大数据如何交易

❶ 如何运用大数据做好精细化营销

现在大数据不断发展衍生出了很多用途，而在营销上面的用途是彻底改变了营销模式。而该如何利用大数据来进行精准营销呢？

1、针对性营销

大数据可以提供某些企业交易特点和资金需求特点，可以帮助业务部门对企业的资金需求进行分析和筛选，提供现金管理产品，帮助企业解决流动性问题。大数据可以帮助信用卡中心追踪热点信息，针对特定人群提供精准营销产品，增加新卡用户，例如热映电影、娱乐活动、餐饮团购等。银行针对特定人群推出定制的理财产品，保险产品。

2、社交化营销-善融商务

人们的社交行为产生了巨大的数据，利用社交平台，结合大数据分析，金融行业可以开展成本较低的社交化营销，借助于开放的互联网平台，依据大量的客户需求数据，进轿培铅行产品和渠道推广。通过互联网社交平台返回的海量数据，评测营销方案的阶段成果，实时调整营销能够方案，利用口碑传销和病毒式传播来帮助金融行业快速进行产品宣传、品牌宣传、渠道宣传等。

3、信用风险评估

银行可以利用大数据增加信用风险输入纬度，提高信用风险管理水平，动态管理企业和个人客户的形用风险。建立基于大数据的信用风险评估模型和方法，将会提高银行对中小企业和个人的资金支持。个人信用评分标准的建立，将会帮助银行在即将到来的信用消费时代取得领先。基闭好于大数据的动态的信用风险管理机制，将会帮助银行提前预测高风险信用违约时间，及时介入，降低违约概率，同时预防信用欺诈。

4、欺诈风险管理

信用卡公司可以利用大数据及时预测和发现恶意欺诈事件，即使采取措施，降低信用开欺诈风险。银行可以基于大数据建立防欺诈监控系统，动态管理网上银行、POS机、ATM等渠道的欺诈事件，大数据提供了多纬度的监控指标和联动方式，可以弥补和完善目前反欺诈监控方式的不足。特别在识别客户行为趋势方面，大数据具有较大的优势。

5、提升客户体验

银行可以依据大数据分析，可以对进入网点的客户提供定制服务和问候，在节假日为客户提供定制服务，预知企业客户未来资金需求，提前进行预约，提高客户体验。私人银行可以依据大数据分析报告，帮助客户进行金融市场产品投资，赚取超额利润，形成竞争优势，提高客户体验。保险业务可以依据大数据预测为客户提前提供有效服务，提高客户体验，同时增加商业机会。理财业务可以利用大数分析，快速推出行业报告和市场趋势报告，帮助投资者及时了解热点，提高客户满意度。

6、需求分析和产品创新

大数据提供了整体数据，银行可以利用整体样本数据，从中进行筛选。可以从客户职业，年龄，收入，居住地，习惯爱好，资产，信用等各个方面中散对客户进行分类，依据其他的数据输入纬度来确定客户的需求来定制产品。银行还可以依据企业的交易数据来预测行业发展特点，为企业客户提供金融产品服务。

7、运营效率提升

大数据可以展现不同产品线的实际收入和成本，帮助银行进行产品管理。同时大数据为管理层提供全方面报表，揭示内部运营管理效率，有力于内部效率提升。大数据可以帮助市场部门有效监测营销方案和市场推广情况，提高营销精度，降低营销费用。大数据可以展现风险视图控制信用风险，同时加快信用审批。大数据可以帮助保险行业快速为客户提供保险方案，提高效率，降低成本。理财产品也可以利用大数据动态提供行业报告，快速帮助投资人。

8、决策支持

大数据可以帮助金融企业，为即将实施的决策提供数据支撑，同时也可以依据大数据分析归纳出规律，进一步演绎出新的决策。基于大数据和人工智能技术的决策树模型将会有效帮助金融行业分析信用风险，为业务决策提供有力支持。金融行业新产品或新服务推向市场前，可以在局部地区进行试验，大数据技术可以对采集的数据精准营销进行分析，通过统计分析报告为新产品的市场推广提供决策支持。

❷ 如何用大数据炒股

我们如今生活在一个数据爆炸的世界里。网络每天响应超过60亿次的搜索请求，日处理数据超过100PB，相当于6000多座中国国家图书馆的书籍信息量总和。新浪微博每天都会发布上亿条微博。在荒无人烟的郊外，暗藏着无数大公司的信息存储中心，24小时夜以继日地运转着。
克托·迈尔-舍恩伯格在《大数据时代》一书中认为，大数据的核心就是预测，即只要数据丰富到一定程度，就可预测事情发生的可能性。例如，“从一个人乱穿马路时行进的轨迹和速度来看他能及时穿过马路的可能性”，或者通过一个人穿过马路的速度，预测车子何时应该减速从而让他及时穿过马路。

那么，如果把这种预测能力应用在股票投资上，又会如何？

目前，美国已经有许多对冲基金采用大数据技术进行投资，并且收获甚丰。中国的中证广发网络百发100指数基金（下称百发100），上线四个多月以来已上涨68%。

和传统量化投资类似，大数据投资也是依靠模型，但模型里的数据变量几何倍地增加了，在原有的金融结构化数据基础上，增加了社交言论、地理信息、卫星监测等非结构化数据，并且将这些非结构化数据进行量化，从而让模型可以吸收。

由于大数据模型对成本要求极高，业内人士认为，大数据将成为共享平台化的服务，数据和技术相当于食材和锅，基金经理和分析师可以通过平台制作自己的策略。

量化非结构数据

不要小看大数据的本领，正是这项刚刚兴起的技术已经创造了无数“未卜先知”的奇迹。

2014年，网络用大数据技术预测命中了全国18卷中12卷高考作文题目，被网友称为“神预测”。网络公司人士表示，在这个大数据池中，包含互联网积累的用户数据、历年的命题数据以及教育机构对出题方向作出的判断。

在2014年巴西世界杯比赛中，Google亦通过大数据技术成功预测了16强和8强名单。

从当年英格兰报社的信鸽、费城股票交易所的信号灯到报纸电话，再到如今的互联网、云计算、大数据，前沿技术迅速在投资领域落地。在股票策略中，大数据日益崭露头角。

做股票投资策略，需要的大数据可以分为结构化数据和非结构化数据。结构化数据，简单说就是“一堆数字”，通常包括传统量化分析中常用的CPI、PMI、市值、交易量等专业信息；非结构化数据就是社交文字、地理位置、用户行为等“还没有进行量化的信息”。

量化非结构化就是用深度模型替代简单线性模型的过程，其中所涉及的技术包括自然语言处理、语音识别、图像识别等。

金融大数据平台-通联数据CEO王政表示，通联数据采用的非结构化数据可以分为三类：第一类和人相关，包括社交言论、消费、去过的地点等；第二类与物相关，如通过正在行驶的船只和货车判断物联网情况；第三类则是卫星监测的环境信息，包括汽车流、港口装载量、新的建筑开工等情况。

