2016年影響金融機構的5項大數據趨勢

行業標準和更成熟平臺的采用會使得大數據的焦點從IT驅動的基礎設施建設項目轉移到商業驅動的數據解決方案上來。誰采取大數據策略的時間越早、越積極，誰就將提高運營效率，并為公司帶來效益。

2015年對于大數據在金融服務領域來說是關鍵的一年。大多數大型企業都意識到他們在普通商業課程中獲得的信息都具有巨大的戰略價值和競爭價值。隨著金融科技初創公司對目前業內企業逐漸構成威脅，數據的價值正變得越來越重要。

許多大型企業都開始付諸行動來利用自身數據的價值。然而，這些行動也暴露了一些商業和科技方面都必須要解決的新問題以及新挑戰。

例如，利用大數據可以解決哪些正確的商業問題？如何結合跨業務部門的數據目標和運營，從而實現商業價值的最大化？如何在保持安全性和隱私的情況下積累數據？你需要采用什么的實現流程、企業和工具來提供有效的解決方案？

2016年，我們將會看到很多關于這些挑戰的解決方案，以及來自一些企業（充分利用其大數據資產的企業）的強大差異化策略的出現。接下來我們將介紹一些2016年值得期待的重要發展。

1、強大的大數據使用案例的出現

采用大數據解決方案的一個挑戰是商業和IT之間的脫節。在很多情況下，IT已經一馬當先，建造好了大數據基礎設施，并且采用了很多的新型工具，這些工具通常都不針對具體的商業問題。因此通常看到的結果是，用具體的解決方案來尋找相應需要解決的問題。

更精明的企業則采取了不同的方法，即為具體的商業問題提供解決方案，或者將數據作為一種服務來提供，從而使得商業可以靈活選擇他們需要的工具來解決具體問題。2016年我們將會看到更多有關這兩種方法的應用實例。

一些促進采取大數據的重要使用實例包括遵守各種犯規、監管風險報告、網絡安全和貿易監督。2016年我們將會看到人們對諸如 customer 360的創收使用案例的興趣越來越濃。

人工控制數據質量是金融數據管理的薄弱環節，許多企業仍然在這個問題上投入人力和電子數據表等。我們將會在新的一年看見大數據解決方案的應用，從而使得這些流程可以自動完成。

大數據作為一項服務可以為商業價值提供更多機會。為什么？因為大數據服務提供了統一的企業數據源，數據的質量和歸屬歷史都有記錄，并且使得商業用戶可以選擇數據集和必要的工具來解決具體的問題。

這種方法不僅運營效率較高，而且戰略上看也非常靈活，因為它不會預先決定數據將會如何使用。

2、智能（語義）數據湖

2015年我們看到了數據湖（the data lake）的興起。數據湖指的是一種面向所有企業數據的儲存形式，其特征在于能以極低的成本收集大量原生的、未轉化格式的數據。

數據湖具有很大前景，同時又有一些局限性。對于很多企業來說，數據源的編目、不同數據的協調以及為數據添加意義等都是非常大的挑戰。

新興廠商正試圖解決其中一些問題，但是幾乎沒有供應商可以承諾利用語義技術來提供全面的端對端解決方案。

例如，基于W3C的開源行業標準的語義技術提供了一種標準方法，使用常見的商業友好模型來描述和協任何來源的、結構化或非結構化的數據。

智能數據湖工具可以利用基于諸如Hadoop HDFS和Apache Spark等大數據工具的語義技術的力量。通過提供支持語義標準的大規模并行、內存、圖形數據庫，一些公司可以利用語義技術來克服語義技術長期存在的挑戰之一——在數據量巨大時的性能。目前可以在企業數據集（數百億的三元組）上運行交互式圖形查詢。

這些技術也允許企業利用行業標準模型，例如來自EDM委員會的金融行業業務本體（Financial Industry Business Ontology，FIBO）。當結合企業級語義工具來實施該模型時，智能數據湖為行業受益于其數據集開辟了一條康莊大道。

3、數據訪問民主化

智能數據湖工具也是利用數據湖來解決另一個挑戰：終端用戶訪問。大部分數據湖解決方案需要通過商業智能（BI）工具進行手動編碼，以便為消費進行數據轉化和準備。通過智能數據湖，用于賦予數據意義的語義模型可用于提供關鍵的終端用戶功能，例如：數據分類、數據挖掘、數據來源和自助服務數據分析等。

用語義模型所描述的數據并不需要預先假定需要支持的查詢和分析。語義描述使得終端用戶可以找到自己想要的數據，同時無需任何編碼便能在商業術語中進行查詢。

這種數據訪問的民主化將會使得無論是數據科學家還是業務分析師都可以訪問企業數據。

4、向中型企業中廣泛部署大數據解決方案

迄今為止，實施大數據解決方案所需工具的復雜性和不成熟性使得其主要應用于大型、具有技術先進的企業。還有一種看法認為，「大」是大數據最重要的方面。然而，多樣化也是一個很重要的方面，不同規模的企業其數據也不同。

云服務的采用和更多打包解決方案的出現（例如智能數據湖和數據訪問民主化）將會使得大數據在2016年有機會擴展到一些中層企業中。

定義更佳的使用實例、低成本的云端解決方案和更加主流的技能設置要求將會為那些想要在企業中充分利用不同數據價值的公司掃除目前存在的許多壁壘。

5、大數據管理的興起

最近EDM委員會的一項調查強調了我們正處在金融服務行業數據管理的一個轉折點。大多數企業已經認識到企業數據管理的必要性并且已經或正在設定策略。BCBS 239是這些項目的主要驅動者，但是在衡量其商業價值方面還太稚嫩。2016年大數據活動將會創造更多對數據管理的需求，因為目前應用于數據庫的流程、控制和安全性在企業數據湖共享時將需要進一步加強。

例如EDM委員會的數據管理能力評估模型（The Data Management Capability Assessment Model，DCAM）等新興標準將會產生有競爭力的基準，并采用標準化的數據管理實踐。用EDMC自己的話講，「由EDM委員會創造的DCAM代表了數據管理最佳實踐與現實金融服務業務的結合。它記錄與可持續的數據管理方案的發展有關的37項基本功能和115項子功能。」

最近EDM委員會在整個金融服務行業進行了一次自我評估基準測試，其十分清楚地記錄和量化了我們在實際應用中所看到的情況。對于數據質量，行業需要標準化的目標措施，這將標準化競爭環境、確定優先事項，反過來促進易出錯的自動化和有限規模的手動流程的改進。

協調一致、高質量、管理良好的數據并不僅僅有利于法規遵從性，而且隨著行業的快速變化以及顛覆性新企業的不斷進入，它還能提高以客戶為中心企業的行業競爭力。

本文選自 thefinancialbrand ，作者：Marty Loughlin，機器之心編譯出品，編譯：孟婷，楊超。