Ano ang Malaking Data?
Ang malawak na paglaganap ng data at pagtaas ng mga kumplikadong teknolohikal ay patuloy na nagbabago sa paraan ng pagpapatakbo at pakikipagkumpitensya ng mga industriya. Sa nakalipas na ilang taon, 90 porsyento ng data sa mundo ay nilikha bilang isang resulta ng paglikha ng 2.5 quintillion byte ng data sa pang-araw-araw na batayan. Karaniwang tinutukoy bilang malaking data, ang mabilis na paglaki at imbakan na ito ay lumilikha ng mga pagkakataon para sa koleksyon, pagproseso, at pagsusuri ng nakabalangkas at hindi nakaayos na data.
Paano Gumagana ang Big Data
Kasunod ng 4 V's ng malaking data, ang mga organisasyon ay gumagamit ng data at analytics upang makakuha ng mahalagang pananaw upang ipaalam ang mas mahusay na mga pagpapasya sa negosyo. Ang mga industriya na nagpatibay sa paggamit ng malaking data ay kasama ang mga serbisyo sa pananalapi, teknolohiya, marketing, at pangangalaga sa kalusugan, upang pangalanan ang iilan. Ang pag-ampon ng malaking data ay patuloy na muling tukuyin ang mapagkumpitensya na tanawin ng mga industriya. Ang isang tinatayang 84 porsyento ng mga negosyo ay naniniwala sa mga walang diskarte sa analytics na nagpapatakbo ng panganib na mawala ang isang mapagkumpitensyang gilid sa merkado.
Ang mga serbisyo sa pananalapi, lalo na, ay malawak na nagpatibay ng malaking data analytics upang ipaalam ang mas mahusay na mga desisyon sa pamumuhunan na may pare-pareho na pagbabalik. Kasabay ng malaking data, ang algorithm ng trading ay gumagamit ng malawak na data sa makasaysayang may kumplikadong mga modelo ng matematika upang ma-maximize ang mga pagbabalik ng portfolio. Ang patuloy na pag-aampon ng malaking data ay hindi maiiwasang ibabago ang tanawin ng mga serbisyo sa pananalapi. Gayunpaman, kasama ang mga maliwanag na benepisyo, mananatiling hamon ang may kaugnayan sa kakayahan ng malaking data na makuha ang tumataas na dami ng data.
4 V ng Malaking Data
Ang 4 V ay pangunahing sa malaking data: dami, iba't-ibang, katumpakan, at bilis. Nakaharap sa pagtaas ng kumpetisyon, mga hadlang sa regulasyon at mga pangangailangan ng customer, ang mga institusyong pinansyal ay naghahanap ng mga bagong paraan upang magamit ang teknolohiya upang makakuha ng kahusayan. Depende sa industriya, ang mga kumpanya ay maaaring gumamit ng ilang mga aspeto ng malaking data upang makakuha ng isang karampatang kalamangan.
Ang bilis ay ang bilis kung saan dapat na maiimbak at masuri ang data. Kinukuha ng New York Stock Exchange ang 1 terabyte ng impormasyon bawat araw. Sa pamamagitan ng 2016, mayroong tinatayang 18.9 bilyon na koneksyon sa network, na may halos 2.5 na kumokonekta sa bawat tao sa Earth. Ang mga institusyong pampinansyal ay maaaring magkakaiba sa kanilang sarili mula sa kumpetisyon sa pamamagitan ng pagtuon sa mahusay at mabilis na pagproseso ng mga trading.
Ang malaking data ay maaaring mai-kategorya bilang hindi nakaayos o nakabalangkas na data. Ang hindi nakaayos na data ay impormasyon na hindi organisado at hindi nahuhulog sa isang paunang natukoy na modelo. Kasama dito ang mga datos na nakalap mula sa mga mapagkukunan ng social media, na tumutulong sa mga institusyon na mangalap ng impormasyon sa mga pangangailangan ng customer. Ang nakabalangkas na data ay binubuo ng impormasyon na pinamamahalaan ng samahan sa mga nakabatay na mga database at mga spreadsheet. Bilang isang resulta, ang iba't ibang mga form ng data ay dapat na aktibong pinamamahalaan upang ipaalam ang mas mahusay na mga desisyon sa negosyo.
Ang pagtaas ng dami ng data ng merkado ay nagdudulot ng isang malaking hamon para sa mga institusyong pampinansyal. Kasabay ng malawak na data sa kasaysayan, pagbabangko at kapital na merkado ay dapat na aktibong pamahalaan ang data ng gris. Gayundin, ang mga bangko ng pamumuhunan at mga kumpanya ng pamamahala ng pag-aari ay gumagamit ng malalakas na data upang makagawa ng mahusay na mga desisyon sa pamumuhunan. Ang mga kompanya ng seguro at pagreretiro ay maaaring ma-access ang nakaraang patakaran at inaangkin ang impormasyon para sa aktibong pamamahala sa peligro.
