Наука о данных, большие данные, финансы

Большие данные в финансовых услугах

Сейчас все по-другому, чем 10 лет назад, поскольку сейчас у нас больше данных, чем было раньше.

Мы уже анализируем пета-шкалы больших данных, и зеттабайты будут следующими (Kaisler et al., 2013).

Но что такое большие данные? Короче говоря, это способность сохранять, обрабатывать и понимать данные, как никогда раньше (Zikopoulos, 2015). Большие данные - это когда у вас есть проблемы, которые не могут быть решены с помощью традиционных систем баз данных.

Проблемы в контексте объема, разнообразия, скорости, достоверности. Их можно найти в Финансовых услугах. Фактически, технологии настолько важны для банковского дела, что финансовые учреждения теперь почти неотличимы от ИТ-компаний.

В этой статье рассматривается отрасль финансовых услуг, чтобы изучить большие данные и используемые технологии. Кроме того, он охватывает окупаемость инвестиций, аналитику больших данных, регулирование, управление, безопасность и хранение, а также препятствия и проблемы, которые сделали отрасль такой, какая она есть сегодня.

Большие данные в финансовых услугах

Многие финансовые учреждения уже начали свой путь к большим данным, инвестируя в платформы, которые вычисляют и хранят большие данные. Почему? Потому что в этом есть ценность, а поиск новых форм ценности - это все, что касается бизнеса финансовых услуг.

Аналитика клиентов с использованием больших данных расширяет возможности получения доходов, изучая модели расходов, кредитную информацию, финансовое положение и анализируя социальные сети, чтобы лучше понять поведение и модели клиентов.

Большие данные также являются ключом к основным бизнес-моделям предоставления данных финансовых услуг, например: Bloomberg, Reuters, DataStream и финансовые биржи, на которых котируются цены финансовых транзакций и регистрируются миллионы ежедневных транзакций в секунду для использования клиентской аналитики и соблюдения нормативных требований (SOX, GDPR).

Все эти большие данные должны храниться (см. Пример из практики NASDAQ), поскольку всегда имеется больше данных, чем могут обработать компьютеры организации, независимо от того, насколько быстро работают компьютеры, и независимо от того, насколько велика организация, источников данных всегда больше, чем организации знают, что с ними делать или как объединить, а данные уже долгое время находятся в состоянии покоя и передаются в потоковом режиме.

Ниже представлены графические изображения масштаба и социального воздействия больших данных на финансовую отрасль.

После интенсивного группового исследования большие данные были идентифицированы во всех звеньях цепочки создания стоимости, и ниже приведены некоторые примеры с выявленной реализацией выгод (ROI):

● VISA получила конкурентные преимущества благодаря использованию платформы IMC «вычисления в оперативной памяти» и грид-вычислений в 2011 году для анализа больших данных для мониторинга выявления мошенничества с кредитными картами. Раньше отслеживалось только 2% данных о транзакциях, теперь существует 16 различных моделей мошенничества с разными географическими и рыночными сегментами (Celent, 2013).

● Garanti Bank, второй по прибыльности банк Турции, сократил операционные расходы и добился повышения производительности за счет аналитики больших данных с использованием IMC сложных данных в реальном времени, например данных из Интернета, колл-центра и социальных сетей (Karwacki, 2015).

● BBVA, вторая по величине банковская группа Испании использовала инструмент взаимодействия с большими данными Urban Discovery для выявления потенциальных репутационных рисков и повышения удовлетворенности сотрудников и клиентов. Они также узнали, что чувствуют клиенты при анализе больших данных, что привело к развитию связей с общественностью и медиа-стратегии (Evry, 2014).

● Citigroup (4-й по величине банк в США) использовал технологию больших данных Hadoop для обслуживания клиентов, обнаружения мошенничества и веб-аналитики (Marr, 2016). Согласно (отчет Citi, 2017) финансовые учреждения используют большие данные для прогнозирования процентных ставок и ВВП.

● Zestfinance использует технологию ZAML с большими данными для тщательного мониторинга кредитного качества своих контрагентов и пытается оценить общую подверженность кредитному риску (Lippert, 2014).

● BNY Mellon внедрил технологию больших данных через платформу Pershing NetX360, чтобы изучить риски и возможности для своих инвесторов (отчет BNY Mellon, 2016).

● Bank of America использует большие данные для улучшения многоканальных отношений с клиентами и использует их на пути к клиенту, начиная с веб-сайта, колл-центра, кассира, для повышения уровня обслуживания и удержания клиентов (Davenport, 2013).

