מה זה ביג דאטה?
ריבוי הנתונים העצום והמורכבות הטכנולוגית ההולכת וגוברת ממשיכים לשנות את האופן בו תעשיות פועלות ומתחרות. במהלך השנים האחרונות 90 אחוז מהנתונים בעולם נוצרו כתוצאה מיצירת 2.5 קיליון בייטים של נתונים על בסיס יומי. המכונה בדרך כלל נתונים גדולים, צמיחה מהירה ואחסון זה מייצרת הזדמנויות לאיסוף, עיבוד וניתוח של נתונים מובנים ולא מובנים.
איך עובד ביג דאטה
בעקבות ה- 4 V של נתונים גדולים, ארגונים משתמשים בנתונים ואנליטיקה כדי לקבל תובנה חשובה כדי להודיע על החלטות עסקיות טובות יותר. תעשיות שאימצו את השימוש בנתונים גדולים כוללות שירותים פיננסיים, טכנולוגיה, שיווק ובריאות, אם נזכיר כמה. אימוץ נתונים גדולים ממשיך להגדיר מחדש את הנוף התחרותי של התעשיות. לפי הערכות, 84 אחוזים מהעסקים סבורים כי אנשים ללא אסטרטגיית אנליטיקה מסתכנים באובדן יתרון תחרותי בשוק.
שירותים פיננסיים, בפרט, אימצו באופן נרחב ניתוחים גדולים של נתונים גדולים כדי להודיע על החלטות השקעה טובות יותר עם תשואות עקביות. בשילוב עם נתונים גדולים, המסחר האלגוריתמי משתמש בנתונים היסטוריים עצומים עם מודלים מתמטיים מורכבים כדי למקסם את התשואות של התיקים. המשך אימוץ הנתונים הגדולים ישנה באופן בלתי נמנע את הנוף של השירותים הפיננסיים. עם זאת, יחד עם היתרונות הנראים לעין, נותרו אתגרים משמעותיים ביחס ליכולת של נתונים גדולים לתפוס את נפח הנתונים ההולך וגובר.
4 V של ביג דאטה
4 ה- V הם בסיסיים לנתונים גדולים: נפח, מגוון, אמיתיות ומהירות. מול התגברות התחרות, אילוצי הרגולציה וצרכי הלקוחות, מוסדות פיננסיים מחפשים דרכים חדשות למנף טכנולוגיה כדי להשיג יעילות. תלוי בענף, חברות יכולות להשתמש בהיבטים מסוימים של נתונים גדולים כדי להשיג יתרון תחרותי.
מהירות היא המהירות בה יש לאחסן ולנתח נתונים. הבורסה של ניו יורק לוכדת 1 טרה בייט של מידע בכל יום. בשנת 2016 היו כ- 18.9 מיליארד חיבורי רשת, עם כ- 2.5 חיבורים לאדם בכדור הארץ. מוסדות פיננסיים יכולים להבדיל את עצמם מהמתחרים על ידי התמקדות בעסקי עיבוד יעילים ומהירים.
ניתן לסווג נתונים גדולים כנתונים לא מובנים או מובנים. נתונים לא מובנים הם מידע שאינו מאורגן ואינו נופל למודל שנקבע מראש. זה כולל נתונים שנאספו ממקורות מדיה חברתית, המסייעים למוסדות לאסוף מידע על צרכי הלקוח. נתונים מובנים מורכבים ממידע שכבר ניהל על ידי הארגון במאגרי מידע וגיליונות אלקטרוניים. כתוצאה מכך, יש לנהל באופן פעיל את צורות הנתונים השונות על מנת ליידע החלטות עסקיות טובות יותר.
ההיקף הגדל של נתוני השוק מהווה אתגר גדול עבור מוסדות פיננסיים. לצד נתונים היסטוריים עצומים, בנקאות ושוק ההון צריכים לנהל באופן פעיל נתוני טיקר. באופן דומה, בנקים להשקעות וחברות לניהול נכסים משתמשים בנתונים גדולים כדי לקבל החלטות השקעה אמיתיות. חברות ביטוח ופנסיה יכולות לגשת למידע על פוליסות ותביעות בעבר לניהול סיכונים פעיל.