卫星监测信息在美国已被投入使用，2014年Google斥资5亿美元收购了卫星公司Skybox，从而可以获得实施卫星监测信息。

结构化和非结构化数据也常常相互转化。“结构化和非结构化数据可以形象理解成把所有数据装在一个篮子里，根据应用策略不同相互转化。例如，在搜索频率调查中，用户搜索就是结构化数据；在金融策略分析中，用户搜索就是非结构化数据。”网络公司人士表示。

华尔街拿着丰厚薪水的分析师们还不知道，自己的雇主已经将大量资本投向了取代自己的机器。
2014年11月23日，高盛向Kensho公司投资1500万美元，以支持该公司的大数据平台建设。该平台很像iPhone里的Siri，可以快速整合海量数据进行分析，并且回答投资者提出的各种金融问题，例如“下月有飓风，将对美国建材板块造成什么影响？”

在Kensho处理的信息中，有80%是“非结构化”数据，例如政策文件、自然事件、地理环境、科技创新等。这类信息通常是电脑和模型难以消化的。因此，Kensho的CEO Daniel Nadler认为，华尔街过去是基于20%的信息做出100%的决策。

既然说到高盛，顺便提一下，这家华尔街老牌投行如今对大数据可谓青睐有加。除了Kensho，高盛还和Fortress信贷集团在两年前投资了8000万美元给小额融资平台On Deck Capital。这家公司的核心竞争力也是大数据，它利用大数据对中小企业进行分析，从而选出值得投资的企业并以很快的速度为之提供短期贷款。

捕捉市场情绪

上述诸多非结构化数据，归根结底是为了获得一个信息：市场情绪。

在采访中，2013年诺贝尔经济学奖得主罗伯特•席勒的观点被无数采访对象引述。可以说，大数据策略投资的创业者们无一不是席勒的信奉者。

席勒于上世纪80年代设计的投资模型至今仍被业内称道。在他的模型中，主要参考三个变量：投资项目计划的现金流、公司资本的估算成本、股票市场对投资的反应（市场情绪）。他认为，市场本身带有主观判断因素，投资者情绪会影响投资行为，而投资行为直接影响资产价格。
然而，在大数据技术诞生之前，市场情绪始终无法进行量化。

回顾人类股票投资发展史，其实就是将影响股价的因子不断量化的过程。

上世纪70年代以前，股票投资是一种定性的分析，没有数据应用，而是一门主观的艺术。随着电脑的普及，很多人开始研究驱动股价变化的规律，把传统基本面研究方法用模型代替，市盈率、市净率的概念诞生，量化投资由此兴起。

量化投资技术的兴起也带动了一批华尔街大鳄的诞生。例如，巴克莱全球投资者（BGI）在上世纪70年代就以其超越同行的电脑模型成为全球最大的基金管理公司；进入80年代，另一家基金公司文艺复兴（Renaissance）年均回报率在扣除管理费和投资收益分成等费用后仍高达34%，堪称当时最佳的对冲基金，之后十多年该基金资产亦十分稳定。

“从主观判断到量化投资，是从艺术转为科学的过程。”王政表示，上世纪70年代以前一个基本面研究员只能关注20只到50只股票，覆盖面很有限。有了量化模型就可以覆盖所有股票，这就是一个大的飞跃。此外，随着计算机处理能力的发展，信息的用量也有一个飞跃变化。过去看三个指标就够了，现在看的指标越来越多，做出的预测越来越准确。

随着21世纪的到来，量化投资又遇到了新的瓶颈，就是同质化竞争。各家机构的量化模型越来越趋同，导致投资结果同涨同跌。“能否在看到报表数据之前，用更大的数据寻找规律？”这是大数据策略创业者们试图解决的问题。

于是，量化投资的多米诺骨牌终于触碰到了席勒理论的第三层变量——市场情绪。

计算机通过分析新闻、研究报告、社交信息、搜索行为等，借助自然语言处理方法，提取有用的信息；而借助机器学习智能分析，过去量化投资只能覆盖几十个策略，大数据投资则可以覆盖成千上万个策略。

基于互联网搜索数据和社交行为的经济预测研究，已逐渐成为一个新的学术热点，并在经济、社会以及健康等领域的研究中取得了一定成果。在资本市场应用上，研究发现搜索数据可有效预测未来股市活跃度（以交易量指标衡量）及股价走势的变化。

海外就有学术研究指出，公司的名称或者相关关键词的搜索量，与该公司的股票交易量正相关。德国科学家Tobias Preis就进行了如此研究：Tobias利用谷歌搜索引擎和谷歌趋势（Google Trends），以美国标普500指数的500只股票为其样本，以2004年至2010年为观察区间，发现谷歌趋势数据的公司名称搜索量和对应股票的交易量，在每周一次的时间尺度上有高度关联性。也就是说，当某个公司名称在谷歌的搜索量活动增加时，无论股票的价格是上涨或者下跌，股票成交量与搜索量增加；反之亦然，搜索量下降，股票成交量下降。以标普500指数的样本股为基础，依据上述策略构建的模拟投资组合在六年的时间内获得了高达329%的累计收益。

在美国市场上，还有多家私募对冲基金利用Twitter和Facebook的社交数据作为反映投资者情绪和市场趋势的因子，构建对冲投资策略。利用互联网大数据进行投资策略和工具的开发已经成为世界金融投资领域的新热点。

保罗·霍丁管理的对冲基金Derwent成立于2011年5月，注册在开曼群岛，初始规模约为4000万美元， 2013年投资收益高达23.77%。该基金的投资标的包括流动性较好的股票及股票指数产品。
通联数据董事长肖风在《投资革命》中写道，Derwent的投资策略是通过实时跟踪Twitter用户的情绪，以此感知市场参与者的“贪婪与恐惧”，从而判断市场涨跌来获利。

在Derwent的网页上可以看到这样一句话：“用实时的社交媒体解码暗藏的交易机会。”保罗·霍丁在基金宣传册中表示：“多年以来，投资者已经普遍接受一种观点，即恐惧和贪婪是金融市场的驱动力。但是以前人们没有技术或数据来对人类情感进行量化。这是第四维。Derwent就是要通过即时关注Twitter中的公众情绪，指导投资。”

另一家位于美国加州的对冲基金MarketPsych与汤普森·路透合作提供了分布在119个国家不低于18864项独立指数，比如每分钟更新的心情状态（包括乐观、忧郁、快乐、害怕、生气，甚至还包括创新、诉讼及冲突情况等），而这些指数都是通过分析Twitter的数据文本，作为股市投资的信号。

此类基金还在不断涌现。金融危机后，几个台湾年轻人在波士顿组建了一家名为FlyBerry的对冲基金，口号是“Modeling the World（把世界建模）”。它的投资理念全部依托大数据技术，通过监测市场舆论和行为，对投资做出秒速判断。