● Nasdaq использует технологию хранения больших данных AWS S3, предоставляя в AWS сотни тысяч небольших файлов в день, а затем за миллисекунды обратно клиенту для анализа рынка и данных. Услуга по запросу для удовлетворения потребностей клиентов в быстром доступе к исторической информации о ценах на акции, чтобы увидеть верхние строчки котировок книг и цены сделок в любой исторический момент времени. Трейдеры и брокеры также используют его для поиска упущенных возможностей или, возможно, непредвиденных событий. Идеальное решение по невысокой цене (пример использования AWS).

В следующих тематических исследованиях более подробно рассматриваются технологии больших данных в финансовых услугах.

Пример 1 - JP Morgan Chase и Hadoop

Банк JP Morgan Chase столкнулся с проблемами понимания больших данных, создаваемых транзакциями по кредитным картам (схем расходов), а также с увеличением количества неструктурированных и структурированных наборов данных.

Они выбрали Hadoop (платформу с открытым исходным кодом), чтобы использовать аналитику больших данных для анализа расходов и доходов клиентов. Hadoop теперь помогает в интеллектуальном анализе неструктурированных данных (например, электронной почты, хэштегов Facebook или Twitter), чего не могут сделать обычные базы данных.

С помощью аналитики больших данных он может определять лучшие продукты, которые лучше всего подходят их клиентам, то есть доставлять нужный продукт нужному клиенту именно тогда, когда он им нужен, по запросу. Поэтому банк выбрал Hadoop для поддержки растущего объема данных и необходимости быстрой обработки сложных неструктурированных данных.

Точно так же (Pramanick, 2013) утверждает, что большие данные используются финансовыми организациями для анализа их центров обработки вызовов путем анализа неструктурированных голосовых записей для анализа настроений, и это помогает им снизить уровень оттока клиентов и перекрестно продавать новые продукты клиентам.

Пример 2 - Deutsche Bank, Algorithmic Matching и Hadoop

Deutsche bank решил использовать многочисленные платформы и технологии больших данных, например, для создания платформ риска, где неструктурированные данные добываются и обрабатываются в понятном и презентабельном формате, чтобы эксперты Deutsche Data Science могли получить понимание и вдохновение для аналитических целей. виды деятельности. Технология больших данных используется в торговых данных и данных о рисках компании (собираемых более 10 лет).

Объем и разнообразие данных требуют значительного хранения, сортировки и просеивания, но с помощью технологий больших данных извлечение и извлечение данных может выполняться быстро и эффективно для повышения производительности и получения конкурентного преимущества за счет использования алгоритма сопоставления, который раскрывает то, что сообщает набор данных. об их продажах, степени удовлетворенности и окупаемости инвестиций, таким образом, получая более истинное значение и более глубокую перспективу в их числах.

(Sagiroglu et al., 2013) также сообщает, что финансовые компании используют автоматизированные алгоритмы персонализированных рекомендаций для улучшения взаимодействия с клиентами. Следовательно, определение потребностей клиентов и доставка индивидуальных сообщений выгодны финансовым учреждениям.

Большие данные помогают идентифицировать законные и мошеннические транзакции (отмывание денег, украденные кредитные карты) и прогнозировать невыполнение обязательств по кредитам, устанавливая следующие параметры платежного поведения, историю взаимодействия заемщика с точками соприкосновения с банком, информацию кредитных бюро, действия в социальных сетях и другие внешние публичная информация. (Экономическая разведка, 2014 г.)

В 2013 году банк использовал Hadoop для управления неструктурированными данными, но скептически относился к интеграции с устаревшими системами данных из-за наличия нескольких источников и потоков данных, огромных устаревших мэйнфреймов и репозиториев IBM стоимостью в миллионы фунтов стерлингов, а также требований, соответствующих возможностям как их устаревших систем, так и новые технологии обработки данных и их рационализация.

В конце концов, сочетание Hadoop, NoSQL и прогнозной аналитики больших данных охватило все сферы его деятельности, и теперь технологии считаются жизненно важными в процессе принятия решений и стратегического управления Deutsche.

Пример 3 - NASDAQ, хранилище (AWS Redshift) и масштабируемость (виртуализация)

Все биржи финансовых транзакций имеют проблемы с большими данными, и NASDAQ не исключение. При оценке в 7,9 триллиона долларов США с миллионами транзакций в секунду и мировым рекордом в 2,9 миллиарда акций, проданных за один день (в 2000 году), задержки, связанные с производительностью, являются большой проблемой, например, обработка 6,5 миллионов котировок вызвала задержки в обработке из-за большого объема обрабатываемых данных (Greene, 2017).