מסחר אלגוריתמי
המסחר האלגוריתמי הפך לשם נרדף לנתונים גדולים בגלל היכולות הגדלות של מחשבים. התהליך האוטומטי מאפשר לתוכנות מחשב לבצע עסקאות פיננסיות במהירויות ותדרים שלא יכול סוחר אנושי. במסגרת המודלים המתמטיים, המסחר האלגוריתמי מספק עסקאות המבוצעות במחירים הטובים ביותר ומיקום סחר בזמן ומפחית טעויות ידניות בגלל גורמי התנהגות.
מוסדות יכולים לצמצם בצורה יעילה יותר אלגוריתמים כדי לשלב כמויות אדירות של נתונים, ולמנף כמויות גדולות של נתונים היסטוריים לאסטרטגיות לבחינת גב, ובכך ליצור השקעות פחות מסוכנות. זה עוזר למשתמשים לזהות נתונים שימושיים לשמירה ונתונים בעלי ערך נמוך לצורך השלכתם. בהתחשב בכך שניתן ליצור אלגוריתמים באמצעות נתונים מובנים ולא מובנים, שילוב חדשות בזמן אמת, מדיה חברתית ונתוני מניות במנוע אלגוריתמי אחד יכול ליצור החלטות מסחר טובות יותר. שלא כמו קבלת החלטות, אשר יכולות להיות מושפעות ממקורות מידע שונים, רגש אנושי והטיה, עסקאות אלגוריתמיות מבוצעות אך ורק על מודלים פיננסיים ונתונים.
יועצי רובו משתמשים באלגוריתמים להשקעה ובכמויות אדירות של נתונים בפלטפורמה דיגיטלית. השקעות ממוסגרות באמצעות תורת הפורטפוליו המודרנית, אשר בדרך כלל תומכת בהשקעות לטווח הארוך כדי לשמור על תשואות עקביות, ומחייבות אינטראקציה מינימלית עם יועצים פיננסיים אנושיים.
אתגרים
למרות שתעשיית השירותים הפיננסיים הולכת וגוברת עם המאמץ הגדול של נתונים גדולים, עדיין קיימים אתגרים משמעותיים בתחום. והכי חשוב, איסוף נתונים לא מובנים שונים תומך בחששות מפני פרטיות. ניתן לאסוף מידע אישי אודות קבלת ההחלטות של האדם באמצעות מדיה חברתית, מיילים ורשומי בריאות.
בשירותים פיננסיים ספציפית, רוב הביקורות נופלות על ניתוח נתונים. נפח הנתונים העצום דורש תחכום רב יותר של טכניקות סטטיסטיות על מנת להשיג תוצאות מדויקות. בפרט, המבקרים גוברים על אות לרעש כדפוסים של קורלציות מזויפות, המייצגים תוצאות חזקות סטטיסטית באופן מקרי בלבד. באופן דומה, אלגוריתמים המבוססים על תיאוריה כלכלית מצביעים בדרך כלל על הזדמנויות השקעה לטווח הארוך עקב מגמות בנתונים היסטוריים. הפקת יעילות של תוצאות התומכות באסטרטגיית השקעה לטווח קצר הן אתגרים מובנים במודלים חזויים.
בשורה התחתונה
נתונים גדולים ממשיכים להפוך את הנוף של תעשיות שונות, בעיקר שירותים פיננסיים. מוסדות פיננסיים רבים מאמצים ניתוח נתונים גדולים על מנת לשמור על יתרון תחרותי. באמצעות נתונים מובנים ולא מובנים, אלגוריתמים מורכבים יכולים לבצע עסקאות באמצעות מספר מקורות נתונים. ניתן למזער את הרגש וההטיה האנושיים באמצעות אוטומציה; עם זאת, לסחר עם ניתוח נתונים גדולים יש מערך אתגרים ספציפי משלו. התוצאות הסטטיסטיות שהופקו עד כה לא אומצו במלואן בגלל החידוש היחסי של התחום. עם זאת, ככל שמגמה של שירותים פיננסיים לעבר נתונים גדולים ואוטומציה, התחכום של טכניקות סטטיסטיות יגדיל את הדיוק.
