Apakah Data Besar?
Proliferasi besar data dan peningkatan kerumitan teknologi terus mengubah cara industri beroperasi dan bersaing. Sejak beberapa tahun kebelakangan ini, 90 peratus daripada data di dunia telah dicipta hasil daripada penciptaan 2.5 quintillion bytes data setiap hari. Biasanya disebut sebagai data besar, pertumbuhan dan penyimpanan pesat ini mewujudkan peluang untuk pengumpulan, pemprosesan, dan analisis data berstruktur dan tidak berstruktur.
Bagaimana Data Besar berfungsi
Berikutan data besar 4 V, organisasi menggunakan data dan analisis untuk mendapatkan wawasan yang berharga untuk memaklumkan keputusan perniagaan yang lebih baik. Industri yang menggunakan data besar termasuk perkhidmatan kewangan, teknologi, pemasaran, dan penjagaan kesihatan, untuk menamakan beberapa. Penerapan data besar terus mendefinisikan semula persekitaran industri yang berdaya saing. Dianggarkan 84 peratus perusahaan percaya mereka yang tidak mempunyai strategi analitik menghadapi risiko kehilangan daya saing di pasaran.
Perkhidmatan kewangan, khususnya, telah menggunakan analitik data besar secara meluas untuk memaklumkan keputusan pelaburan yang lebih baik dengan pulangan yang konsisten. Bersempena dengan data besar, perdagangan algoritma menggunakan data sejarah yang luas dengan model matematik kompleks untuk memaksimumkan pulangan portfolio. Penerusan data yang berterusan terus menerus akan mengubah landskap perkhidmatan kewangan. Walau bagaimanapun, bersama-sama dengan faedah yang nyata, cabaran-cabaran penting masih berkaitan dengan keupayaan data besar untuk menangkap jumlah data yang semakin meningkat.
Data Big 4 V
4 V adalah asas kepada data besar: kelantangan, kepelbagaian, kebenaran, dan halaju. Menghadapi persaingan yang semakin meningkat, kekangan regulatori dan keperluan pelanggan, institusi kewangan mencari cara baru untuk memanfaatkan teknologi untuk mendapatkan kecekapan. Bergantung kepada industri, syarikat boleh menggunakan aspek data besar untuk mendapatkan kelebihan daya saing.
Velocity adalah kelajuan di mana data mesti disimpan dan dianalisis. Bursa Saham New York menangkap 1 terabyte maklumat setiap hari. Menjelang 2016, terdapat kira-kira 18.9 bilion sambungan rangkaian, dengan kira-kira 2.5 menghubungkan setiap orang di Bumi. Institusi kewangan dapat membezakan diri mereka dari persaingan dengan memberi tumpuan kepada pemprosesan yang cekap dan cepat.
Data besar boleh dikategorikan sebagai data tidak berstruktur atau berstruktur. Data tidak berstruktur adalah maklumat yang tidak teratur dan tidak jatuh ke dalam model yang telah ditentukan sebelumnya. Ini termasuk data yang dikumpulkan dari sumber media sosial, yang membantu institusi mengumpulkan maklumat mengenai keperluan pelanggan. Data berstruktur terdiri daripada maklumat yang telah diuruskan oleh organisasi dalam pangkalan data dan spreadsheet hubungan. Akibatnya, pelbagai bentuk data mesti diuruskan secara aktif untuk memaklumkan keputusan perniagaan yang lebih baik.
Peningkatan jumlah data pasaran menimbulkan cabaran besar bagi institusi kewangan. Bersama dengan data sejarah yang luas, pasaran perbankan dan modal perlu menguruskan data ticker secara aktif. Begitu juga, bank pelaburan dan firma pengurusan aset menggunakan data yang banyak untuk membuat keputusan pelaburan yang baik. Syarikat insurans dan persaraan boleh mengakses maklumat dasar dan tuntutan lalu untuk pengurusan risiko aktif.
Perdagangan Algoritma
Perdagangan algoritma telah menjadi sinonim dengan data besar disebabkan oleh peningkatan kemampuan komputer. Proses automatik membolehkan program komputer melaksanakan perdagangan kewangan pada kelajuan dan kekerapan yang tidak dapat dilakukan oleh pedagang manusia. Dalam model matematik, perdagangan algoritma menyediakan perdagangan dilaksanakan pada harga terbaik dan penempatan dagangan yang tepat pada masanya dan mengurangkan ralat manual disebabkan oleh faktor tingkah laku.
Institusi boleh secara lebih berkesan menghalang algoritma untuk menggabungkan sejumlah besar data, memanfaatkan banyak data sejarah yang besar untuk strategi backtest, sekali gus mewujudkan pelaburan yang kurang berisiko. Ini membantu pengguna mengenal pasti data berguna untuk menyimpan serta data nilai rendah untuk dibuang. Memandangkan algoritma itu boleh diwujudkan dengan data berstruktur dan tidak berstruktur, menggabungkan berita masa nyata, media sosial dan data stok dalam satu enjin algoritmik boleh menjana keputusan perdagangan yang lebih baik. Tidak seperti pembuatan keputusan, yang boleh dipengaruhi oleh pelbagai sumber maklumat, emosi dan bias manusia, perdagangan algoritma dilaksanakan hanya pada model kewangan dan data.
Penasihat Robo menggunakan algoritma pelaburan dan sejumlah besar data pada platform digital. Pelaburan dibingkai melalui teori Portfolio Moden, yang biasanya mengesahkan pelaburan jangka panjang untuk mengekalkan pulangan yang konsisten, dan memerlukan interaksi yang minimum dengan penasihat kewangan manusia.
Cabaran
Walaupun industri perkhidmatan kewangan semakin memeluk data besar, cabaran penting masih ada di lapangan. Paling penting, pengumpulan data yang tidak tersusun menyokong kebimbangan terhadap privasi. Maklumat peribadi boleh dikumpulkan mengenai pengambilan keputusan individu melalui media sosial, e-mel dan rekod kesihatan.
Di dalam perkhidmatan kewangan secara khusus, majoriti kritikan jatuh ke analisis data. Kelantangan data semata-mata memerlukan kecanggihan teknik statistik untuk mendapatkan hasil yang tepat. Khususnya, pengkritik menafikan isyarat kepada bunyi bising sebagai corak korelasi palsu, yang mewakili keputusan yang teguh secara murni secara kebetulan. Begitu juga, algoritma berdasarkan teori ekonomi biasanya menunjuk kepada peluang pelaburan jangka panjang disebabkan oleh trend dalam data sejarah. Cekap menghasilkan keputusan yang menyokong strategi pelaburan jangka pendek adalah cabaran yang wujud dalam model ramalan.
Garisan bawah
Data besar terus mengubah landskap pelbagai industri, terutamanya perkhidmatan kewangan. Banyak institusi kewangan mengamalkan analisis data besar untuk mengekalkan kelebihan daya saing. Melalui data berstruktur dan tidak berstruktur, algoritma kompleks boleh menjalankan perdagangan menggunakan beberapa sumber data. Emosi dan bias manusia boleh diminimumkan melalui automasi; bagaimanapun, berdagang dengan analisis data yang besar mempunyai set khusus cabarannya. Hasil statistik yang dihasilkan setakat ini belum sepenuhnya diterima kerana kebiasaan relatif lapangan. Walau bagaimanapun, sebagai trend perkhidmatan kewangan ke arah data dan automasi yang besar, kecanggihan teknik statistik akan meningkatkan ketepatan.
