چگونه استفاده از کلان داده ها، علوم مالی را دگرگون کرده است؟

کلان داده

گسترش وسیع داده ها و پیچیدگی های فزاینده ی فناوری، هر لحظه در حال متحول ساختن نحوه عملیات و رقابت صنایع مختلف است. تنها ظرف دو دهه ی گذشته، ۹۰ درصد از داده های موجود در جهان در نتیجه تولید ۲٫۵ تریلیون بایت داده روزانه است. این حجم از داده که معمولاً کلان داده (big data) نامیده می شوند، به دلیل رشد روزافزونشان، فرصت بی نظیری برای جمع آوری، پردازش و تحلیل داده های ساختارمند و غیرساختارمند به دست می دهند.

سازمان ها با پیروی از سه عنصر اساسی کلان داده ها (۳V)، از داده های انبوه و تحلیل آنها برای دریافت بینشی ارزشمند برای تصمیم گیری های بهتر تجاری استفاده می کنند. از جمله صنایعی که به استفاده از کلان داده ها روی آورده اند عبارتند از شرکت های فعال در زمینه ی خدمات مالی، فناوری، بازاریابی و سلامت.

استفاده از کلان داده ها، در حال تغییر چشم انداز رقابتی در صنایع است. در حدود ۸۹ درصد از شرکت ها بر این عقیده اند که بدون داشتن یک استراتژی تحلیلی کلان داده ای، کسب و کارشان در خطر از دست دادن مزیت رقابتی قرار می گیرد.

به ویژه شرکت های فعال در زمینه ی خدمات مالی، به نحو گسترده ای به استفاده از تحلیل کلان داده ها روی آورده اند تا بتوانند به مشتریانشان، مشاوره های بهتری در زمینه ی سرمایه گذاری با درآمد پایدار داشته باشند. معاملات الگوریتمی هم با اتصال به کلان داده ها و با استفاده از مدل های پیچیده ی ریاضی، از اطلاعات گذشته برای به حداکثر رساندن بازده دارایی استفاده می کند.

استفاده ی مداوم از کلان داده ها، ناچارا باعث تغییر چشم انداز خدمات مالی خواهد شد. البته استفاده از کلان داده ها در کنار تمام محاسن آشکارش، هنوز با چالش هایی جدی درباره چگونگی کسب حجم فزاینده داده ها مواجه است.

سه عنصر اساسی کلان داده ها

سه عنصر حجم (Volume)، تنوع (Variety) و سرعت (Velocity)، اساس کلان داده ها را تشکیل می دهند. مؤسسات مالی در مواجهه با رقابت فزاینده، محدودیت های قانونی و نیازهای متنوع مشتری، به دنبال یافتن راه های جدید برای استفاده از فناوری در جهت افزایش بهره وری هستند. هر صنعتی به فراخور نیازش می تواند از جنبه های مشخصی از کلان داده ها برای دست یابی به مزیت رقابتی استفاده کند.

عنصر “سرعت”، به سرعت ذخیره سازی و تحلیل داده ها اشاره دارد. مثلاً بازار معاملات سهام نیویورک در هر روز ۱ ترابایت اطلاعات را دریافت و تحلیل می کند. پیش بینی می شد که تا سال ۲۰۱۶ تعداد ۱۸٫۹ میلیارد اتصال شبکه در دنیا برقرار شود، یعنی ۱٫۵ اتصال برای هر نفر!

مؤسسات مالی می توانند با تمرکز بر پردازش سریع و کارآمد اطلاعات معاملاتی، خود را از رقبا متمایز کنند.

کلان داده ها را می توان به دو دسته ی ساختاریافته یا ساختارنیافته تقسیم کرد. داده های ساختارنیافته، اطلاعاتی هستند که سازماندهی نشده و در دسته های از پیش تعیین شده قرار نمی گیرند. داده های جمع آوری شده از شبکه های اجتماعی از جمله داده های ساختارنیافته هستند که مؤسسات مالی از آنها برای جمع آوری اطلاعات در مورد نیازهای مشتریان استفاده می کنند. داده های ساختاریافته، مرکب از اطلاعاتی هستند که در پایگاه داده ی سازمان طبقه بندی شده اند. خلاصه اینکه برای اتخاذ تصمیمات تجاری بهتر، انواع داده های در اختیار سازمان باید مستمراً مدیریت و بررسی شوند.

حجم فزاینده ی داده های مربوط، به چالشی برای مؤسسات مالی تبدیل شده است. داده های مربوط به بانکداری و بازارهای سرمایه، در کنار داده های قدیمی، به طور مداوم نیازمند بررسی و تحلیل هستند. به همین نحو، بانک های سرمایه گذاری و مؤسسات مدیریت دارایی از حجم عظیمی از داده ها برای اتخاذ تصمیمات مناسب مالی استفاده می کنند. مؤسسات بیمه و صندوق های بازنشستگی هم می توانند برای مدیریت ریسک به اطلاعات مربوط به حوادث و دعاوی گذشته ی بیمه ای دسترسی پیدا کنند.