关于社交媒体信息的量化应用，在股票投资之外的领域也很常见：Twitter自己也十分注重信息的开发挖掘，它与DataSift和Gnip两家公司达成了一项出售数据访问权限的协议，销售人们的想法、情绪和沟通数据，从而作为顾客的反馈意见汇总后对商业营销活动的效果进行判断。从事类似工作的公司还有DMetics，它通过对人们的购物行为进行分析，寻找影响消费者最终选择的细微原因。

回到股票世界，利用社交媒体信息做投资的公司还有StockTwits。打开这家网站，首先映入眼帘的宣传语是“看看投资者和交易员此刻正如何讨论你的股票”。正如其名，这家网站相当于“股票界的Twitter”，主要面向分析师、媒体和投资者。它通过机器和人工相结合的手段，将关于股票和市场的信息整理为140字以内的短消息供用户参考。

此外，StockTwits还整合了社交功能，并作为插件可以嵌入Twitter、Facebook和LinkedIn等主要社交平台，让人们可以轻易分享投资信息。

另一家公司Market Prophit也很有趣。这家网站的宣传语是“从社交媒体噪音中提炼市场信号”。和StockTwits相比，Market Prophit更加注重大数据的应用。它采用了先进的语义分析法，可以将Twitter里的金融对话量化为“-1（极度看空）”到“1（极度看多）”之间的投资建议。网站还根据语义量化，每天公布前十名和后十名的股票热度榜单。网站还设计了“热度地图”功能，根据投资者情绪和意见，按照不同板块，将板块内的个股按照颜色深浅进行标注，谁涨谁跌一目了然。

中国原创大数据指数

尽管大数据策略投资在美国貌似炙手可热，但事实上，其应用尚仅限于中小型对冲基金和创业平台公司。大数据策略投资第一次被大规模应用，应归于中国的百发100。

网络金融中心相关负责人表示，与欧美等成熟资本市场主要由理性机构投资者构成相比，东亚尤其是中国的股票类证券投资市场仍以散户为主，因此市场受投资者情绪和宏观政策性因素影响很大。而个人投资者行为可以更多地反映在互联网用户行为大数据上，从而为有效地预测市场情绪和趋势提供了可能。这也就是中国国内公募基金在应用互联网大数据投资方面比海外市场并不落后、甚至领先的原因。

百发100指数由网络、中证指数公司、广发基金联合研发推出，于2014年7月8日正式对市场发布，实盘运行以来一路上涨，涨幅超过60%。跟踪该指数的指数基金规模上限为30亿份，2014年9月17日正式获批，10月20日发行时一度创下26小时疯卖18亿份的“神话”。

外界都知道百发100是依托大数据的指数基金，但其背后的细节鲜为人知。

百发100数据层面的分析分为两个层面，即数据工厂的数据归集和数据处理系统的数据分析。其中数据工厂负责大数据的收集分析，例如将来源于互联网的非结构化数据进行指标化、产品化等数据量化过程；数据处理系统，可以在数据工厂递交的大数据中寻找相互统计关联，提取有效信息，最终应用于策略投资。

“其实百发100是在传统量化投资技术上融合了基于互联网大数据的市场走势和投资情绪判断。”业内人士概括道。

和传统量化投资类似，百发100对样本股的甄选要考虑财务因子、基本面因子和动量因子，包括净资产收益率（ROE）、资产收益率（ROA）、每股收益增长率（EPS）、流动负债比率、企业价值倍数（EV/EBITDA）、净利润同比增长率、股权集中度、自由流通市值以及最近一个月的个股价格收益率和波动率等。

此外，市场走势和投资情绪是在传统量化策略基础上的创新产物，也是百发100的核心竞争力。接近网络的人士称，市场情绪因子对百发100基金起决定性作用。

网络金融中心相关负责人是罗伯特•席勒观点的支持者。他认为，投资者行为和情绪对资产价格、市场走势有着巨大的影响。因此“通过互联网用户行为大数据反映的投资市场情绪、宏观经济预期和走势，成为百发100指数模型引入大数据因子的重点”。

传统量化投资主要着眼点在于对专业化金融市场基本面和交易数据的应用。但在网络金融中心相关业务负责人看来，无论是来源于专业金融市场的结构化数据，还是来源于互联网的非结构化数据，都是可以利用的数据资源。因此，前文所述的市场情绪数据，包括来源于互联网的用户行为、搜索量、市场舆情、宏观基本面预期等等，都被网络“变废为宝”，从而通过互联网找到投资者参与特征，选出投资者关注度较高的股票。

“与同期沪深300指数的表现相较，百发100更能在股票市场振荡时期、行业轮动剧烈时期、基本面不明朗时期抓住市场热点、了解投资者情绪、抗击投资波动风险。”网络金融中心相关负责人表示。

百发100选取的100只样本股更换频率是一个月，调整时间为每月第三周的周五。

业内人士指出，百发100指数的月收益率与中证100、沪深300、中证500的相关性依次提升，说明其投资风格偏向中小盘。

但事实并非如此。从样本股的构成来说，以某一期样本股为例，样本股总市值6700亿元，占A股市值4.7%。样本股的构成上，中小板21只，创业板4只，其余75只样本股均为大盘股。由此可见，百发100还是偏向大盘为主、反映主流市场走势。

样本股每个月的改变比例都不同，最极端的时候曾经有60%进行了换仓。用大数据预测热点变化，市场热点往往更迭很快；但同时也要考虑交易成本。两方面考虑，网络最后测算认为一个月换一次仓位为最佳。

样本股对百发100而言是核心机密——据说“全世界只有基金经理和指数编制机构负责人两个人知道”——都是由机器决定后，基金经理分配给不同的交易员建仓买入。基金经理也没有改变样本股的权利。

展望未来，网络金融中心相关负责人踌躇满志，“百发100指数及基金的推出，只是我们的开端和尝试，未来将形成多样化、系列投资产品。”

除了百发100，目前市场上打着大数据旗帜的基金还有2014年9月推出的南方-新浪I100和I300指数基金。

南方-新浪I100和I300是由南方基金、新浪财经和深圳证券信息公司三方联合编制的。和百发100类似，也是按照财务因子和市场情绪因子进行模型打分，按照分值将前100和前300名股票构成样本股。推出至今，这两个指数基金分别上涨了10%左右。

正如百发100的市场情绪因子来自网络，南方-新浪I100和I300的市场情绪因子全部来自新浪平台。其中包括用户在新浪财经对行情的访问热度、对股票的搜索热度；用户在新浪财经对股票相关新闻的浏览热度；股票相关微博的多空分析数据等。

此外，阿里巴巴旗下的天弘基金也有意在大数据策略上做文章。据了解，天弘基金将和阿里巴巴合作，推出大数据基金产品，最早将于2015年初问世。

天弘基金机构产品部总经理刘燕曾对媒体表示，“在传统的调研上，大数据将贡献于基础资产的研究，而以往过度依赖线下研究报告。大数据将视野拓展至了线上的数据分析，给基金经理选股带来新的逻辑。”

