Den store spredning af data og stigende teknologiske kompleksiteter fortsætter med at forandre den måde, industrier opererer og konkurrerer på. I løbet af de sidste to år er 90 procent af dataene i verden blevet skabt som et resultat af oprettelsen af ​​2,5 quintillion bytes data på daglig basis. Denne hurtige vækst og opbevaring skaber ofte muligheder for indsamling, behandling og analyse af strukturerede og ustrukturerede data.

Efter 3 V's store data bruger organisationer data og analyser til at få værdifuld indsigt for at informere bedre forretningsmæssige beslutninger. Industrier, der har brugt brugen af ​​store data, omfatter finansielle tjenester, teknologi, markedsføring og sundhedspleje for blot at nævne nogle få. Vedtagelsen af ​​store data fortsætter med at omdefinere konkurrencedygtige landskab af industrier. En anslået 89 procent af virksomhederne mener, at de uden en analysestrategi risikerer at miste en konkurrencefordel på markedet.

Finansielle tjenester har især bredt vedtaget stor dataanalyse for at informere bedre investeringsbeslutninger med ensartet afkast. I forbindelse med store data bruger algoritmisk handel store historiske data med komplekse matematiske modeller for at maksimere porteføljens afkast. Den fortsatte vedtagelse af store data vil uundgåeligt omdanne landskabet af finansielle tjenesteydelser. Men sammen med sine tilsyneladende fordele forbliver der store udfordringer med hensyn til stor datas evne til at indfange datamængden. (For mere se: Den store afspilning i store data .)

3 V'er af Big Data

De 3 V'er er grundlæggende for store data: volumen, variation og hastighed. I lyset af stigende konkurrence, lovgivningsmæssige begrænsninger og kundernes behov søger finansielle institutioner nye måder at udnytte teknologi til at opnå effektivitet. Afhængigt af branchen kan virksomheder bruge visse aspekter af store data til at opnå en konkurrencemæssig fordel.

Hastighed er den hastighed, hvormed data skal opbevares og analyseres. New York Stock Exchange opfanger 1 terabyte information i løbet af hver dag. I 2016 vil der blive anslået 18. 9 milliarder netværksforbindelser inden 2016, med ca. 2,5 forbinder pr. Person på Jorden. Finansielle institutioner kan differentiere sig fra konkurrencen ved at fokusere på effektiv og hurtig behandling af handler.

Store data kan kategoriseres som ustrukturerede eller strukturerede data. Ustrukturerede data er information, der er uorganiseret og falder ikke ind i en forudbestemt model. Dette omfatter data indsamlet fra sociale medier kilder, som hjælper institutioner med at samle information om kundernes behov. Strukturerede data består af information, som organisationen allerede forvalter i relationelle databaser og regneark.Som følge heraf skal de forskellige former for data styres aktivt for at informere bedre forretningsbeslutninger.

Det stigende antal markedsdata udgør en stor udfordring for pengeinstitutter. Sammen med store historiske data skal bank- og kapitalmarkeder aktivt styre ticker-data. Ligeledes bruger investeringsbanker og kapitalforvaltningsvirksomheder omfattende data til at træffe sunde investeringsbeslutninger. Forsikrings- og pensionsselskaber kan få adgang til tidligere politik og hævder oplysninger til aktiv risikostyring. (For yderligere, se: Quants: Rocket Scientists of Wall Street .)

Algoritmisk Trading

Algoritmisk handel er blevet synonymt med store data på grund af computerens voksende muligheder. Den automatiserede proces gør det muligt for computerprogrammer at udføre finansielle handler med hastigheder og frekvenser, som en menneskelig erhvervsdrivende ikke kan. Inden for de matematiske modeller leverer algoritmisk handel handler til de bedst mulige priser og rettidig handel, og reducerer manuelle fejl på grund af adfærdsmæssige faktorer.

Institutioner kan mere effektivt indskrænke algoritmer til at indarbejde massive mængder data, der udnytter store mængder historiske data til backteststrategier og derved skabe mindre risikable investeringer. Dette hjælper brugerne med at identificere nyttige data for at holde såvel som data med lav værdi, der skal kasseres. I betragtning af at algoritmer kan oprettes med strukturerede og ustrukturerede data, der indeholder real-time nyheder, kan sociale medier og lagerdata i en algoritmisk motor generere bedre handelsbeslutninger. I modsætning til beslutningstagning, som kan påvirkes af forskellige kilder til information, menneskelig følelse og bias, udføres algoritmiske handler udelukkende på finansielle modeller og data.

Robo rådgivere bruger investeringsalgoritmer og massive mængder data på en digital platform. Investeringer er indrammet gennem Modern Portfolio teori, som typisk støtter langsigtede investeringer for at opretholde konsekvent afkast og kræver minimal interaktion med menneskelige finansielle rådgivere. (For mere se: Basis for algoritmisk handel: Begreber og eksempler .)

Udfordringer

På trods af den finansielle servicesektor, der øger omfavnelsen af ​​store data, eksisterer der stadig store udfordringer på området. Vigtigst er det, at samlingen af ​​forskellige ustrukturerede data understøtter bekymringer over privatlivets fred. Personlige oplysninger kan indsamles om individets beslutningstagning gennem sociale medier, e-mails og helbredsoplysninger.

Specielt inden for finansielle tjenester falder hovedparten af ​​kritikken på dataanalyse. Det store datamængde kræver større sofistikering af statistiske teknikker for at opnå præcise resultater. I særdeleshed overgår kritikere signal til støj som mønstre af falske korrelationer, der repræsenterer statistisk robuste resultater rent tilfældigt. På samme måde peger algoritmer baseret på økonomisk teori typisk på langsigtede investeringsmuligheder som følge af tendenser i historiske data. Effektivt at producere resultater, der støtter en kortsigtet investeringsstrategi, er iboende udfordringer i prædiktive modeller.

Bundlinjen

Store data fortsætter med at omdanne landskabet i forskellige industrier, især finansielle tjenesteydelser. Mange finansielle institutioner vedtager stor dataanalyse for at opretholde en konkurrencemæssig fordel. Gennem struktur og ustruktureret data kan komplekse algoritmer udføre handler ved hjælp af en række datakilder. Menneskelig følelse og forspænding kan minimeres gennem automatisering; handel med stor dataanalyse har dog sit eget specifikke udfordringer. De statistiske resultater, der er produceret hidtil, er ikke blevet fuldt omtalt på grund af feltets relative nyhed. Men som finansielle tjenester tendens til store data og automatisering, raffinement af statistiske teknikker vil øge nøjagtigheden.