2016年影响金融机构的5项大数据趋势

jopen 8年前

本文作者Marty Loughlin是剑桥语义有限公司( Cambridge Semantics Inc. )金融服务的副总裁。在加入剑桥语义之前,Marty是EMC波士顿咨询业务总经理。他25年的从业生涯一直致力于帮助客户利用变革性技术来驱动业务成果,最近聚焦于云服务和大数据。在2005年加入EMC之前,Marty是Granitar(一家网络咨询公司)的联合创始人和首席运营官。Marty是都柏林城市大学英语学士,同时拥有东北大学高科技工商管理学硕士。

行业标准和更成熟平台的采用会使得大数据的焦点从IT驱动的基础设施建设项目转移到商业驱动的数据解决方案上来。谁采取大数据策略的时间越早、越积极,谁就将提高运营效率,并为公司带来效益。

2015年对于大数据在金融服务领域来说是关键的一年。大多数大型企业都意识到他们在普通商业课程中获得的信息都具有巨大的战略价值和竞争价值。随着金融科技初创公司对目前业内企业逐渐构成威胁,数据的价值正变得越来越重要。

许多大型企业都开始付诸行动来利用自身数据的价值。然而,这些行动也暴露了一些商业和科技方面都必须要解决的新问题以及新挑战。

例如,利用大数据可以解决哪些正确的商业问题?如何结合跨业务部门的数据目标和运营,从而实现商业价值的最大化?如何在保持安全性和隐私的情况下积累数据?你需要采用什么的实现流程、企业和工具来提供有效的解决方案?

2016年,我们将会看到很多关于这些挑战的解决方案,以及来自一些企业(充分利用其大数据资产的企业)的强大差异化策略的出现。接下来我们将介绍一些2016年值得期待的重要发展。

1、强大的大数据使用案例的出现

采用大数据解决方案的一个挑战是商业和IT之间的脱节。在很多情况下,IT已经一马当先,建造好了大数据基础设施,并且采用了很多的新型工具,这些工具通常都不针对具体的商业问题。因此通常看到的结果是,用具体的解决方案来寻找相应需要解决的问题。

更精明的企业则采取了不同的方法,即为具体的商业问题提供解决方案,或者将数据作为一种服务来提供,从而使得商业可以灵活选择他们需要的工具来解决具体问题。2016年我们将会看到更多有关这两种方法的应用实例。

一些促进采取大数据的重要使用实例包括遵守各种犯规、监管风险报告、网络安全和贸易监督。2016年我们将会看到人们对诸如 customer 360的创收使用案例的兴趣越来越浓。

人工控制数据质量是金融数据管理的薄弱环节,许多企业仍然在这个问题上投入人力和电子数据表等。我们将会在新的一年看见大数据解决方案的应用,从而使得这些流程可以自动完成。

大数据作为一项服务可以为商业价值提供更多机会。为什么?因为大数据服务提供了统一的企业数据源,数据的质量和归属历史都有记录,并且使得商业用户可以选择数据集和必要的工具来解决具体的问题。

这种方法不仅运营效率较高,而且战略上看也非常灵活,因为它不会预先决定数据将会如何使用。

2、智能(语义)数据湖

2015年我们看到了数据湖(the data lake)的兴起。数据湖指的是一种面向所有企业数据的储存形式,其特征在于能以极低的成本收集大量原生的、未转化格式的数据。

数据湖具有很大前景,同时又有一些局限性。对于很多企业来说,数据源的编目、不同数据的协调以及为数据添加意义等都是非常大的挑战。

新兴厂商正试图解决其中一些问题,但是几乎没有供应商可以承诺利用语义技术来提供全面的端对端解决方案。

例如,基于W3C的开源行业标准的语义技术提供了一种标准方法,使用常见的商业友好模型来描述和协任何来源的、结构化或非结构化的数据。

智能数据湖工具可以利用基于诸如Hadoop HDFS和Apache Spark等大数据工具的语义技术的力量。通过提供支持语义标准的大规模并行、内存、图形数据库,一些公司可以利用语义技术来克服语义技术长期存在的挑战之一——在数据量巨大时的性能。目前可以在企业数据集(数百亿的三元组)上运行交互式图形查询。

这些技术也允许企业利用行业标准模型,例如来自EDM委员会的金融行业业务本体(Financial Industry Business Ontology,FIBO)。当结合企业级语义工具来实施该模型时,智能数据湖为行业受益于其数据集开辟了一条康庄大道。

3、数据访问民主化

智能数据湖工具也是利用数据湖来解决另一个挑战:终端用户访问。大部分数据湖解决方案需要通过商业智能(BI)工具进行手动编码,以便为消费进行数据转化和准备。通过智能数据湖,用于赋予数据意义的语义模型可用于提供关键的终端用户功能,例如:数据分类、数据挖掘、数据来源和自助服务数据分析等。

用语义模型所描述的数据并不需要预先假定需要支持的查询和分析。语义描述使得终端用户可以找到自己想要的数据,同时无需任何编码便能在商业术语中进行查询。

这种数据访问的民主化将会使得无论是数据科学家还是业务分析师都可以访问企业数据。

4、向中型企业中广泛部署大数据解决方案

迄今为止,实施大数据解决方案所需工具的复杂性和不成熟性使得其主要应用于大型、具有技术先进的企业。还有一种看法认为,「大」是大数据最重要的方面。然而,多样化也是一个很重要的方面,不同规模的企业其数据也不同。

云服务的采用和更多打包解决方案的出现(例如智能数据湖和数据访问民主化)将会使得大数据在2016年有机会扩展到一些中层企业中。

定义更佳的使用实例、低成本的云端解决方案和更加主流的技能设置要求将会为那些想要在企业中充分利用不同数据价值的公司扫除目前存在的许多壁垒。

5、大数据管理的兴起

最近EDM委员会的一项调查强调了我们正处在金融服务行业数据管理的一个转折点。大多数企业已经认识到企业数据管理的必要性并且已经或正在设定策略。BCBS 239是这些项目的主要驱动者,但是在衡量其商业价值方面还太稚嫩。2016年大数据活动将会创造更多对数据管理的需求,因为目前应用于数据库的流程、控制和安全性在企业数据湖共享时将需要进一步加强。

例如EDM委员会的数据管理能力评估模型(The Data Management Capability Assessment Model,DCAM)等新兴标准将会产生有竞争力的基准,并采用标准化的数据管理实践。用EDMC自己的话讲,「由EDM委员会创造的DCAM代表了数据管理最佳实践与现实金融服务业务的结合。它记录与可持续的数据管理方案的发展有关的37项基本功能和115项子功能。」

最近EDM委员会在整个金融服务行业进行了一次自我评估基准测试,其十分清楚地记录和量化了我们在实际应用中所看到的情况。对于数据质量,行业需要标准化的目标措施,这将标准化竞争环境、确定优先事项,反过来促进易出错的自动化和有限规模的手动流程的改进。

协调一致、高质量、管理良好的数据并不仅仅有利于法规遵从性,而且随着行业的快速变化以及颠覆性新企业的不断进入,它还能提高以客户为中心企业的行业竞争力。

本文选自 thefinancialbrand ,作者:Marty Loughlin,机器之心编译出品,编译:孟婷,杨超。

</div>

来自: http://www.almosthuman.cn/2016/02/05/9ubvl/