在BAT三巨头中，腾讯其实是最早推出指数基金的。腾讯与中证指数公司、济安金信公司合作开发的“中证腾安价值100指数”早在2013年5月就发布了，号称是国内第一家由互联网媒体与专业机构编制发布的A股指数。不过，业内人士表示，有关指数并没有真正应用大数据技术。虽然腾讯旗下的微信是目前最热的社交平台，蕴藏了大量的社交数据，但腾讯未来怎么开发，目前还并不清晰。

大数据投资平台化

中欧商学院副教授陈威如在其《平台战略》一书中提到，21世纪将成为一道分水岭，人类商业行为将全面普及平台模式，大数据金融也不例外。

然而，由于大数据模型对成本要求极高，就好比不可能每家公司都搭建自己的云计算系统一样，让每家机构自己建设大数据模型，从数据来源和处理技术方面看都是不现实的。业内人士认为，大数据未来必将成为平台化的服务。

目前，阿里、网络等企业都表示下一步方向是平台化。

蚂蚁金服所致力搭建的平台，一方面包括招财宝一类的金融产品平台，另一方面包括云计算、大数据服务平台。蚂蚁金服人士说，“我们很清楚自己的优势不是金融，而是包括电商、云计算、大数据等技术。蚂蚁金服希望用这些技术搭建一个基础平台，把这些能力开放出去，供金融机构使用。”

网络亦是如此。接近网络的人士称，未来是否向平台化发展，目前还在讨论中，但可以确定的是，“网络不是金融机构，目的不是发产品，百发100的意义在于打造影响力，而非经济效益。”
当BAT还在摸索前行时，已有嗅觉灵敏者抢占了先机，那就是通联数据。

通联数据股份公司（DataYes）由曾任博时基金副董事长肖风带队创建、万向集团投资成立，总部位于上海，公司愿景是“让投资更容易，用金融服务云平台提升投资管理效率和投研能力”。该平台7月上线公测，目前已拥有130多家机构客户，逾万名个人投资者。

通联数据目前有四个主要平台，分别是通联智能投资研究平台、通联金融大数据服务平台、通联多资产投资管理平台和金融移动办公平台。

通联智能投资研究平台包括雅典娜-智能事件研究、策略研究、智能研报三款产品，可以对基于自然语言的智能事件进行策略分析，实时跟踪市场热点，捕捉市场情绪。可以说，和百发100类似，其核心技术在于将互联网非结构化数据的量化使用。

通联金融大数据服务平台更侧重于专业金融数据的分析整理。它可以提供公司基本面数据、国内外主要证券、期货交易所的行情数据、公司公告数据、公关经济、行业动态的结构化数据、金融新闻和舆情的非结构化数据等。

假如将上述两个平台比作“收割机”，通联多资产投资管理平台就是“厨房”。在这个“厨房”里，可以进行全球跨资产的投资组合管理方案、订单管理方案、资产证券化定价分析方案等。

通联数据可以按照主题热点或者自定义关键字进行分析，构建知识图谱，将相关的新闻和股票提取做成简洁的分析框架。例如用户对特斯拉感兴趣，就可以通过主题热点看到和特斯拉相关的公司，并判断这个概念是否值得投资。“过去这个搜集过程要花费几天时间，现在只需要几分钟就可以完成。”王政表示。

“通联数据就好比一家餐馆，我们把所有原料搜集来、清洗好、准备好，同时准备了一个锅，也就是大数据存储平台。研究员和基金经理像厨师一样，用原料、工具去‘烹制’自己的策略。”王政形容道。

大数据在平台上扮演的角色，就是寻找关联关系。人类总是习惯首先构建因果关系，继而去倒推和佐证。机器学习则不然，它可以在海量数据中查获超越人类想象的关联关系。正如维克托`迈尔-舍恩伯格在《大数据时代》中所提到的，社会需要放弃它对因果关系的渴求，而仅需关注相互关系。

例如，美国超市沃尔玛通过大数据分析，发现飓风用品和蛋挞摆在一起可以提高销量，并由此创造了颇大的经济效益。如果没有大数据技术，谁能将这毫无关联的两件商品联系在一起？
通联数据通过机器学习，也能找到传统量化策略无法发现的市场联系。其中包括各家公司之间的资本关系、产品关系、竞争关系、上下游关系，也包括人与人之间的关系，例如管理团队和其他公司有没有关联，是否牵扯合作等。

未来量化研究员是否将成为一个被淘汰的职业？目前研究员的主要工作就是收集整理数据，变成投资决策，而之后这个工作将更多由机器完成。

“当初医疗科技发展时，人们也认为医生会被淘汰，但其实并不会。同理，研究员也会一直存在，但他们会更注重深入分析和调研，初级的数据搜集可以交给机器完成。”王政表示。
但当未来大数据平台并广泛应用后，是否会迅速挤压套利空间？这也是一个问题。回答根据网上资料整理

❸ 什么是大数据交易

现在关于大数据都是在滥用概念。大数据本意指运算的数据量大。而很多专商家或者传媒为了夺人属眼球，胡乱的编造些怪异概念出来。而所谓的大数据交易，其实就是通过网络在线搜索关注度很高的交易标的，这种方法未必可行。关键的还是要自己认真分析。首先是根据政策的方向，把握行业机会，再在行业中去寻找具有高门槛的龙头行业（当然，现在的龙头区分比较细化）。

❹ 如何实现大数据交易

大数据时代，数据成为数字经济的关键生产要素，以数据为基础，以人工智能为主要驱动力的新型经济形态正在蓬勃发展。大数据产业发展的核心在于数据自由流通，而数据交易就是实现数据有序流通的关键一环。

近日，发源地大数据对我国大数据交易产业进行了深度研究，指明了未来发展路径。

2011年至2014年这四年间，我国大数据处于起步发展阶段，大数据的市场规模增速稳定，每年均保持在20%以上。

2015年，大数据市场规模已达到98.9亿元，同比增长30.7%。

2016年，大数据市场规模增速迎来高潮，达到45%，市场规模继续扩大，超过160亿元。

预计2017年至2020年，大数据的市场增速稳定。

我国主要的大数据交易平台分布在西南、华中和华北地区，均属于国内第一批崛起的大数据交易平台。

从当前的发展来看，中西部发展势头强劲，产业发展进入良性循环，是国内最早规划并实施大数据产业发展的地区。

东部地区则依托经济优势，聚集效应开始显现。就目前而言，以北京、上海、广州为中心向四周辐射，形成以京津冀地区、长江三角洲地区和珠江三角洲地区为集团枢纽的沿海大数据走廊格局，是东部地区大数据交易平台建设的最大特点。

