Lielo datu pieteikumi finansēs

Lieli dati ir populāra jauna informatīvā tehnoloģija un kvantitatīvās metodes, kas attiecas uz masveida informācijas vākšanu un analīzi. Skaitļošanas jaudas sasniegumi un to cenu kritums padara lielos datu projektus arvien tehniskāk īstenojamus un ekonomiskākus. Jo īpaši mākoņdatošanas ieviešana rada lielas datu analīzes izmaksas daudzu mazāku uzņēmumu rīcībā, kam tagad nav nepieciešams veikt ievērojamus kapitālieguldījumus savās skaitļošanas infrastruktūrās.

Atbildot uz lielo datu pieaugumu, ir izveidojies jauns karjeras veids, datu zinātne.

Pieteikumi finanšu jomā

Finansējumā, jo īpaši finanšu pakalpojumu nozarē, arvien vairāk pieteikumu izmanto lielus datus, piemēram:

1. Darbinieku uzraudzība un uzraudzība
2. Prognozējošie modeļi, piemēram, tie, kurus apdrošināšanas parakstītāji var izmantot, lai noteiktu prēmijas un aizdevumu virsniekus, lai pieņemtu aizdevumu lēmumus.
3. Algoritmu izstrāde, lai prognozētu finanšu tirgu virzību
4. Nelikvīdu aktīvu, piemēram, nekustamā īpašuma, cenu noteikšana

Auto apdrošināšana

Jau 1980. gados Progresīvās apdrošināšanas dibinātājs gaidīja dienu, kad varētu savākt un analizēt smagus datus par atsevišķiem apdrošinājuma ņēmēju braukšanas paradumiem. Tas novestu pie precīzāka riska novērtējuma un riska novērtējuma, un tādējādi precīzākas piemaksas noteikšanas. Līdz 2010. gadam ir kļuvusi pieejama vajadzīgā datu vākšanas tehnoloģija, un tagad vairāk nekā viens miljons klientu ir piekrituši, ka savās automašīnās ir ievietotas melnās kastes, kas seko, piemēram, cik ātri tās parasti brauc un cik pēkšņi tās parasti bremzē.

Patēriņa kredīts

LendUp papildina tradicionālos FICO kredītreitingus ar sociālo tīklu analīzi, kas iegūta no dažādiem citiem avotiem, lai pieņemtu lēmumus par kreditēšanu. Piemēram, LendUp ir ieinteresēts zināt, vai potenciālais aizņēmējs bieži ir mainījis mobilo tālruņu numurus, kas var liecināt par sliktu risku. Uzņēmums arī uzskata, ka tas, kā cilvēki mijiedarbojas ar saviem draugiem tiešsaistē, sniedz spēcīgus norādījumus par to, cik riskanti kā aizņēmēji. Labākie riski ir tiem, kuri uzrāda spēcīgākos un aktīvākos sociālos sakarus un kopienas saites.

Tādējādi potenciālajiem aizņēmējiem tiek prasīts, lai tie Facebook kontus darītu pieejamus analīzei.

Tikmēr kredītkaršu gigants CapitalOne kļuva par lielu spēlētāju 1990. gados, galvenokārt izmantojot uzlabotas datu vākšanas un analīzes metodes, lai identificētu savu karšu izredzes, zādzībā gājienu par daudziem tā vairāk nostiprinātiem konkurentiem.

Mazo uzņēmumu kreditēšana

Jaunais ienācējs Kabbage ir tehnoloģiski vadīts uzņēmums, kura prognozētie modeļi izmanto tikpat daudzveidīgus avotus kā sociālie mediji, eBay un UPS, lai novērtētu potenciālo aizņēmēju un viņu pašu klientu attiecību kvalitāti.

Crop Insurance

Climate Corporation paraksta lauksaimnieku apdrošināšanu. Uzņēmums veic milzīgas simulācijas, lai prognozētu ilgtermiņa laika apstākļus un noteiktu piemaksas.

Hipotēku kreditēšana

JPMorgan Chase izmanto lielu datu analīzi, lai noteiktu pieņemamas pārdošanas cenas mājokļiem un komerciāliem īpašumiem, kas ir atmaksāti saistību neizpildes hipotēku rezultātā. Saskaņā ar konfidenciāliem avotiem ideja ir novērtēt vietējos ekonomiskos apstākļus un nekustamā īpašuma tirgus, lai piedāvātu saprātīgas pārdošanas cenas pirms hipotekāro kredītu faktiskās noklusēšanas. Ja šīs piedāvātās pārdošanas cenas tiek precīzi noteiktas, ir jāsamazina vietējā nekustamā īpašuma tirgus traucējumi pēc noklusējuma, pārņemšanas un pārdošanas, ko veic banka.

Turklāt ir jāsamazina periods, kurā banka ir spiesta turēt īpašumu pirms pārdošanas.

Tikmēr Quantfind, uzņēmums, kas ir piegādājis CIP ar tehniskām zināšanām, lai atklātu viltotas identitātes, ko izmanto aizdomās turētie teroristi, ir atzinusi iesaistīšanos diskusijās ar JPMorgan Chase par to, kā tās tehnoloģija var tikt piemērota kredītu biznesam tādās jomās kā kredītu novērtēšana un mārketings.