Mikä on Big Data?
Tietojen laaja leviäminen ja kasvavat teknologiset monimutkaisuudet muuttavat edelleen toimialojen toimintatapoja ja kilpailua. Muutaman viime vuoden aikana 90 prosenttia maailman tiedoista on luotu seurauksena, että päivittäin on luotu 2, 5 kvintillon tavua dataa. Tämä nopea kasvu ja varastointi, jota yleisesti kutsutaan big dataksi, luo mahdollisuuksia kerätä, käsitellä ja analysoida jäsenneltyä ja jäsentämätöntä tietoa.
Kuinka suuri data toimii
Seuraamalla 4 V: n suurta dataa organisaatiot käyttävät tietoja ja analytiikkaa saadakseen arvokasta tietoa paremmista liiketoimintapäätöksistä. Alat, jotka ovat ottaneet käyttöön suurten tietojen käytön, ovat esimerkiksi rahoituspalvelut, tekniikka, markkinointi ja terveydenhuolto. Suurtietojen käyttöönotto määrittelee edelleen teollisuuden kilpailuympäristön. Arviolta 84 prosenttia yrityksistä uskoo, että niillä, joilla ei ole analyysistrategiaa, on vaara menettää kilpailuedut markkinoilla.
Erityisesti finanssipalvelut ovat laajasti ottaneet käyttöön big data -analytiikan tarjota parempia sijoituspäätöksiä johdonmukaisella tuotolla. Suuren datan yhteydessä algoritmikauppa käyttää laajaa historiallista tietoa monimutkaisten matemaattisten mallien avulla maksimoidakseen salkun tuoton. Suurtietojen jatkuva hyväksyminen muuttaa väistämättä rahoituspalvelujen maisemaa. Näennäisten hyötyjen ohella kuitenkin merkittäviä haasteita liittyy edelleen suurten tietojen kykyyn tarttua kasvavaan tietomäärään.
4 V: n suuria tietoja
4 V: tä ovat perustiedot suurille tiedoille: tilavuus, variaatio, todenmukaisuus ja nopeus. Kasvavan kilpailun, lainsäädännöllisten rajoitusten ja asiakkaiden tarpeiden vuoksi rahoituslaitokset etsivät uusia tapoja hyödyntää tekniikkaa tehokkuuden lisäämiseksi. Toimialasta riippuen yritykset voivat käyttää tiettyjä suurten tietojen piirteitä saadakseen kilpailuetua.
Nopeus on nopeus, jolla tiedot on tallennettava ja analysoitava. New Yorkin pörssi kaappaa 1 teratavu tietoa joka päivä. Vuoteen 2016 mennessä verkkoyhteyksiä oli arviolta 18, 9 miljardia, ja maapallolla oli noin 2, 5 yhteyttä henkeä kohti. Rahoituslaitokset voivat erottua kilpailustaan keskittymällä tehokkaasti ja nopeasti kauppojen käsittelyyn.
Suuret tiedot voidaan luokitella jäsentämättömiksi tai jäsenneltyiksi tiedoiksi. Strukturoimaton tieto on organisoimattomia tietoja, jotka eivät kuulu ennalta määrättyyn malliin. Tähän sisältyy sosiaalisen median lähteistä kerättyä tietoa, joka auttaa laitoksia keräämään tietoja asiakkaiden tarpeista. Strukturoitu tieto koostuu tiedoista, joita organisaatio on jo hallinnoinut relaatiotietokannoissa ja laskentataulukoissa. Seurauksena on, että erilaisia tietomuotoja on hallittava aktiivisesti paremmista liiketoimintapäätöksistä tiedottamiseksi.
Markkinatietojen lisääntyminen on suuri haaste rahoituslaitoksille. Suurten historiallisten tietojen lisäksi pankki- ja pääomamarkkinoiden on hallittava aktiivisesti ticker-tietoja. Samoin sijoituspankit ja varainhoitoyritykset käyttävät laaja-alaista tietoa tehdäkseen vakaita sijoituspäätöksiä. Vakuutus- ja eläkeyritykset voivat käyttää aiempia vakuutuksia ja korvaustietoja aktiivista riskienhallintaa varten.