В 2014 году проблема усугубилась, поскольку бизнес-стратегия заключалась в том, чтобы отказаться от преимущественно американской фондовой биржи и стать глобальным поставщиком корпоративных, торговых, технологических и информационных решений. Это означало, что они должны больше обрабатывать данные и хранить огромные объемы данных, которые они должны были хранить по закону.

Компании в сфере финансовых услуг обычно обязаны хранить торговую информацию в течение семи лет - нормативное требование, которое может привести к огромным счетам за хранение. В NASDAQ у них был устаревший склад (1,16 млн долларов в год на обслуживание) и ограниченная емкость (то есть всего 1 год данных в Интернете).

Их объем больших данных состоял из 4–8 миллиардов строк данных, вставляемых за торговый день. Состав данных состоял из заказов, сделок, котировок, рыночных данных, мастера безопасности и данных о членстве (т. Е. Структурированных данных). Хранилище данных использовалось для анализа доли рынка, активности клиентов, наблюдения и выставления счетов.

Также была проблема производительности. NASDAQ не может позволить себе загружать вчерашние данные, когда клиенты выполняют запросы. Восстановление после аварий было еще одним важным фактором для NASDAQ.

Первоначальный объем требований заключался в замене локального хранилища на переход на AWS Redshift с сохранением эквивалентных схем и данных, а также в том, что решение для больших данных должно удовлетворять двум наиболее важным факторам - требованиям безопасности и нормативным требованиям. Подход заключался в извлечении данных из множества источников, проверке данных, то есть очистке данных, и безопасной загрузке в AWS Redshift.

Более подробно: проверка данных требует ежедневных предупреждений о неверных / отсутствующих данных, прием данных должен обеспечивать соблюдение ограничений данных, то есть без дублирования, а также быть быстрым и безопасным, чтобы иметь первостепенное значение для конфиденциальных транзакционных данных и данных компании. Первоначально это вызвало проблему, поскольку AWS Redshift не применяет ограничения данных. Если есть обманщики, он это принимает.

Решения по безопасности в соответствии с нормативными требованиями

Данные имеют основополагающее значение для их бизнеса, и работа с конфиденциальными данными означает, что требования безопасности для Nasdaq высоки, поскольку они являются регулируемой компанией и должны подчиняться SEC (Комиссии по ценным бумагам и биржам США).

Поэтому им нужны безопасные системы, поскольку одна из серьезных проблем больших данных состоит в том, что они сделают личную финансовую информацию более распределенной и, следовательно, ее будет легче украсть. AWS Redshift отвечает требованиям безопасности, обеспечивая несколько уровней безопасности:

  1. Прямое подключение (частные линии, т. Е. Данные компании не передаются по интернет-каналам).
  2. VPC - изолировать серверы Nasdaq Redshift от других принципов / подключения к Интернету + группы безопасности ограничивают входящее / исходящее подключение.
  3. Шифрование в полете (HTTPS / SSL / TLS). Все вызовы API AWS выполняются через HTTPS. SSL (Secure Socket Layer) означает, что существует система аутентификации сертификата кластера, которая проверяет идентичность кластера.
  4. Шифрование в состоянии покоя в Redshift (AES-256). Это означает, что файлы загрузки Redshift были зашифрованы на стороне клиента.
  5. CloudTrail / STL_connection_Log для отслеживания несанкционированных подключений к БД. Это означало мониторинг доступа к кластеру и реагирование на любые неавторизованные подключения.

Реализация преимуществ этого проекта миграции завершена в соответствии с графиком со следующими преимуществами:

● Затраты на Redshift составляли 43% бюджета устаревшего хранилища данных (для того же набора данных около 1100 таблиц).

● В среднем 5,5 млрд строк в день за 2014 год.

● Высокий водяной знак = 14 млрд строк в день.

● Глотать с 16:00 до 23:00.

● Лучшая скорость записи около 2,76 млн строк в секунду.

● Запросы теперь выполняются быстрее, чем в устаревших системах.

● Нагрузка на хранилище данных увеличилась до более чем 1200 таблиц.

● Прошел аудит безопасности. Внутреннего контроля; информационная безопасность, внутренний аудит, комитет по рискам Nasdaq. Внешний аудит; SOX, SEC.

● Аварийное восстановление было решено Redshift путем репликации данных в нескольких центрах обработки данных.

Текущие требования к хранилищу данных для NASDAQ (2014) = 450 ГБ / день (после сжатия), загруженных в Redshift. Среднее значение до сжатия, т.е. без сжатия = 1895 ГБ / день. Размер кластеров изменяется раз в квартал для удовлетворения спроса. NDW (хранилище данных Nasdaq) в настоящее время растет в 3 раза каждый квартал!

Другой проблемой NASDAQ была масштабируемость без снижения производительности и стоимости. NASDAQ обнаружило, что инфраструктура, необходимая для Apache Hadoop и аналитики больших данных, может быть сложной в управлении и масштабировании. Все эти прошлые различные технологии не работали вместе, и управлять всем этим было сложно.

Таким образом, он использовал облачную виртуализацию для устранения аппаратных ограничений, снижения сложности программного обеспечения, стоимости и времени программной инфраструктуры для развертывания Hadoop и Spark. Виртуализация позволила упростить количество необходимых технологий и ресурсов, максимально использовать процессор (от 18–20% до 80–90%), обеспечить безопасность и повысить производительность на 2% за счет виртуализации.

С инженерной и операционной точки зрения NASDAQ смогла удовлетворить потребности клиентов в аналитике больших данных без необходимости увеличения штата. Таким образом, данные голубого цвета помогли NASDAQ стимулировать инновации (Greene, 2017).

Вызовы

GDPR (вступает в силу 25 мая 2018 г.): (Zerlang, 2017) подтверждает, что прозрачность обработки данных является основой GDPR. Международные финансовые службы должны записывать все разговоры в течение как минимум 5 лет или могут быть оштрафованы, например, Barclays оштрафовал на 2,45 миллиона фунтов стерлингов за неправильное сообщение о 57,5 ​​миллионах транзакций. Точно так же (Gilford, 2016) заявляет, что GDPR может оштрафовать Tesco Bank на 1,9 миллиарда фунтов стерлингов за нарушение безопасности данных.

Текущие процессы соответствия должны быть проверены финансовыми учреждениями. Согласованные с клиентом данные могут использоваться только для согласованных целей, а это означает, что любые исторические данные анализа больших данных, например данные о расходах по кредитной карте клиента, должны быть уничтожены. Информация на миллиарды долларов будет потеряна. Поэтому финансовым учреждениям следует пересмотреть процесс сбора данных.

Методы прогнозного моделирования в будущем должны быть недискриминационными. Финансовые учреждения должны переработать свои алгоритмы и процессы автоматизации в соответствии с новыми рекомендациями GDPR.

(Lahiri, 2017) заявляет, что GDPR модернизирует европейские правила защиты данных, и нарушение будет стоить дорого; 20 миллионов евро или 4% от оборота. (LeRoux, 2017) утверждает, что новый регламент GDPR уничтожит большие данные. (Woodie, 2017) подтверждает, что новые поправки к GDPR сделают обязательные процессы обработки данных, прозрачность использования и удобные для потребителей правила конфиденциальности для 743 миллионов потребителей в ЕС.

Конфиденциальность данных об обмене секретной информацией ведет к юридическим и коммерческим рискам (Deutsche, 2014). Кроме того, связывание разнородных данных для повторной идентификации человека является проблемой конфиденциальности (Fhom, 2015). Следовательно, ненадлежащее использование таких конфиденциальных данных может иметь юридические последствия.

Квалифицированная рабочая сила для интерпретации больших объемов данных также является большой проблемой, поскольку неверно предсказанные результаты могут быть очень дорогостоящими. Поэтому обученные сотрудники для технологий больших данных имеют жизненно важное значение, поскольку (Fhom, 2015) предсказывает, что будет нехватка профессионалов в области больших данных.

Таким образом, компании должны спланировать обучение или нанять нового сотрудника до реализации проектов больших данных. (McAfee et al., 2012) также выступает за сильное лидерство, хорошую корпоративную культуру, готовность адаптироваться к новым технологиям как ключевые составляющие успеха больших данных.

Стоимость создания инфраструктуры больших данных очень высока в краткосрочной перспективе, но в долгосрочной перспективе даст финансовым компаниям конкурентное преимущество. Согласно (Давенпорт, 2013) обоснование затрат времени и денег на большие данные (ROI) не так прозрачно. Поэтому высшее руководство фирмы делает ставку на большие данные в рамках долгосрочной стратегии.

Заключение

В заключение следует отметить, что различные исследованные случаи демонстрируют широкий спектр используемых технологий больших данных и преимущества, такие как сокращение объема хранилища, как в случае Nasdaq и AWS RedShift, и, как следствие, сокращение объема хранилища с 6 ПБ до 500 ГБ.

Из этих тематических исследований мы обнаружили, что все исследованные компании разделяют приверженность и общую цель в отношении активного использования больших данных для достижения своих собственных миссий и целей. Между ними есть некоторые общие черты, например: более целенаправленный маркетинг и различия, например различные типы технологий, используемых для хранения.

Анализируя большие данные, участники отрасли могут повысить эффективность организации, улучшить качество обслуживания клиентов, увеличить доход, улучшить маржу, лучше прогнозировать риски и получить представление о выходе на новые рынки. (Yin et al., 2015) указывает, что большие данные повышают операционную эффективность на 18%.

Точно так же (McAfee et al, 2012) заявляет, что компании, которые работают с данными, производят в среднем на 5-6% больше производительности по сравнению с их конкурентами на рынке. Банки быстро получат лучшее представление о данных для принятия эффективных решений.

использованная литература

● Пример использования AWS. Доступно по адресу https://aws.amazon.com/solutions/case-studies/nasdaq-omx/

● Революция больших данных. Доступно по адресу https://www.datamaran.com/the-big-data-revolution-doing-more-for-less/

● BNY Mellon (2016), BNY Mellon’s Pershing представляет дополнительные возможности, позволяющие клиентам преобразовывать большие данные в большие идеи. Доступно по адресу https://www.pershing.com/news/press-releases/2016/bny-mellons-pershing-introduces-additional-capabilities-enpting-clients-to-transform-big-data.

● Селент (2013). Большие данные в управлении рисками: инструменты для нового понимания. Доступно по адресу https://www.celent.com/insights/903043275.

● Citi (2017). В поисках альфы: большие данные. Навигация по новым альтернативным наборам данных. Доступно по адресу https://eaglealpha.com/citi-report/.

● Давенпорт, Т. (2013). Большие данные в крупных компаниях. Доступно по адресу http://resources.idgenterprise.com/original/AST-0109216_Big_Data_in_Big_Companies.pdf.

● Deutsche Bank (2014). Большие данные: как они могут стать отличительным признаком. Доступно по адресу http://cib.db.com/docs_new/GTB_Big_Data_Whitepaper_(DB0324)_v2.pdf.

● Economist Intelligence Unit (2014). Розничные банки и большие данные: большие данные как ключ к более эффективному управлению рисками. Доступно по адресу https://www.eiuperspectives.economist.com/sites/default/files/RetailBanksandBigData.pdf.

● Эври (2014). Большие данные в банковском деле для маркетологов. Доступно по адресу https://www.evry.com/globalassets/insight/bank2020/bank-2020---big-data---whitepaper.pdf.

● Fhom, H.S. (2015). Большие данные: возможности и проблемы конфиденциальности. Доступно по адресу http://arxiv.org/abs/1502.00823.

● Фостер, И., Чжао, Ю., Райку, И. и Лу, С., 2008 г., ноябрь. 360-градусное сравнение облачных вычислений и grid-вычислений. В Grid Computing Environments Workshop, 2008. GCE’08 (стр. 1–10). IEEE.
Гилфорд Г. (2016). Штрафы в размере 1,9 млрд фунтов стерлингов в соответствии с GDPR за нарушение законодательства о банках. Доступно по адресу https://www.hrsolutions-uk.com/1-9bn-fines-gdpr-bank-breach/

● Грин, М. (2017). NASDAQ: преодоление проблем с большими данными с помощью Blue Data. Доступно по адресу https://itpeernetwork.intel.com/nasdaq-overcoming-big-data-challenges-bluedata/.

● Кайслер, С., Армор, Ф., Эспиноза, Дж. А. и Деньги, W., 2013, январь. Большие данные: проблемы и вызовы в будущем. In System Sciences (HICSS), 46-я Гавайская международная конференция, 2013 г. (стр. 995–1004). IEEE.

● Karwacki, (2015). Пятерка крупнейших банков Турции. Доступно по адресу http://www.thebanker.com/Banker-Data/Bank-Trends/The-top-five-banks-in-Turkey?ct=true

● Нокс, (2015). Большие данные в финансовых услугах. Доступно по адресу https://www.slideshare.net/SWIFTcommunity/nybf2015big-dataworksessionfinal2mar2015

● Лахири, К. (2017) GDPR и Brexit: Как выход из ЕС влияет на конфиденциальность данных в Великобритании. Доступно по адресу https://www.cbronline.com/verticals/cio-agenda/gdpr-brexit-leaving-eu-affects-uk-data-privacy/

● Леру, Ю. (2017). GDPR: убивает ли грядущее регулирование большие данные? Доступно по адресу https://www.financedigest.com/gdpr-is-the-upcoming-regulation-killing-off-big-data.html

● Липперт, Дж. (2014). Zest Finance выдает небольшие ссуды под высокие ставки, использует большие данные, чтобы отсеять неплательщики. Доступно по адресу https://www.washingtonpost.com/business/zestfinance-issues-small-high-rate-loans-uses-big-data-to-weed-out-deadbeats/2014/10/10/e34986b6-4d71 -11e4-aa5e-7153e466a02d_story.html? Utm_term = .6767c7abfefb.

● Лю З., Ян П. и Чжан Л., 2013 г., сентябрь. Очерк технологий больших данных. В Интернет-вычислениях для инженерии и науки (ICICSE), Седьмая международная конференция 2013 г. (стр. 26–29). IEEE.

● Марр, Б. (2016). Удивительные способы, которыми Citigroup использует большие данные для повышения эффективности банков. Доступно по адресу https://www.linkedin.com/pulse/amazing-ways-citigroup-using-big-data-improve-bank-performance-marr/.

● McAfee, A., Brynjolfsson, E. и Davenport, T.H., 2012. Большие данные: революция в управлении. Harvard Business Review, 90 (10), стр. 60–68.

● Праманик, С. (2013). Примеры использования больших данных - банковские и финансовые услуги. Доступно по адресу https://thebigdatainstitute.wordpress.com/2013/05/01/big-data-use-cases-banking-and-financial-services/

● Приз, Д. (2013). Deutsche Bank: планы по использованию больших данных сдерживаются устаревшими системами. Доступно по адресу https://www.computerworlduk.com/data/deutsche-bank-big-data-plans-held-back-by-legacy-systems-3425725/

● Сагироглу, С., Синанч, Д., 2013 г., май. Большие данные: обзор. В Collaboration Technologies and Systems (CTS), Международная конференция 2013 г. (стр. 42–47). IEEE.

● Statista (2016). Большое количество данных. Доступно по адресу https://www-statista-com.ezproxy.westminster.ac.uk/study/14634/big-data-statista-dossier/.

● Тиммс, Дж., 2014 г., Seismic Shift: переход NASDAQ на Amazon Redshift. Доступно по адресу https://www.slideshare.net/AmazonWebServices/fin401-seismic-shift-nasdaqs-migration-to-amazon-redshift-aws-reinvent-2014

● Тромбли, М., 2000, Рекордный объем огрызается на NASDAQ. Доступно по адресу https://www.computerworld.com/article/2593644/it-management/record-volume-snarls-nasdaq.html

● Вердикт, (2017). Правила GDPR могут стоить банкам более 4,7 млрд евро штрафов в первые три года. Доступно по адресу https://www.verdict.co.uk/what-is-gdpr-regulations-could-cost-banks-over-e4-7bn-in-fines-in-first-three-years/

● Вуди, А. (2017). GDPR: попрощайтесь с Диком Западом больших данных. Доступно по адресу https://www.datanami.com/2017/07/17/gdpr-say-goodbye-big-datas-wild-west/

● Инь, С., Кайнак, О., 2015. Большие данные для современной промышленности: проблемы и тенденции [точка зрения]. Труды IEEE, 103 (2), стр.143–146.

● Церланг, Дж. (2017). Большие данные и GDPR; риск и возможность в финансах. Доступно по адресу https://www.accountingweb.co.uk/community/blogs/jesper-zerlang/big-data-and-gdpr-risk-and-opportunity-in-finance

А теперь прислушайтесь к своим мыслям в Twitter, Linkedin и Github !!

Согласны или не согласны с идеями и примерами Саурав Сингла? Хотите рассказать нам свою историю?

Он открыт для конструктивной обратной связи - если у вас есть дополнительные идеи для этого анализа, прокомментируйте их ниже или свяжитесь с нами !!

Твитните @ SauravSingla_08, комментарий Saurav_Singla и звезду SauravSingla прямо сейчас!