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 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19