
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
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02