1.大数据交易平台建设进入井喷期。

数据交易平台是数据交易行为的重要载体，可以促进数据资源整合、规范交易行为、降低交易成本、增强数据流动性，成为当前各地促进数据要素流通的主要举措之一。从全国范围来看，2015年前成立并投入运营的有北京大数据交易服务平台、贵阳大数据交易所、长江大数据交易所、东湖大数据交易平台、西咸新区大数据交易所和河北大数据交易中心。2016年新建设的有哈尔滨数据交易中心、江苏大数据交易中心、上海大数据交易中心以及浙江大数据交易中心。据有关数据预测，到2016年年底全国类似的交易平台数量可能达到15到20个[1]。

2.大数据交易变现能力有所提升。

在国家政策的推动鼓励下，数据交易从概念逐步落地，部分省市和相关企业在数据定价、交易标准等方面进行了有益的探索。随着数据交易类型的日益丰富、交易环境的不断优化、交易规模的持续扩大，我国数据变现能力显著提高。据《2016年中国大数据产业白皮书》不完全统计，2015年我国大数据相关交易的市场规模为33.85亿元，预计到2016年国内大数据交易市场规模将达到62.12

亿元，2020年将达到545亿元。

3.大数据交易仍整体处于起步阶段。

从整体发展水平来看，我国大数据交易仍处于起步阶段，突出表现在以下几个方面：一是数据交易主要以单纯的原始数据“粗加工”交易为主，数据预处理、数据模型、数据金融衍生品等的内容的交易尚未大规模展开。二是数据供需不对称使得数据交易难以满足社会有效需求，数据成交率和成交额不高。三是数据开放进程缓慢一定程度上制约了数据交易整体规模，影响数据变现能力。四是数据交易过程中缺乏全国统一的规范体系和必要的法律保障，无法有效破解数据定价、数据确权等难题。

❺ 如何用大数据赚钱

问题一：通过大数据如何赚钱 首先要确定自己有的“大数据”是什么数据，大到怎样的量级，其中包含的数据元素有多少；
其次找到自己拥有的数据本身的商业属性，找到需要这些数据的用户，并确定他们对这些数据需要是否刚性，以及调研可以为使用这些数据的用户带来哪些价值或者改善；
最后就是设计一套运营模式，让这些数据变现。包括可以一次性的出售，这基本上不会有太多价值；更好的方式是数据动态更新，提供各种数据之间关联分析和目标组合，分别按照不同用户需要持续提供，也就可以长期的赚钱了。
市场上多数大数据本身并非真正的大数据，只是一部分数据资料而已！

问题二：大数据怎么赚钱 拥有大数据的人，才考虑这个事情哪李。
对大数据进行分析、挖掘，发现一些在小规模数据情况下不能发信的东西，这就是价值，就是钱。

问题三：如何利用大数据赚钱的方法和途径 这个要看具体的情况吧，而且做生意还是要多选择，我在国外看过一个很有特色的无比墙画，画面漂亮，不要开店的，不知道国内有没有，可以找找，以后绝对会取代墙纸

问题四：人人都在讲大数据，怎么利用大数据赚钱 大数据技术应用上可以通过开发各种APP或者系统、网站等借助大数据分析，精准营销，节约成本，挖去潜在用户人群及消费市场，从而实现变现盈利

问题五：怎么用大数据赚钱 可以说得具体点吗

问题六：大数据不再神秘 可谁知道怎么用大数据赚钱 用大数据赚钱，最低层次的，是卖数据――通过交易平台把掌握的数据直接卖出变毁扒现。
更高层次的，对数据进行分析，形成分析报告，提供给有需求的组织，这是数据可视化变现。
再高点层次的，像精准营销这种，通过掌握的海量用户数据进行用户画像，为他们展示精准的广告，收取广告主的钱，这是用数据间接变现。
最高层次的，醉翁之意不在酒，通过数据找准客户所在，最终完成自己产品的销售，或促成项目达成，这是数据商业价值变现。

问题七：怎么李余迟样利用大数据赚钱？ 要看新闻更新的是否快，可以做个自己的新闻类门户网站

问题八：怎样通过大数据赚钱 拥有大数据的人，才考虑这个事情。
对大数据进行分析、挖掘，发现一些在小规模数据情况下不能发信的东西，这就是价值，就是钱。

问题九：大数据公司怎么赚钱? 根据个人理解，大数据公司赚钱分为三个等级
1. 直接出售数据： 包括脱敏的各种交易、操作、用户信息；互联网抓取的 *** 息
2. 对数据进行结构化分析后出售： 各种舆情监测，广告投放，传播分析等
3. 根据批量结构化后信息数据进行建模： 用于个性化推荐，走势预测等
中介公司大概能做第一个级别的吧。
当然，后面还有人工智能，只是目前依靠这个赚钱的公司还没看到。

问题十：现有的大数据公司，都是如何赚钱的呢 为各行业和企业做数据分析啊，互联网时代数据是很重要的，依赖有效的数据分析，可以预测到很多方面，并作出适当的运作调整。会有企业因为自己没有能力做这一块，但又需要有这方面，就找他们设计开发咯。

❻ 什么叫大数据量化交易大数据量化交易是什么地位

【导读】很多人对于大数据量化交易不清楚，只知道大数据，其实大数据量化交易是基于大数据以上是云社区搭建的载体，下面我们就来聊聊什么叫大数据量化交易?大数据量化交易是什么地位?

现在发达城市北上广，已经开始用大数据，运做基金了。而且门槛很高，必须金融和计算机的本科以上人员，研究生择优录取。

可见大数据，发展的力度。很多人不知道大数据怎么交易股票，这这里简单说下，现在好多券商软件支持，大数据自动化交易，也就是说，当你编写好自己的预期策略后，由程序根据你的策略实行，自动化交易。现在名声仅次于巴菲特的詹姆斯.西蒙斯，就是大数据量化交易的先驱，他名下的大奖章基金，就是根据大数据量化交易运行。

大数据量化交易，可以实现。一天成百上千次此交易，只要资金允许。这也是发达发达城市为什么着重研究的对象。还有大数据是未来的趋势。电脑在对市场热度的分析，要强于人工识别。但是论单个交易，人工肯定强于电脑，但是从现在的基金规模来看。电脑交易是主要趋势。不管多厉害的基金经理，精力都是有限的。

目前的大数据都是借助python为主要语言编写的，感兴趣的可以看看相关方面的学习。券商对自动化交易的资金，一般是5w门槛。

以上就是小编今天给大家整理发布的关于“什么叫大数据量化交易?大数据量化交易是什么地位?”的相关内容，希望对大家有所帮助。随着市场的发展。大数据量化交易，会慢慢普及。

❼ 可以利用大数据炒股吗

大数据可以用于股票交易，所谓大数据，就是一个新的分析概念，利用新的系统、新的工具、新的模型来挖掘大量动态的、可持续的数据，从而获得具有洞察力和新价值的东西。大数据已经在一些金融工具中有所体现，大数据会将股票之前的数据全都发布出来，股民可以根据这只股票之前的数据来进行对比。

其实大数据只能说是个趋势，我们可以通过打数据让投资者能够有一个参考性，但不能够过度依赖大数据，毕竟着只是数据，这些数据是死的，而股市却是千变万化的，我们不能过度的依赖大数据得出的分析与结论，大数据也只是作为一个参考数据。世事无绝对，更何况是股票，可能上一秒还是盈利的状态，但是下一秒就已经处于亏损了，不少人也因为炒股倾家荡产，所以这边还是要提醒大家一下，谨慎行事，不要盲目跟风。

❽ “大数据”要这样用才赚钱!