Algoritminen kauppa
Algoritmisesta kaupasta on tullut synonyymi suurille tiedoille tietokoneiden kasvavien ominaisuuksien vuoksi. Automatisoitu prosessi mahdollistaa tietokoneohjelmien suorittaa taloudellisia kauppoja sellaisilla nopeuksilla ja taajuuksilla, joita ihminen ei voi käyttää. Matemaattisissa malleissa algoritminen kauppa tarjoaa kaupat, jotka toteutetaan parhaalla mahdollisella hinnalla ja oikea-aikaisessa kaupankäynnissä ja vähentää käyttäytymistekijöistä johtuvia manuaalisia virheitä.
Laitokset voivat tehokkaammin rajoittaa algoritmeja sisällyttääkseen valtavia määriä dataa hyödyntämällä suuria määriä historiallista dataa vastapuoli-strategioihin, jolloin luodaan vähemmän riskialttiita sijoituksia. Tämä auttaa käyttäjiä tunnistamaan hyödyllisiä tietoja säilytettäväksi sekä pienarvoisia tietoja hävitettäväksi. Koska algoritmeja voidaan luoda strukturoidun ja jäsentämättömän datan kanssa, reaaliaikaisten uutisten, sosiaalisen median ja osakedatan yhdistäminen yhteen algoritmimoottoriin voi tuottaa parempia kauppapäätöksiä. Toisin kuin päätöksenteossa, johon voivat vaikuttaa muuttuvat tietolähteet, ihmisten tunteet ja puolueellisuudet, algoritmiset kaupat suoritetaan yksinomaan taloudellisilla malleilla ja tiedoilla.
Robo-neuvonantajat käyttävät sijoitusalgoritmeja ja valtavia määriä dataa digitaalisella alustalla. Sijoitukset kehitetään nykyaikaisen salkun teorian avulla, joka tyypillisesti tukee pitkäaikaisia sijoituksia jatkuvan tuoton ylläpitämiseksi ja vaatii minimaalista vuorovaikutusta henkilöstön taloudellisten neuvonantajien kanssa.
haasteet
Vaikka rahoituspalveluteollisuus kasvattaa isotietojen omaksumista, alalla on edelleen merkittäviä haasteita. Tärkeintä on, että erilaisten jäsentelemättömien tietojen keruu tukee yksityisyyttä koskevia huolenaiheita. Henkilökohtaisia tietoja voidaan kerätä yksilön päätöksenteosta sosiaalisen median, sähköpostien ja terveystietojen kautta.
Erityisesti finanssipalveluissa suurin osa kritiikistä kuuluu data-analyysiin. Pelkkä tietomäärä vaatii tilastollisten tekniikoiden hienostumista entistä tarkempien tulosten saamiseksi. Erityisesti kriitikot yliarvioivat signaalin kohinalle vääriä korrelaatioita kuvioina, jotka edustavat tilastollisesti vahvoja tuloksia puhtaasti sattumalta. Samoin talousteoriaan perustuvat algoritmit viittaavat tyypillisesti pitkäaikaisiin sijoitusmahdollisuuksiin historiallisen tiedon kehityksen takia. Ennakoivien mallien luontainen haaste on lyhytaikaista sijoitusstrategiaa tukevien tulosten tehokas tuottaminen.
Pohjaviiva
Suuri tieto muuttaa edelleen eri toimialojen, etenkin finanssipalveluiden, maisemaa. Monet finanssilaitokset ovat ottaneet käyttöön suuria data-analyytejä kilpailuedun ylläpitämiseksi. Strukturoidun ja jäsentämättömän datan avulla monimutkaiset algoritmit voivat suorittaa kaupat käyttämällä useita tietolähteitä. Ihmisen tunteet ja ennakkoluulot voidaan minimoida automatisoinnin avulla; kaupalla suurten tietojen analysoinnilla on kuitenkin omat erityiset haasteensa. Tähän mennessä tuotettuja tilastollisia tuloksia ei ole täysin omaksuttu kentän suhteellisen uutuuden vuoksi. Koska rahoituspalvelut suuntaavat kohti suurta dataa ja automaatiota, tilastollisten tekniikoiden hienostuminen lisää tarkkuutta.
