Den stora spridningen av data och ökande tekniska komplexiteter fortsätter att förändra hur industrier arbetar och konkurrerar. Under de senaste två åren har 90 procent av världens data skapats som en följd av att dagligen skapades 2,5 miljarder bytes data. Vanligen kallad stor data skapar denna snabba tillväxt och lagring möjligheter för insamling, bearbetning och analys av strukturerad och ostrukturerad data.

Efter 3 Vs stora data använder organisationer data och analys för att få värdefull insikt för att informera bättre affärsbeslut. Branscher som har använt stora data är finansiella tjänster, teknik, marknadsföring och hälsovård för att nämna några. Antagandet av stora data fortsätter att omdefiniera industrins konkurrenskraftiga landskap. Uppskattningsvis 89 procent av företagen anser att de utan en analysstrategi riskerar att förlora en konkurrensfördel på marknaden.

Finansiella tjänster har i stor utsträckning antagit stor dataanalys för att informera bättre investeringsbeslut med konsekvent avkastning. I kombination med stora data använder algoritmisk handel stora historiska data med komplexa matematiska modeller för att maximera portföljens avkastning. Den fortsatta antagandet av stora data kommer oundvikligen att förändra landskapet för finansiella tjänster. Men tillsammans med sina uppenbara fördelar kvarstår stora utmaningar med avseende på stor data förmåga att fånga volymen av data. (För mer, se: The Big Play i stora data .)

3 V av Big Data

De 3 V: erna är grundläggande för stora data: volym, variation och hastighet. Mot bakgrund av ökad konkurrens, regleringshinder och kundbehov söker finansiella institutioner nya sätt att utnyttja teknik för att uppnå effektivitet. Beroende på branschen kan företagen använda vissa aspekter av stora data för att få en konkurrensfördel.

Hastighet är den hastighet vid vilken data måste lagras och analyseras. New York Stock Exchange tar upp 1 terabyte information under varje dag. Vid 2016 kommer det att uppskattas 18 miljarder nätverksanslutningar senast 2016, med ungefär 2,5 anslutningar per person på jorden. Finansinstitut kan skilja sig från tävlingen genom att fokusera på effektiv och snabb behandling av affärer.

Stora data kan kategoriseras som ostrukturerad eller strukturerad data. Ostrukturerad data är information som är oorganiserad och faller inte i en förutbestämd modell. Detta inkluderar data som samlats in från sociala medier, vilket hjälper institutionerna att samla in information om kundernas behov. Strukturerad data består av information som organisationen redan hanterar i relationsdatabaser och kalkylblad.Som ett resultat måste de olika formerna av data hanteras aktivt för att informera bättre affärsbeslut.

Den ökade volymen av marknadsdata utgör en stor utmaning för finansinstituten. Tillsammans med stora historiska data måste bank- och kapitalmarknaderna aktivt hantera tickerdata. På samma sätt använder investeringsbanker och kapitalförvaltningsföretag omfattande data för att fatta goda investeringsbeslut. Försäkrings- och pensionsföretag kan få tillgång till tidigare policy och anspråk på information för aktiv riskhantering. (För mer, se: Quants: Rocket Scientists of Wall Street .)

Algoritmisk handel

Algoritmisk handel har blivit synonymt med stora data på grund av de växande möjligheterna hos datorer. Den automatiserade processen möjliggör datorprogram för att utföra finansiella affärer med hastigheter och frekvenser som en mänsklig näringsidkare inte kan. Inom de matematiska modellerna tillhandahåller algoritmisk handel affärer som utförs till bästa möjliga priser och snabb handel, och minskar manuella fel på grund av beteendefaktorer.

Institutioner kan effektivare begränsa algoritmerna för att införliva enorma datamängder, som utnyttjar stora volymer av historiska data för att backteststrategier, vilket skapar mindre riskabla investeringar. Detta hjälper användarna att identifiera användbar data för att hålla såväl som lågvärdesdata för att kassera. Med tanke på att algoritmer kan skapas med strukturerad och ostrukturerad data, med realtidsnyheter, kan sociala medier och aktiedata i en algoritmisk motor skapa bättre handelsbeslut. Till skillnad från beslutsfattande, som kan påverkas av olika informationskällor, mänsklig känsla och bias, utförs algoritmiska affärer uteslutande på finansiella modeller och data.

Robo-rådgivare använder investeringsalgoritmer och massiva mängder data på en digital plattform. Investeringar är inramade genom Modern Portfolio-teori, som typiskt stöder långsiktiga investeringar för att upprätthålla konsekvent avkastning och kräver minimal interaktion med mänskliga finansiella rådgivare. (För mer, se: Grundläggande om algoritmisk handel: Begrepp och exempel .)

Utmaningar

Trots att finansiella tjänster industrin ökar omfamningen av stora data finns det fortfarande stora utmaningar på området. Viktigast är att insamlingen av olika ostrukturerade data stöder oro över integriteten. Personlig information kan samlas om individens beslutsfattande genom sociala medier, e-postmeddelanden och hälsoposter.

Inom finansiella tjänster faller huvuddelen av kritiken på dataanalys. Den stora datamängden kräver större sofistikering av statistiska tekniker för att få exakta resultat. I synnerhet överför kritiker signal till brus som mönster av falska korrelationer, vilket representerar statistiskt robusta resultat rent av en slump. På samma sätt pekar algoritmer som bygger på ekonomisk teori typiskt på långsiktiga investeringsmöjligheter på grund av trender i historisk data. Effektivt producera resultat som stöder en kortsiktig investeringsstrategi är inneboende utmaningar i prediktiva modeller.

Bottom Line

Stora data fortsätter att förändra landskapet i olika branscher, särskilt finansiella tjänster. Många finansinstitut antar stor dataanalys för att upprätthålla en konkurrensfördel. Genom struktur och ostrukturerad data kan komplexa algoritmer utföra handel med ett antal datakällor. Mänskliga känslor och förspänning kan minimeras genom automatisering. Handel med stor dataanalys har dock en egen specifik uppsättning utmaningar. De statistiska resultat som hittills har uppnåtts har inte blivit helt omhändertagna på grund av fältets relativa nyhet. Men som finansiella tjänster trend mot stora data och automatisering, kommer sofistikering av statistiska tekniker öka noggrannheten.