“大数据”要这样用才赚钱!

大数据的生意经其实很简单，就是收入增加，花费减少；就是增加客户，提高客户体验，提高资金回报的杠杆率；大数据应用成熟之后，大数据可以预测商业未来，发现新的商业机会。
一石激起千层浪，国务院发布的2015 第50号文《促进大数据发展行动纲要》刷满了朋友圈，特别是其中提到了大力推动政府部门数据共享，稳步推动公共数据资源开放。2017年底前形成跨部门数据资源共享格局，到2018年实现统一共享平台全覆盖和数据共享及交换。2020年培育10家国际领先的大数据核心龙头企业，500家大数据应用、服务和产品制造企业。
众所周知，大数据商业价值巨大。但是中国大数据的商业价值还没有被充分挖掘。主要的困难在大数据的分散，具有价值的数据大部分集中在在政府内部，垄断国企业，以及互联网巨头之中。分散的数据无法帮助企业拿到具有价值的信息，无法实现大数据的商业变现。政府开放数据，以及大数据交易市场的建立是中国大数据商业价值应用的重中之重。
另外大数据的应用场景和大数据隐私问题，也是大数据商业应用功能的两大问题，不知道数据应用场景，就无法寻找具有价值的数据，就无让数据发挥作用，大数据的应用就会停留在解决数据采集、处理、存储等大数据1.0时代的低级阶段，无法实现大数据商业变现，无法激励企业进一步投资大数据，无法形成数据价值应用的生态循环。大数据隐私问题是所有企业不能回避的问题，到底何种数据可以进行交换，何种数据可以采集和变现，何种数据可以作为商品在市场流通，这些问题既影响个人隐私保护，又影响到企业购买数据产品的积极性，同时也影响了数据企业的发展。
中国大数据企业分为三类，一类是大数据技术公司，为企业提供大数据平台搭建，技术咨询，大数据计算和存储的产品，例如华为、亚信、浪潮等传统IT公司。一类是大数据服务公司，为企业提供基于大数据技术的服务、平台、产品。包括为企业搭建大数据挖掘工具，搜索引擎，分析引擎等大数据处理平台，大数据清洗和挖掘服务例如明略科技，ADMaster，百分点。最后一类是提供数据产品的大数据公司，他们拥有数据，加工生成具有价值的数据，为市场提供标准的数据产品。例如芝麻信用，TalkingData，九次方，星图数据等。
中国大数据市场的数据来源有四种，一种是通过网络爬虫采集的外部数据，大多数提供舆情分析的公司就是通过爬虫技术来进行数据采集的。例如海量数据。一种是提供SaaS服务得到的数据，例如Talkindata。另外一种是靠和运营商或政府合作，通过数据挖掘得到的数据，例如亚信和九次方。最后一种就是自身平台产生的数据（电商、旅游、媒体等互联网企业），包括BAT以及较大的一些互联网公司如360、当当、唯品会、聚美优品、携程、今日头条等。
一、开放数据的价值
开放数据就是政府向社会公布自己所拥有的，并经过脱敏的数据。包括天气数据、GPS数据、金融数据、教育数据、交通数据、能源数据、医疗数据、政府投资数据、农业数据等。这些原始数据本身并没有明显的商业价值，但经过一些公司加工之后，可以产生巨大的商业价值。
开放数据在美国有几千亿美金的市场，包括300亿美金的气象数据，900亿美金的GPS数据，上千亿美金的医疗数据。但政府开放的数据是原始数据，数据自身的商业价值并不大，需要专业的公司对数据进收集，清洗，挖掘，展现，从而形成具有商业价值的数据。在美国有很多公司是依靠加工政府开放数据而实现其商业价值的，例如处理天气数据的Zillow公司，the weather channel 公司，以及处理GPS数据的Garmin公司，它们的总市值已经超过了一百亿美金。
1 、政府开放数据的主要范围
a政府收集和制造的科学数据。例如天气数据，政府资助的医疗研究数据。这些数据都可以作为公共资源进行使用。
b 政府运行的数据，例如政府支出或大型项目运行数据。开放数据一方面可以增加民众对政府的信任，另一个方面可以给一些公司带来商业机遇。
c监管行业的数据。这些数据由企业提供给政府，并且经过政府二次加工。这些宏观数据对于产业规划，企业的投资战略都有很大影响。
2、 中国开放数据之路的挑战
a 国家对数据治理还没有完成。很多数据没有集中管理，还是处于信息孤岛状态，这些都是开放数据需要解决的问题。数据治理投资巨大，时间周期较长，都是巨大的挑战。
b 一些开放数据还不是电子形式。例如医疗数据和教育数据，在一些地区还处于纸质记录状态，没有形成电子档案。这些数据的电子化也是一个较大的挑战。
c 开放数据的脱敏和整合将是一项重大的挑战。特别是国有企业的数据，哪些数据可以公开，哪些数据需要脱敏，如何整合各个地方的数据，这些都是一个挑战
d 大数据服务公司和大数据人才匮乏。由于大数据市场刚刚开始，市场上缺少大数据人才和大数据服务公司，公开的数据短时间可能很难产生商业价值，这会影响政府和企业开放数据的积极性，不利于形成良性的大数据商业市场，会影响开放数据项目的持续发展。
3、有关开放数据一些建议
人类社会即将进入数字时代，开放数据将会是巨大的生产力。政府已经认识到了开放数据的价值，会持续推动政府和国企的数据开放。即使短时间内开放数据的投资看不到商业价值，但其未来经济价值会促使政府坚持开放数据的政策，持续进行投资。就像中国的高速公路，开放数据是另外一条信息高速公路，将数据转化为资产，转化为巨大的社会生产力，帮助企业实现更大的商业价值。
对于数据拥有者的政府，需要在保障公共安全和个人隐私的前提下，完成数据治理和数据整合，逐步向社会开放数据，并提高数据质量，公开面向所有个人和企业，有效利用政府科技资金，让利益相关企业和个人参与到开放数据项目中，鼓励创新，接受外部挑战，利用集体智慧，实现数据最优选择。
对于国有企业，需要在保护自身商业利益的前提下开放数据，帮助各自产业链企业的发展。同时开放数据也可以帮助其自身进行产业规划，进行有效投资，发现市场机会和风险，稳健经营，科学决策。企业可以利用开放数据提高生产效率，减少资源浪费，降低决策失误风险。产业链企业的良性发展，也会推动国企自身发展和进化，提高竞争力，优化企业经营，实现产业共赢。
对于企业家，开放数据将会作为新的资源，帮助企业进行发展，聚焦新的商业机遇，特别是在开放数据影响较大的保健行业，金融行业，能源行业，教育行业。数据服务公司可以利用开放数据，帮助消费者挖掘数据的潜在价值，为企业和政府提供具有价值的商业数据。对于经营中的公司，可以利用开放数据评价商业伙伴和潜在投资，通过提供数据来树立消费者的忠诚度，学会在透明的商业社会中进行经营，寻找公共或私人合作的机会，专注自身产品和客户，为消费者提供更好的产品和服务。
二、万亿的大数据市场
2014年的GDP中消费占比已经超过了50%，标志着中国经济正在向市场经济转型，消费占GDP 50%－70%是中等发达国家向市场经济过渡的一个表现，未来中国经济增长最大的引擎应该来源于消费，特别是个人消费。中国正在经历经济结构调整和城镇化，个人消费需求巨大，社会产品较为丰富，渠道也较为通畅，物流成本正在下降，运输能力正在提高。但是社会消费零售总额增加的还不够快，资源配置不平衡，社会整体消费水平还处于较低的水平。这些问题正在成为中国经济发展的难题，是企业和社会需要解决的问题。
大数据的商业应用将会帮助企业解决这些问题；大数据的有效利用将会提高社会消费水平，将会帮住企业提高效率、洞察客户、增加收入。大数据商业应用未来是万亿级的大市场，大数据是大生意。
大数据时代最重要的特征是人类所有的行为都被数据记录下来，无论是在电商的购买行为，旅游度假，娱乐活动，行为轨迹等，所有的人类社会行为都被各种传感器和互联网记录下来。数据记录了一切，人类社会的行为都变成了数据，用纸质媒体记录人类历史的时代已经过去，历史正在被数据以文字、数据、表格、声音、影像的方式记录了下来。中国的大数据应用主要集中在征信和精准营销，这两个市场的规模加在一起不过两千亿，但是大数据如果同所有企业的商业需求相结合，其产生的化学反应将是巨大的，市场规模将会超过万亿，大数据是个大生意。
网络连接了信息与读者，阿里连接了商品与消费者，腾讯连接了人与人。BAT所有的连接都是建立在数据基础之上的，可以认为大数据连接了一切。数据连接了消费者和商家，数据连接了客户习惯，数据连接客户喜好，数据连接了位置，数据连接了时间和空间，数据连接了历史和现在。连接一切的大数据将会反馈所连接的事物、空间和时间，通过数据记录来反馈物体的移动，客户的消费习惯，个人爱好，行为习惯，活动轨迹，运动规律等。重要的这些反馈数据能知道；你是谁、你在哪里、你喜欢什么、你在干什么、你的消费能力、以及你未来的需求等。所有被反馈的事物都被打上了一个或多个数据标签，这些具有价值的标签经过整理和分析后，将会揭示事物之间的相关性和规律，将会为个人、商家、社会带来巨大价值。
1、大数据帮助制造业规划生产，降低资源浪费
制造业过去面临生产过剩的压力，很多产品包括家电、纺织产品、钢材、水泥、电解铝等都没有按照市场实际需要生产，造成了资源的极大浪费。利用电商数据、移动互联网数据、零售数据，我们可以了解未来产品市场都需求，为客户定制产品。
例如依据用户在电商搜索产品的数据以及物流数据，可以推测出家电产品和纺织产品未来的实际需求量，厂家将依据这些数据来进行生产，避免生产过剩。移动互联网的位置信息可以帮助了解当地人口进出的趋势，避免生产过多的钢材和水泥，
2、移动大数据帮助房地产开发商规划房地产开发
房地产行业在过去为中国GDP贡献了很大力量，未来粗放型的房地产行业将会转向精细化经营，从选地到规划和从设计到建设，都需要参考当地到人口数据和消费者信息，进行科学决策；利用大数据商业应用加快房子销售速度，降低自身负债。
房地产公司可以利用人群的手机位置信息来帮助企业进行开发规划、土地选址、商铺开发等。同时利用人群到用户画像信息帮助房产公司选择合作商户，提升消费人气，最终提高房产价值。
3、移动大数据帮助餐饮零售行业进行选址和顾客导流
餐饮零售行业最关注客户流量，过去开店选址时经常安排人员在十字路口进行人流统计，利用统计的人口流动信息来决定开店地址。进入到移动互联网时代之后，智能手机的位置信息可以帮助餐饮零售行业进行开店选址，企业可以参考客户画像来决定开店的规模，以及产品的类别。
移动互联网端的用户标签和画像数据还可以帮助企业进行一些精准营销，为新开的商户导入客流。特别是在规模较大的购物商厦中，移动App端的位置导航功能，可以指引客户找到新的商户，参加促销活动。市场上已经有成熟的零售餐饮商家和移动互联网大数据公司在开店引流方面进行合作，资金利用的杠杆率超过了5倍，投入产出比较高。
4、传感器数据帮助产品进行故障诊断和预测
家电和汽车正在走向智能化，通过安装传感器，汽车和智能家电可以将运行参数和运行状态传送到厂家的云平台，厂家可以了解其产品的运行状态，零部件的老化程度，帮助厂家及时更换故障器件，延长产品使用寿命，提高安全系数。汽车行业和智能家电在物联网领域将会产生巨大的市场，云计算和大数据处理平台将起到关键的作用。
中国汽车市场的销售规模超过万亿，家电市场也有一万多亿。车联网和智能家电涉及的大数据应用市场也是巨大的，按照大数据商业变现高杠杆率的特点，其市场规模至少应该在百亿左右。
5、利用移动互联网位置信息进行精准营销
O2O已经成为了一个重要的商业模式，很多互联网企业和传统企业都在寻找O2O的应用场景，订餐、教育、家政、汽车美容等都成为O2O的应用典范。移动互联网数据具有LBS和实时特点，可以帮助企业及时连接客户，依据客户需求进行精准营销。
大型购物中心一般都设有电影院，经常存在某些电影在开场前30分钟，大量电影票还没有出售的情况。借助于手机App推送广告功能，电影院在电影放映前30分钟，可以将电影票以2折价格推送给正在周围就餐的客户。依据客户画像信息，电影票将推送给喜爱看电影的顾客，增加电影销售额。企业可以利用手机App进行广告推送，做到千人千面，依据客户喜好来进行广告推送。这种精准广告推送具有成本低、转化率高的特点，在餐饮、服装、美容、零售等行业取得了良好的应用效果。如果基于位置信息的精准广告推送被大规模的商业应用，将会促进商品流转，大幅度提高社会消费总额，帮助传统企业实现互联网＋的战略。
6、电商大数据将会帮助企业优化资源配置
电商是最早利用大数据进行精准营销的行业，电商网站内推荐引擎将会依据客户的购买行为，进行关联产品的推荐。除了精准营销，电商还可以依据客户消费习惯来提前为客户备货，并利用便利店作为货物中转点，在客户下单后的短时间内，将货物送上门，提高客户体验。电商还可以利用其交易数据和现金流数据，为其生态圈内的商户提供小额贷款，也可以将此数据提供给银行，为中小企业信贷提供支持。
电商的数据量足够大，数据较为集中，数据种类较多，其商业应用具有较大的想象空间。包括预测流行趋势，消费趋势、地域消费特点、客户消费习惯、消费行为的相关度、消费热点等。依托大数据分析，电商可帮助企业进行产品设计、库存管理、计划生产、资源配置等，有利于精细化大生产，提高生产效率，优化资源配置。
7、移动大数据助力交通运输规划和管理
交通大数据应用主要在两个方面，一方面可以利用大数据传感器的数据了解车辆通行密度，合理进行道路规划。另一方面可以利用大数据分析来实现交通信号灯智能切换，提高已有线路运输能力。
在美国，政府依据某一路段的交通事故信息来增设信号灯，降低了50%以上的交通事故率。大数据可以帮助机场安排航班起降，提高管理效率；航空公司可以利用大数据提高上座率，降低运行成本；铁路公司可以利用大数据安排客运和货运列车，降低运营成本。
8、大数据帮助金融行业进行价值变现
大数据在金融行业应用范围较广，典型的案例有花旗银行利用IBM沃森电脑为财富管理客户推荐产品，美国银行利用客户点击数据集为客户提供特色服务。招商银行(600036,股吧)利用客户刷卡、存取款、电子银行转帐、微信评论等行为数据进行分析，每周给客户发送针对性广告信息。
中国目前金融行业大数据价值变主要在用户体验提升和大数据营销两个方面，其中招商银行信用卡中心和平安银行(000001,股吧)走到了金融行业的前面。
大数据在很多行业都有广泛的应用场景，例如在医疗行业，农林牧渔、能源行业、物流行业等，大数据将会是电商之后的另外一个巨大市场，结合了所有行业的商业需求之后，大数据产业的市场规模将会是个万亿级别。大数据不是电力但是比电力更能提供动力，大数据不是石油，但是比石油更能驱动企业发展。大数据就是资产，能够帮助企业进行价值变现。大数据的生意经其实很简单，就是收入增加，花费减少；就是增加客户，提高客户体验，提高资金回报的杠杆率；大数据应用成熟之后，大数据可以预测商业未来，发现新的商业机会。

❾ 公司如何通过大数据赚钱

公司如何通过大数据赚钱

现代大数据项目具备巨大的节约成本的潜力，其效果对于过去的数据处理方式而言有如童话。但需要谨记的是，在投入时间和资源到大数据项目之前，首先要确认你的项目是收益大于成本的。只有傻瓜才会匆匆对一个点子一见钟情并倾其所有。

大数据无疑是时下炙手可热的流行词汇，然而，我们鲜少看到具体大数据如何带来收益，和具体如何实现的例子，这是怎么回事呢？

多年来，在经历了几个通信和投行的大数据相关早期实施项目后，我认为这个新兴技术的收益主要在于：实现对复杂系统更为精准的剖析，例如股票市场或供应链。（投行成为最早一批应用大数据分析的行业之一，可谓毫不意外。对利用技术提升效率，创造效益更为敏锐的商业模式，往往也是更赚钱的。）

在投行的日常工作中，为了精准地选择投资机会、选购股票，有大量对文档处理的需求，例如新闻简报，财务报表。如果人工进行，工作量过于庞大。因此助理分析师们往往简化他们的预测分析过程，并使用电子表格来完成绝大部分工作。通过大数据技术，投行可以整合各种信息，减少可能的（简化分析带来的）风险，从整体上带来更优越的分析和预测能力。

公司如何通过大数据赚钱

通过大数据平台，股票经纪和投资经理们可以聚合各种来源的非格式化数据，辅助判断哪些公司值得投资。所谓‘非格式化数据’包括如公司新闻，产品评论，供应商数据，价格变化，将这些信息以所谓“大数据”形式整合，通过建模，帮助股票经纪决策买入或售出股票。

有些采用如上方式进行投资预测的公司，很注重节约实施成本，例如使用云平台（如AWS），先从很小数量的服务器开始，随着获益增长，逐步提高投入。一位我认识的分析师，从一家大投行离职创业后，在不到六个月的时间内，仅仅使用非常有限的投入，创立了一个盈利良好的大数据交易系统。

即便在传统制造领域，大数据仍然可以提升预测能力。我曾经担任过顾问的某欧洲一线汽车制造厂商，通过建立一个钢材交易成本的分析系统，选择更好的时机，以更优价格买入原材料。这个系统由开源Java框架Hadoop创建，整合了多个供应商的共计15Tb的数据，在两年内为该公司节省了1600万美元。

这个项目的成功主要有两个原因：首先，公司有足够的信息为所有的供应商建模；其次，该项目节省的原材料成本超过了实施这个项目的费用。

公司为何因为大数据亏钱

然而，并非每个大数据项目都会这样成功。公司在大数据项目上以亏损告终的概率，有时和成功的概率相差无几。大数据项目失败的早期症状有很多种，最常见的问题如：

步子迈太大：大数据并不需要一笔巨大的预算，如果怀着巨大的投入将带来巨大回报的预期开始一个大数据项目，往往会产生问题。在正式开始前，明智的做法是，尝试用有限的投入，在小范围内测试这个技术是否确实能带来预期的收益。按这样的节奏，一个项目可以按部就班地随着收益逐步提高，而逐步扩大投入规模，确保收益始终大于投入。

低估人力投入：在开始实施一个大数据系统前，问自己一个简单的问题：这个项目是否可以不需要持续的人工支持来运作？如果答案是，需要人工支持，那么建议停止项目。建立这样一个项目往往意味着百万级的损失，无法在有利润情况下保持维护和运行。

迷信自然语言处理：大数据有个经常听到的功能是，通过自然语言处理，将各种领域的各种数据处理成直接可读可理解的形式。这听起来确实很赞，但是在实际应用中，往往不尽如人意。自然语言处理仍然存在许多妨碍应用的限制，主要由于人工智能的发展还不够－－而且在可见的10年内，这个情况可能不会有很大改观。

现代大数据项目具备巨大的节约成本的潜力，其效果对于过去的数据处理方式而言有如童话。但需要谨记的是，在投入时间和资源到大数据项目之前，首先要确认你的项目是收益大于成本的。只有傻瓜才会匆匆对一个点子一见钟情并倾其所有。

以上是小编为大家分享的关于公司如何通过大数据赚钱的相关内容，更多信息可以关注环球青藤分享更多干货