Algorithmic Trading
Ang pangangalakal ng Algorithmic ay naging magkasingkahulugan na may malaking data dahil sa lumalaking kakayahan ng mga computer. Ang awtomatikong proseso ay nagbibigay-daan sa mga programa sa computer upang maisakatuparan ang mga trading sa pinansya sa bilis at dalas na hindi kayang gawin ng isang negosyante. Sa loob ng mga modelo ng matematika, ang algorithm ng trading ay nagbibigay ng mga trading na naisakatuparan sa pinakamainam na posibleng presyo at napapanahong paglalagay ng kalakalan at binabawasan ang manu-manong mga pagkakamali dahil sa mga kadahilanan sa pag-uugali.
Ang mga institusyon ay maaaring mas mabisa na i-curtail ang mga algorithm upang isama ang napakalaking halaga ng data, pag-agaw ng malaking dami ng makasaysayang data upang mai-backtest ang mga estratehiya, sa gayon ang paglikha ng mas kaunting peligro na pamumuhunan. Makakatulong ito sa mga gumagamit na matukoy ang kapaki-pakinabang na data upang mapanatili pati na rin ang data na may mababang halaga na itatapon. Ibinigay na ang mga algorithm ay maaaring malikha ng nakabalangkas at hindi nakaayos na data, isinasama ang mga real-time na balita, social media at data ng stock sa isang algorithm ng engine ay maaaring makabuo ng mas mahusay na mga desisyon sa pangangalakal. Hindi tulad ng paggawa ng desisyon, na maaaring maimpluwensyahan ng iba't ibang mga mapagkukunan ng impormasyon, damdamin ng tao at bias, ang mga algorithm ng algorithm ay isinasagawa lamang sa mga modelo ng pananalapi at data.
Ang mga tagapayo ng Robo ay gumagamit ng mga algorithm ng pamumuhunan at napakalaking halaga ng data sa isang digital platform. Ang mga pamumuhunan ay naka-frame sa pamamagitan ng Modern Portfolio teorya, na karaniwang inia-endorso ang mga pangmatagalang pamumuhunan upang mapanatili ang pare-pareho na pagbabalik, at nangangailangan ng kaunting pakikisalamuha sa mga tagapayo sa pananalapi ng tao.
Mga Hamon
Sa kabila ng industriya ng serbisyo ng pinansyal na pagtaas ng yakap ng malaking data, ang mga makabuluhang hamon ay umiiral pa rin sa larangan. Pinakamahalaga, ang koleksyon ng iba't ibang hindi nakaayos na data ay sumusuporta sa mga alalahanin sa privacy. Maaaring matipon ang personal na impormasyon tungkol sa paggawa ng desisyon ng isang indibidwal sa pamamagitan ng social media, email at mga tala sa kalusugan.
Sa loob ng mga serbisyong pinansyal partikular, ang karamihan ng kritisismo ay nahuhulog sa pagsusuri ng data. Ang mas manipis na dami ng data ay nangangailangan ng higit na pagiging sopistikado ng mga istatistikong istatistika upang makakuha ng tumpak na mga resulta. Sa partikular, ang mga kritiko ay nag-overrate ng signal sa ingay bilang mga pattern ng magagalit na correlations, na kumakatawan sa mga istatistika na matatag na mga resulta na pawang lamang. Gayundin, ang mga algorithm batay sa teorya ng ekonomiya ay karaniwang tumuturo sa mga pangmatagalang pagkakataon sa pamumuhunan dahil sa mga uso sa data sa kasaysayan. Ang mahusay na paggawa ng mga resulta na sumusuporta sa isang panandaliang diskarte sa pamumuhunan ay likas na mga hamon sa mga mahuhulaan na modelo.
Ang Bottom Line
Ang malaking data ay patuloy na nagbabago sa tanawin ng iba't ibang mga industriya, lalo na ang mga serbisyo sa pananalapi. Maraming mga institusyong pampinansyal ang gumagamit ng malaking analytics ng data upang mapanatili ang isang mapagkumpitensya. Sa pamamagitan ng nakabalangkas at hindi nakabalangkas na data, ang mga kumplikadong algorithm ay maaaring magsagawa ng mga trade gamit ang isang bilang ng mga mapagkukunan ng data. Ang emosyon at bias ng tao ay maaaring mabawasan sa pamamagitan ng automation; gayunpaman, ang pakikipagkalakalan na may malaking pagsusuri ng data ay may sariling tiyak na hanay ng mga hamon Ang mga resulta ng estadistika na ginawa hanggang ngayon ay hindi pa ganap na yumakap dahil sa kamag-anak ng bagong karanasan. Gayunpaman, bilang takbo ng serbisyo sa pinansya patungo sa malaking data at automation, ang pagiging sopistikado ng mga diskarte sa istatistika ay tataas ang kawastuhan.