معاملات الگوریتمی

به دلیل رشد ظرفیت ذخیره ی رایانه ها، معاملات الگوریتمی با کلان داده ها متناظر شده اند. پردازش خودکار، برنامه های رایانه ای را قادر می سازد که معاملات مالی را با سرعت و تناوبی که فراتر از توان بشری است به انجام برسانند. معاملات الگوریتمی، از طریق مدل های ریاضی، انجام معاملات با بهترین قیمت و در بهترین زمان را ممکن می سازند و تأثیر خطای انسانی ناشی از عوامل رفتاری را به حداقل می رسانند.

مؤسسات می توانند الگوریتم ها را برای پردازش حجم انبوهی از داده و استفاده از انبوه اطلاعات گذشته برای سنجش استراتژی های مالی برنامه ریزی کنند و در نتیجه ریسک سرمایه گذاری را کاهش دهند. این امر به کاربران کمک می کند تا داده های مفید و قابل توجه را بشناسند و داده های کم اهمیت تر را نادیده بگیرند.

از الگوریتم ها می توان هم برای تحلیل داده های ساختاریافته و هم برای تحلیل داده های ساختارنیافته استفاده کرد و تجمیع داده هایی از قبیل اخبار لحظه ای، داده های شبکه های اجتماعی و داده های بورس در یک موتور الگوریتمی واحد می تواند منجر به نتایج معاملاتی بهتری شود. برخلاف تصمیم گیری انسانی که می تواند توسط منابع اطلاعاتی مختلف و احساسات و عواطف تحت تأثیر قرار گیرد، معاملات الگوریتمی منحصراً بر مبنای مدل ها و داده های مالی اجرا می شوند.

روبات های مشاور، از الگوریتم های سرمایه گذاری و حجم انبوهی از داده ها در بسترهای دیجیتال استفاده می کنند. سرمایه گذاری ها در چارچوب تئوری مدرن پورتفوی (Modern Portfolio Theory) صورت می گیرد که معمولاً سرمایه گذاری های بلندمدت با بازده پایدار را تشویق می کند و نیازمند کمترین تعامل با مشاوران مالی انسانی است.

چالش ها

علیرغم استقبال فزاینده ی صنایع خدمات مالی از کلان داده ها، هنوز چالش های مهمی در این حوزه وجود دارد که مهم ترین آنها، جمع آوری داده های ساختارنیافته است که تهدیدی علیه حریم شخصی افراد به شمار می رود. اطلاعات شخصی در مورد روش تصمیم گیری یک فرد می تواند از طریق شبکه های اجتماعی، ایمیل ها و سوابق پزشکی او استخراج شود.

به ویژه در حوزه ی خدمات مالی، بیشترین نقدها متوجه روش های تحلیل داده است. پردازش حجم عظیمی از داده، نیازمند روش های آماری پیچیده تر است تا بتواند به نتایج درستی منجر شود. منتقدان، سیگنالهای ارائه شده توسط این مدل ها را تنها نویزهایی می دانند که در آن، الگوهای همبستگی کاذب، منجر به نتایجی آماری می شوند که تنها حاصل شانس و تصادف هستند. به همین ترتیب، الگوریتم های مبتنی بر تئوری اقتصادی معمولا به دلیل روندهای موجود در داده های تاریخی، به فرصت های سرمایه گذاری بلند مدت اشاره می کنند. در نتیجه، تولید نتایج کارآمد در زمینه ی استراتژی سرمایه گذاری های کوتاه مدت به یکی از چالش های اصلی مدل های پیشبینانه تبدیل شده است.

سخن آخر

کلان داده همچنان در حال تغییر چشم انداز صنایع بسیاری، از جمله خدمات مالی است. بسیاری از مؤسسات مالی برای حفظ مزیت رقابتی، به تحلیل کلان داده ها روی آورده اند. از طریق تحلیل داده های ساختاریافته و ساختارنیافته، الگوریتم های پیچیده ای می توانند با استفاده از منابع متعدد داده، به انجام معامله بپردازند. احساسات انسانی و سوگیری های می توانند از طریق خودکارسازی معاملات به حداقل برسند؛ البته معامله با استفاده از تحلیل کلان داده ها، چالش هایی نیز دارد. نتایج آماری فعلی به دلیل نو بودن نسبی این حوزه، هنوز به دقت مورد بررسی قرار نگرفته اند. البته، همانطور که حوزه ی خدمات مالی به سمت استفاده از کلان داده ها و خودکارسازی معاملات متمایل می شود، پیچیده تر شدن تکنیک های آماری نیز باعث افزایش ضریب درستی نتایج می شوند.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *