Didelių duomenų taikymas finansuose

Dideli duomenys yra populiarus naujas informacinių technologijų ir kiekybinių metodų, kurie susiję su masinio informacijos kiekio rinkimu ir analize, srityje. Kompiuterinės galios pokyčiai kartu su jų mažėjančiomis kainomis tampa vis labiau techniškai įmanomi ir ekonomiškesni dideli duomenų projektai. Visų pirma, debesų kompiuterijos atsiradimas sukelia didelių duomenų analizės išlaidas daugeliui mažesnių įmonių, kurios dabar nereikia didelių investicijų į savo kompiuterinę infrastruktūrą.

Atsiradus didelių duomenų augimui, atsirado nauja karjeros kategorija, duomenų mokslas.

Taikomosios programos

Finansų srityje, ypač finansinių paslaugų sektoriuje, didėjantys skaičiai programų, tokių kaip:

1. Darbuotojų stebėjimas ir priežiūra
2. Nuspėjamieji modeliai, pavyzdžiui, tie, kuriuos draudikai gali naudoti draudimo įmokų ir paskolų pareigūnams nustatyti, kad galėtų priimti sprendimus dėl skolinimo
3. Algoritmų kūrimas, siekiant prognozuoti finansų rinkų kryptį
4. Kainos nelikvidus turtas, pvz., Nekilnojamasis turtas

Automobilių draudimas

Nuo devintojo dešimtmečio „Progressive Insurance“ įkūrėjas laukė tos dienos, kai būtų galima rinkti ir analizuoti sunkius duomenis apie atskirus draudėjų vairavimo įpročius. Tai lemtų tikslesnį rizikos vertinimą ir rizikos vertinimą, taigi, tikslesnę priemokų nustatymą. Iki 2010 m. Buvo pasiekta reikiama duomenų rinkimo technologija, o dabar daugiau nei vienas milijonas klientų sutiko, kad jų automobiliuose būtų įrengtos juodos dėžės, kurios, pavyzdžiui, stebėtų, kaip greitai jos paprastai važiuoja ir kaip staiga jie stabdo.

Vartojimo kreditas

LendUp papildo tradicinius FICO kredito reitingus su socialinių tinklų analize iš įvairių kitų šaltinių, kad galėtų priimti sprendimus dėl skolinimo. Pavyzdžiui, „LendUp“ yra suinteresuota žinoti, ar potencialus skolininkas dažnai keičia mobiliojo telefono numerius, o tai gali reikšti blogą riziką. Bendrovė taip pat mano, kad tai, kaip žmonės bendrauja su savo draugais internete, suteikia stiprią informaciją apie jų riziką kaip skolininkus. Labiausiai rizikuoja tie, kurie rodo stipriausius ir aktyviausius socialinius ryšius ir bendruomenės ryšius.

Taigi, potencialiems skolininkams prašoma pateikti savo „Facebook“ sąskaitas įmonei analizei atlikti.

Kredito kortelių milžinė „CapitalOne“ tuo tarpu tapo dideliu žaidėju 1990-aisiais, pirmiausia naudodama pažangius duomenų rinkimo ir analizės metodus, kad nustatytų savo kortelių perspektyvas, pavogtų žygį daugeliu jos labiau įsitvirtinusių konkurentų.

Smulkiojo verslo skolinimas

Naujas dalyvis „Kabbage“ - tai technologiškai orientuota kompanija, turinti mažai darbuotojų, kurių nuspėjamieji modeliai remiasi įvairiais šaltiniais kaip socialinė žiniasklaida, „eBay“ ir UPS, kad įvertintų potencialių skolininkų ir jų klientų santykių kokybę.

Augalų draudimas

„Klimato korporacija“ ūkininkams garantuoja pasėlių draudimą. Bendrovė atlieka didžiulius modeliavimus, kad būtų galima prognozuoti ilgalaikius oro pokyčius ir nustatyti įmokas.

Hipotekinis kreditavimas

JPMorgan Chase naudoja didelės apimties duomenų analizę, kad nustatytų priimtinas namų ir komercinių patalpų pardavimo kainas, kurios buvo atgautos dėl neįvykdytų hipotekų. Pagal konfidencialius šaltinius idėja yra įvertinti vietines ekonomines sąlygas ir nekilnojamojo turto rinkas, kad būtų pasiūlytos pagrįstos pardavimo kainos prieš hipotekos paskolas. Jei šios siūlomos pardavimo kainos yra tiksliai nustatytos, turėtų būti kuo labiau sumažintas vietinio nekilnojamojo turto rinkos sutrikimas, atsiradęs dėl įsipareigojimų nevykdymo, perleidimo ir banko pardavimo.

Be to, turėtų būti kuo labiau sumažintas laikotarpis, per kurį bankas yra priverstas laikyti turtą iki pardavimo.

Tuo tarpu „Quantfind“, įmonė, kuri pateikė CŽV techninę kompetenciją, kad atskleistų įtariamų teroristų panaudotas klaidingas tapatybes, pripažino įsitraukusi į diskusijas su JPMorgan Chase, kaip jos technologija gali būti taikoma kredito veiklai tokiose srityse kaip kredito vertinimas ir rinkodara.