反的,就像以前,我们总能看到得是,一些山区的农民,越穷,生的孩子却越多。
相信还有更多数据公司的方法是有问题的,得出的结论经不起推敲和检验。
另外,有一些数据公司在分析新事物时,还拿着老掉牙的数据模型和样本做参考,这本身就是对自己的专业性和对数据接收者而言就是一种误导。
2、数据获取途径不正,数据不干净
笔者曾在某个所谓的专业大数据风控微信群里看到有人提到,“如果可以拿到用户的消费数据就好了。”市面上相当一部分所谓的大数据征信公司的数据都是通过各种途径从黑客手里获取的。
3、数据被不合理甚至非法使用
常见的现象是,电话骚扰,邮箱轰炸,更有甚者将不经脱敏处理的数据随意卖出。
据国内通讯类APP触宝电话发布的最新数据显示,9521电话替代400电话成骚扰主力。仅9521开头的骚扰电话在3月至5月呈疯狂增长之势,由3月份的不足250万个,一路增长到5月份的2000万个,增幅达800%之多。由于95开头电话通常为全网呼叫中心号码,诸如银行、保险等机构都在使用,用户看到此类号码容易产生信任,进而提升接听率。可以想象这个行业到底有多少不堪入目的行为。
4、数据仅被少数机构占有
现在市面上的数据,除了那些黑产数据外,多数情况下,很多数据是掌握在极个别的机构的手里,而且是敏感数据,无法在普通人群中产生更广泛的社会价值。而技术的高级阶段便是,优势资源平民化,大众化。因此我们说现在的大数据产业还仅仅是初级阶段,未来还有很长的路要走。
相信数据行业里的问题远远不止这四点,身上如此多的坏毛病,金融科技如何放心发展呢?若这个行业继续如此,肯定不是金融科技的好先生。
针对以上四个问题,我们至少要有干净的数据、科学的数据分析方法论、安全合规的数据环境、以及更开放的数据共享。
1、干净的数据
大数据产业需要洗一洗。有媒体消息称,最近监管对数据乱象出手,开始清理行动。据称,目前有15家公司被列入调查名单,其中几家估值都超几十亿。
若想让大数据产业健康发展,还需要监管部的正确引导,以及市场的检验和矫正。
2、科学的数据分析方法论
需要更专业,可优化,可变动调节的数据模型。
3、安全合规的数据环境
监管部门及时监控和查处非法的数据抓取、使用的个人和企业,清理市场环境。而数据公司自身接受社会监督和监管部门的监管,并保证数据的安全。
4、数据脱敏,服务更多人群
需要一种更为安全的数据传输方式,让数据健康合规地在普通大众身上发挥价值。
最后,随着物联网、区块链、大数据等的融合进一步加深,届时,大数据行业将会有一个跨越式的发展,而那时的金融科技就不必担心场景的问题了。因为,那个时候,场景随处可见,随处可用。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24在CDA(Certified Data Analyst)数据分析师的日常业务分析与统计建模工作中,多组数据差异对比是高频且核心的分析场景。比如验 ...
2026-03-24日常用Excel做数据管理、台账维护、报表整理时,添加备注列是高频操作——用来标注异常、说明业务背景、记录处理进度、补充关键 ...
2026-03-23作为业内主流的自助式数据可视化工具,Tableau凭借拖拽式操作、强大的数据联动能力、灵活的仪表板搭建,成为数据分析师、业务人 ...
2026-03-23在CDA(Certified Data Analyst)数据分析师的日常工作与认证考核中,分类变量的关联分析是高频核心场景。用户性别是否影响商品 ...
2026-03-23在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16