金融科技智能数据:金融数据价值挖掘

2022-11-02 由 发布 阅读(727)

金融行业数字化建设的核心环节之一便是金融数据的智能化运维,通过金融科技技术中的数据湖、DataOps、图技术等智能数据处理技术,推进金融数据要素价值的深度挖掘与运用。

近年来,国内网络安全、数据安全的立法不断出台,外部数据的使用权限逐渐紧缩,各机构及机构间对于数据采集、数据运维、数据挖掘的需求也与日俱增,然而金融机构以及金融相关企业间的数据传输及应用受制于互联互通的壁垒,致使行业对于数据资产的融合存储需求逐渐凸显,数据湖技术便是在这一需求背景下运营而生的技术。

数据湖本身是一种集中式存储区,其运行原理是利用存储、处理以及保护海量机构化、半结构化、非结构化数据,并且不受限于数据节点大小而为使用方持续输出的一种可收缩的安全平台,金融机构可任意调取或提取任意大小任意类型的保真数据,并批量处理、分析和运维。

数据湖不但可以疏通金融机构内部数据的壁垒,真正实现互联互通,为业务赋能,还可以协助金融机构智能化安全转移所有业务数据进湖,并将湖中数据永久加密归档和随取随调,从而将不同来源的数据资产,包括数据接口、数据标签、数据指标、第三方数据等等进行智能融合并应用,为全业务提供数字化支持。头部金融机构已将数据湖平台覆盖于信贷、渠道、交易等上百个源系统数据文件,实现全机构数据通源,并为统一数据分析层、展现层、数据沙盒的进一步深挖提供了支撑意义。

在数据管理层面,DataOps成为了主流趋势,DataOps基于DevOps而开发,属于是协作式数据管理实践,把数据的开发、管理、分析、运维融合在一起,以敏捷、协作、自动化和价值实现为目标,本质是利用工具来实现数据智能化运维,协同监测手段和反馈机制,优化数据处理与产出的流程并形成闭环性质的应用。金融机构通常运用DataOps设定错误率、生产率、部署、交付时间等关键指标,并对指标进行考核从而量化其效果,大幅升级了数据智能化水平和效果。

在短短几年时间内,DataOps从概念到应用,实现了质的飞跃,大幅提升了金融机构的数据管理效率。如今,包括华为云、阿里云、腾讯云等国内领先的云服务商,均基于DataOps为金融机构提供数据治理服务,为行业需求方数据管理模式转变奠下基础。头部金融机构大多已经使用DataOps治理和管理数据,打通机构内部的数据生产、数据治理、数据应用全链路,不但大幅减少数据管理时间以及智能化自动化地分析流程和业务能力,还高效利用机器学习进而简化开发和部署任务,减轻金融机构自身的数据构建、管理和分析的难度和压力,从而使数据管理效率得以加速突破。

去年,Gartner将图技术评为十大数据和分析趋势前列,并预言未来5年内,基于图技术的数据和分析会为占据行业创新80%以上的比重。在智能数字化创新时代,数据间复杂的关联性越来越强,致使图技术这种基于实体与实体间的图结构得以发挥其特性,不但完美保留了数据间的关联关系,还能对图结构的数据进行储存、运算、分析等等功能。图技术在业内的普及和创新已经成为数据分析不可替代的工具。

尤其金融行业,数据关系非常复杂,图技术可以适用于金融领域复杂网状结构的任意业务场景。首先便是快速识别不符合风控模型的风险个体,从而提升金融机构捕捉风险的能力。譬如,银行利用图技术能力迅速判断企业及其关联机构通过联保、互保、循环担保等手段形成的复合担保网,捕捉风险并避免风险所产生的连锁反应甚至系统性风险。其次是深度挖掘人类肉眼无法捕捉的异常业务,行之有效的进行反欺诈。例如,基于图技术建立的企业图谱可推演、检测、分析相关主体间的数据异常,动态又立体地捕捉风险隐患。最后,还可以用于金融机构的营销层面,对拥有复杂标签的用户群体精准推荐金融产品和服务,适用于保险、理财、消费金融等业务领域。