Mga Application ng Big Data sa Pananalapi

Ang malaking data ay isang popular na bagong catchphrase sa larangan ng teknolohiya ng impormasyon at dami ng mga pamamaraan na tumutukoy sa koleksyon at pagtatasa ng napakalaking halaga ng impormasyon. Ang mga pag-unlad sa kapangyarihan ng computing kasama ang mga pagbagsak ng mga presyo nito ay gumagawa ng mga malaking proyektong datos na lalong nagiging mas praktikal at magagawa sa ekonomiya. Sa partikular, ang pagdating ng cloud computing ay naglalagay ng halaga ng malaking pagtatasa ng data sa abot ng maraming maliliit na kumpanya, na ngayon ay hindi na kailangang gumawa ng mga makabuluhang pamumuhunan ng kapital sa kanilang sariling imprastrakturang computing.

Ang isang bagong kategorya ng karera, agham ng data, ay lumaki bilang tugon sa paglago ng malaking data.

Mga Aplikasyon sa loob ng Pananalapi:

Sa loob ng pananalapi, lalo na sa loob ng industriya ng serbisyo sa pananalapi , ang malaking data ay ginagamit sa isang pagtaas ng bilang ng mga application, tulad ng:

1. Pagsubaybay at pagmamanman ng empleyado
2. Mga mahuhulain na modelo, tulad ng mga maaaring gamitin ng mga underwriters ng insurance upang magtakda ng mga premium at mga opisyal ng pautang upang gumawa ng mga pagpapasya sa pagpapautang
3. Pagbubuo ng mga algorithm upang mag-forecast ng direksyon ng mga pamilihan sa pananalapi
4. Pagpepresyo ng mga di-ligtas na mga ari-arian tulad ng real estate

Auto insurance:

Bilang pabalik sa dekada 1980, ang tagapagtatag ng Progressive Insurance ay umasa sa araw na ang matitigas na data sa mga gawi sa pagmamaneho ng mga indibidwal na policyholders ay maaaring kolektahin at masuri. Ito ay hahantong sa mas tumpak na pagsukat ng panganib at pagtatasa ng panganib, at sa gayon ay mas tumpak na setting ng premium. Sa pamamagitan ng 2010, ang kinakailangang teknolohiya sa pagkolekta ng data ay magagamit, at ngayon mahigit sa isang milyong mga customer ang sumang-ayon na magkaroon ng itim na mga kahon na naka-install sa kanilang mga kotse na subaybayan, halimbawa, kung gaano kabilis ang mga ito ay karaniwang nagmamaneho at kung gaano sila biglang nagbubuga.

Credit ng konsyumer:

Ang LendUp ay nakakatulong sa tradisyonal na mga rating ng credit ng FICO sa pagtatasa ng panlipunang network na iginuhit mula sa iba't ibang mga mapagkukunan, upang gumawa ng mga pagpapasya sa pagpapahiram. Halimbawa, ang LendUp ay interesado sa pag-alam kung ang isang potensyal na borrower ay nagbago ng mga numero ng cell phone madalas, na maaaring magpahiwatig ng isang masamang panganib.

Ang kumpanya ay naniniwala din na kung paano ang mga tao na nakikipag-ugnayan sa kanilang mga kaibigan sa online ay nag-aalok ng malakas na mga pahiwatig tungkol sa kanilang panganib bilang mga borrowers. Ang mga nagpapakita ng pinakamalakas at pinaka-aktibong mga koneksyon sa lipunan at mga relasyon sa komunidad ay mukhang ang pinakamahusay na mga panganib. Kaya, ang mga potensyal na borrowers ay hinihiling na gawing available ang kanilang mga account sa Facebook para sa pagtatasa.

Ang credit card giant na CapitalOne, samantala, ay naging isang malaking manlalaro noong dekada 1990 lalo na sa pamamagitan ng paggamit ng mga advanced na pagkolekta ng data at mga diskarte sa pag-aaral upang makilala ang mga prospect para sa mga card nito, pagnanakaw ng isang martsa sa marami sa mga higit na itinatag rivals nito.

Maliit na Pagpapautang sa Negosyo:

Bagong manlalaro Kabbage ay isang thinly-staffed, teknolohiya na hinimok ng kumpanya na ang mga predictive na mga modelo gumuhit sa mga mapagkukunan bilang magkakaibang bilang social media, eBay at UPS upang masuri ang kalidad ng mga relasyon sa pagitan ng mga potensyal na borrowers at kanilang sariling mga customer.

I-crop ang Seguro:

Ang Klima Corporation ay underwrites insurance ng crop para sa mga magsasaka. Ang kumpanya ay nagpapatakbo ng malalaking simulation upang mahulaan ang pangmatagalang mga pattern ng panahon at magtakda ng mga premium.

Pagpapautang sa Mortgage:

Ang JPMorgan Chase ay gumagamit ng malaking pagtatasa ng data upang matukoy ang mga katanggap-tanggap na mga presyo ng benta para sa mga tahanan at komersyal na mga ari-arian na na-repossessed bilang resulta ng mga default na mortgage.

Ang ideya, ayon sa kumpidensyal na pinagkukunan, ay upang suriin ang mga lokal na pang-ekonomiyang kondisyon at mga merkado ng ari-arian upang magmungkahi ng makatwirang mga presyo ng pagbebenta bago ang mga pautang sa mortgage ay talagang napunta sa default. Kung ang mga iminungkahing presyo ng mga benta ay nakatakda nang tumpak, ang pagkagambala sa lokal na pamilihan ng ari-arian mula sa isang default, pag-aalis at pagbebenta ng bangko sa teorya ay dapat i-minimize. Bukod pa rito, ang panahon na kung saan ang bangko ay pinilit na humawak ng isang ari-arian bago ang paggawa ng isang benta ay dapat mababawasan.

Samantala, ang Quantfind, isang kompanya na nagtustos ng CIA sa teknikal na kadalubhasaan upang matuklasan ang mga huwad na pagkakakilanlan na ginamit ng mga pinaghihinalaang terorista, ay kinikilala na nakikipag-usap sa JPMorgan Chase kung paano maaaring maipatutupad ang teknolohiya nito sa negosyo ng kredito, sa mga lugar tulad ng pagsusuri ng kredito at marketing.

_{Mga Pinagmumulan: "Ang mga bukas na data ng pinto sa makabagong pananalapi" at "Gumagamit ang JPMorgan ng mga tool sa kontra-terorismo upang makita ang pandaraya sa mga manggagawa," Financial Times , Disyembre 14, 2012.}