Applikationer av Big Data in Finance

Stora data är en populär ny catchphrase inom informationsteknologi och kvantitativa metoder som hänför sig till insamling och analys av massiva mängder information. Förskott i datakraft tillsammans med fallande priser därav gör stora dataprojekt mer och mer tekniskt genomförbara och ekonomiska. Framför allt medkomsten av cloud computing sätter kostnaden för stor dataanalys inom räckhåll för många mindre företag, som nu inte behöver göra betydande kapitalinvesteringar i sin egen datorinfrastruktur.

En ny karriärkategori, datavetenskap, har ökat som svar på tillväxten av stora data.

Tillämpningar inom ekonomi:

Inom finansiellt, särskilt inom finanssektorn, används stora data i allt fler applikationer, till exempel:

1. Medarbetarövervakning och övervakning
2. Prediktiva modeller, t.ex. de som kan användas av försäkringsgarantier för att fastställa premier och låneofficer för att göra utlåningsbeslut
3. Utveckla algoritmer för att förutse riktningen för de finansiella marknaderna
4. Prissättning illikvida tillgångar som fastigheter

Bilförsäkring:

Så långt tillbaka som 1980-talet såg grundaren av Progressive Insurance fram till den dag då hårda data om enskilda försäkringstagares körvanor kunde samlas in och analyseras. Detta skulle leda till mer exakt riskmätning och riskbedömning, och därmed mer exakt premieinställning. Senast 2010 har den nödvändiga datainsamlingstekniken blivit tillgänglig och nu har över en miljon kunder kommit överens om att de har svart lådor installerade i sina bilar som spårar till exempel hur snabbt de normalt kör och hur plötsligt bromsar de vanligtvis.

Konsumentkrediter:

LendUp kompletterar traditionella FICO-kreditbetyg med social nätverksanalys som dras från olika andra källor för att kunna fatta utlåningsbeslut. LendUp är till exempel intresserad av att veta om en potentiell låntagare ofta har ändrat mobilnummer, vilket kan indikera en dålig risk.

Företaget anser också att hur människor interagerar med sina vänner på nätet erbjuder starka ledtrådar om riskerna som låntagare. De som visar de starkaste och mest aktiva sociala förbindelserna och samhällsbanden tycks vara de bästa riskerna. Således uppmanas potentiella låntagare att göra sina Facebook-konton tillgängliga för företaget för analys.

Kreditkortsjättaren CapitalOne blev under tiden 1990 en stor aktör, främst genom att använda avancerade datainsamlings- och analystekniker för att identifiera framtidsutsikterna för sina kort och stjäl mars på många av sina mer etablerade rivaler.

Småföretagslån:

Nyföretagare Kabbage är ett tunt bemannat, tekniskt drivet företag vars prediktiva modeller bygger på olika källor som sociala medier, eBay och UPS för att bedöma kvaliteten på relationerna mellan potentiella låntagare och deras egna kunder.

Skogförsäkring:

Climate Corporation ansvarar för grödosäkring för jordbrukare. Företaget driver enorma simuleringar för att förutsäga långsiktiga vädermönster och fasta premier.

Hypotekslån:

JPMorgan Chase använder stor dataanalys för att fastställa acceptabla försäljningspriser för bostäder och kommersiella fastigheter som har återtagits till följd av vanliga hypotekslån.

Tanken är, enligt konfidentiella källor, att utvärdera lokala ekonomiska förhållanden och fastighetsmarknader för att föreslå rimliga försäljningspriser innan hypotekslån faktiskt går i fel. Om dessa föreslagna försäljningspriser fastställs exakt, bör störningen av den lokala fastighetsmarknaden från en standard, repossession och försäljning av banken teoretiskt minimeras. Dessutom bör den period över vilken banken tvingas hålla fastigheter före försäljning sänkas.

Källor: "Data öppnar dörrar till ekonomisk innovation" och "JPMorgan använder verktyg för bekämpning av terrorism för att upptäcka bedrägeri bland arbetstagare",

_{Financial Times , 14 december 2012.}