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
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 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 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21