商业无论是接受还是拒绝，中国金融业的大数据时代正在呼啸而至。据调查，经过多年的发展与积累，目前很多国内金融机构的数据量级已经达到100TB以上。而且，非结构化数据量正在以更快的速度增长。在高数据强度的金融行业，这一发展激起了巨大的想象空间。然而，要抓住这一机遇并非易事。

我们系统梳理了大数据在全球金融行业的发展现状、潜在应用、关键瓶颈及应对方案，旨在协助金融机构从价值的角度更好地理解大数据，并在大数据迅速渗入金融业务各个层面的当下抓住发展机遇。

大数据引领金融机构变革主要体现在哪些方面?

成就大数据的不仅是传统定义中的“三个V”，即数量(Volume)、速度(Velocity)和种类(Variety)。对金融机构而言，更重要的是第四个V，即价值(Value)。大数据的价值不仅体现在对金融机构财务相关指标的直接影响上，也体现在对商业模式变革的推动能力上，即不断引发传统金融机构的内嵌式变革。

大数据从四个方面改变了金融机构传统的数据运作方式，从而实现了巨大的商业价值。这四个方面(“四个C”)包括：数据质量的兼容性(Compatibility)、数据运用的关联性(Connectedness)、数据分析的成本(Cost)以及数据价值的转化(Capitalization)。

大数据推动银行的变革主要体现在价值层面上

数据技术与数据经济的发展是持续实现大数据价值的支撑。深度应用正在将传统IT从“后端”不断推向“前台”，而存量架构与创新模块的有效整合是传统金融机构在技术层面所面临的主要挑战。此外，数据生态的发展演进有其显著的社会特征。作为其中的一员，金融机构在促进数据经济的发展上任重道远。

为了驾驭大数据，国内金融机构要在技术的基础上着重引入以价值为导向的管理视角，最终形成自上而下的内嵌式变革。其中的三个关键点(“TMT”)包括：团队(Team)、机制(Mechanism)和思维(Thinking)。

大数据是什么?在这个问题上，国内目前常用的是“3V”定义，即数量(Volume)、速度(Velocity)和种类(Variety)。

虽然有着这样的定义，但人们从未停止讨论什么才是成就大数据的“关键节点”。人们热议的焦点之一是“到底多大才算是大数据?”其实这个问题在“量”的层面上并没有绝对的标准，因为“量”的大小是相对于特定时期的技术处理和分析能力而言的。在上个世纪90年代，10GB的数据需要当时计算能力一流的计算机处理几个小时，而这个量现在只是一台普通智能手机存储量的一半而已。在这个层面上颇具影响力的说法是，当“全量数据”取代了“样本数据”时，人们就拥有了大数据。

海量的数据为银行的发展提升了价值

另外一个成为讨论焦点的问题是，今天的海量数据都来源于何处。在商业环境中，企业过去最关注的是ERP(Enterprise Resource Planning)和CRM(Customer Relationship Management)系统中的数据。这些数据的共性在于，它们都是由一个机构有意识、有目的地收集到的数据，而且基本上都是结构化数据。随着互联网的深入普及，特别是移动互联网的爆发式增长，人机互动所产生的数据已经成为了另一个重要的数据来源，比如人们在互联网世界中留下的各种“数据足迹”。但所有这些都还不是构成“大量数据”的主体。

“3V”的定义专注于对数据本身的特征进行描述。然而，是否是量级庞大、实时传输、格式多样的数据就是大数据?

成就大数据的关键点在于“第四个V”，即价值(Value)。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值，而且能够进一步推动商业模式的变革时，大数据才真正诞生。

大数据运作如何推动金融业变革?

多元化格式的数据已呈海量爆发，人类分析、利用数据的能力也日益精进，我们已经能够从大数据中创造出不同于传统数据挖掘的价值。那么，大数据带来的“大价值”究竟是如何产生的?

无论是在金融企业还是非金融企业中，数据应用及业务创新的生命周期都包含五个阶段：业务定义需求;IT部门获取并整合数据;数据科学家构建并完善算法与模型;IT发布新洞察;业务应用并衡量洞察的实际成效。在今天的大数据环境下，生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角色。大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察，更好地满足业务需求。

大数据延长了金融机构的生命周期

大数据改变的并不是传统数据的生命周期，而是具体的运作模式。在传统的数据基础和技术环境下，这样的周期可能要经历一年乃至更长的时间。但是有了现在的数据量和技术，机构可能只需几周甚至更短的时间就能走完这个生命周期。新的数据运作模式使快速、低成本的试错成为可能。这样，商业机构就有条件关注过去由于种种原因而被忽略的大量“小机会”，并将这些“小机会”累积形成“大价值”。

作者@雪姬

来源@36大数据

文章链接：http://www.36dsj.com/archives/45857