物联网解决方案中的大数据处

作者 | 网络大数据

来源 | raincent_com

随着物联网的演变和发展，所有可以想象到的东西(或事物)和产业都将变得更加智能：智能家居和智慧城市、智能制造机械、智能汽车、智能健康等等。无数被授权收集和交换数据的东西正在形成一个全新的网络——物联网——一个可以在云中收集数据、传输数据和完成用户任务的物理对象网络。

物联网和大数据正在走向胜利之路。不过，要想从这一创新中获益，还需要解决一些挑战和问题。在本文中，我们很高兴与大家分享多年来在物联网咨询领域积累的知识。

物联网大数据如何应用

首先，有多种方法可以从物联网大数据中获益：在某些情况下，通过快速分析就足够了，而一些有价值的见解只有在经过深入的数据处理之后才能获得。

实时监测。通过连网设备收集的数据可以用于实时 *** 作：测量家中或办公室的温度、跟踪身体活动(计算步数、监测运动)等;实时监测在医疗保健中被广泛应用(例如，获取心率、测量血压、糖分等);它还成功地应用于制造业(用于控制生产设备)、农业(用于监测牛和作物)和其他行业。

数据分析。在处理物联网生成的大数据时，我们有机会超越监测，并从这些数据中获得有价值的见解：识别趋势，揭示看不见的模式并找到隐藏的信息和相关性。

流程控制和优化。来自传感器的数据提供了额外的上下文情境信息，以揭示影响性能和优化流程的重要问题。

▲交通管理：跟踪不同日期和时间的交通负荷，以制定出针对交通优化的建议，例如，在特定时间段增加公共汽车的数量，看看是否有改观，以及建议引入新的交通信号灯方案和修建新的道路，以减少街道的交通拥堵状况。

▲零售：跟踪超市货架中商品的销售情况，并在商品快卖完之前及时通知工作人员补货。

▲农业：根据传感器的数据，在必要时给作物浇水。

预测性维护。通过连网设备收集的数据可以成为预测风险、主动识别潜在危险状况的可靠来源，例如：

▲医疗保健：监测患者健康状态并识别风险(例如，哪些患者有糖尿病、心脏病发作的风险)，以便及时采取措施。

▲制造业：预测设备故障，以便在故障发生之前及时解决。

还应注意的是，并非所有的物联网解决方案都需要大数据(例如，如果智能家居拥有者要借助智能手机来关灯，则可以在没有大数据的情况下执行此 *** 作)。重要的是要考虑减少处理动态数据的工作量，并避免存储将来没有用处的大量数据。

物联网中的大数据挑战

除非处理大量数据以获取有价值的见解，否则这些数据完全没用。此外，在数据收集、处理和存储方面还有各种挑战。

▲数据可靠性。虽然大数据永远不会100%准确，但在分析数据之前，请务必确保传感器工作正常，并且用于分析的数据质量可靠，且不会因各种因素(例如，机器运行的不利环境、传感器故障)而损坏。

▲要存储哪些数据。连网设备会产生万亿字节的数据，选择存储哪些数据和删除哪些数据是一项艰巨的任务。更重要的是，一些数据的价值还远远没有显现出来，但将来您可能需要这些数据。如果您决定为将来存储数据，那么面临的挑战就是以最小的成本做到这一点。

▲分析深度。一旦并非所有大数据都很重要，就会出现另一个挑战：什么时候快速分析就足够了，什么时候需要进行更深入的分析以带来更多价值。

▲安全。毫无疑问，各个领域的连网事物可以让我们的生活变得更加美好，但与此同时，数据安全也成一个非常重要的问题。网络罪犯可以侵入数据中心和设备，连接到交通系统、发电厂、工厂，并从电信运营商那里窃取个人数据。物联网大数据对于安全专家来说还是一个相对较新的现象，相关经验的缺失会增加安全风险。

物联网解决方案中的大数据处理

在物联网系统中，物联网体系架构的数据处理组件因输入数据的特性、预期结果等而不同。我们已经制定了一些方法来处理物联网解决方案中的大数据。

数据来自与事物相连的传感器。“事物”可以是任何物体：烤箱、汽车、飞机、建筑、工业机器、康复设备等。数据可以是周期性的，也可以是流式的。后者对于实时数据处理和迅速管理事物至关重要。

事物将数据发送到网关，以进行初始数据过滤和预处理，从而减少了传输到下一个物联网系统中的数据量。

边缘分析。在进行深入数据分析之前，有必要进行数据过滤和预处理，以选择某些任务所需的最相关数据。此外，此阶段还可以确保实时分析，以快速识别之前在云中通过深度分析所发现的有用模式。

对于基本协议转换和不同数据协议之间的通信，云网关是必需的。它还支持现场网关和中央物联网服务器之间的数据压缩和安全数据传输。

连网设备生成的数据以其自然格式存储在数据湖中。原始数据通过“流”进入数据湖。数据保存在数据湖中，直到可以用于业务目的。清理过的结构化数据存储在数据仓库中。

机器学习模块根据之前积累的历史数据生成模型。这些模型定期(例如，一个月一次)用新数据流更新。输入的数据被累积并应用于训练和创建新模型。当这些模型经过专家的测试和批准后，控制应用程序就可以使用它们，以响应新的传感器数据发送命令或警报。

总结

物联网产生大量数据，可用于实时监控、分析、流程优化和预测性维护等。然而，应该记住，从各种格式的海量数据中获得有价值的见解并不是一件容易事情：您需要确保传感器工作正常，数据得到安全传输和有效处理。此外，始终存在一个问题：哪些数据值得存储和处理。

尽管存在一些挑战和问题，但应记住，物联网的发展势头强劲，并可以帮助多个行业的企业开辟新的数字机遇。

大
数据从四个方面改变了金融机构传统的数据运作方式，从而实现了巨大的商业价值。这四个方面（“四个C”）包括：数据质量的兼容性
（Compatibility）、数据运用的关联性（Connectedness）、数据分析的成本（Cost）以及数据价值的转化
（Capitalization）。

　
　大数据在金融业的应用场景正在逐步拓展。在海外，大数据已经在金融行业的风险控制、运营管理、销售支持和商业模式创新等领域得到了全面尝试。在国内，金
融机构对大数据的应用还基本处于起步阶段。数据整合和部门协调等关键环节的挑战仍是阻碍金融机构将数据转化为价值的主要瓶颈。

　
　数据技术与数据经济的发展是持续实现大数据价值的支撑。深度应用正在将传统IT从“后端”不断推向“前台”，而存量架构与创新模块的有效整合是传统金融
机构在技术层面所面临的主要挑战。此外，数据生态的发展演进有其显著的社会特征。作为其中的一员，金融机构在促进数据经济的发展上任重道远。

为了驾驭大数据，国内金融机构要在技术的基础上着重引入以价值为导向的管理视角，最终形成自上而下的内嵌式变革。其中的三个关键点（“TMT”）包括：团队（Team）、机制（Mechanism）和思维（Thinking）。

1价值导向与内嵌式变革—BCG对大数据的理解

“让数据发声！”—随着大数据时代的来临，这个声音正在变得日益响亮。为了在喧嚣背后探寻本质，我们的讨论将从大数据的定义开始。

11成就大数据的“第四个V”

大数据是什么？在这个问题上，国内目前常用的是“3V”定义，即数量（Volume）、速度（Velocity）和种类（Variety）。

　
　虽然有着这样的定义，但人们从未停止讨论什么才是成就大数据的“关键节点”。人们热议的焦点之一是“到底多大才算是大数据？”其实这个问题在“量”的层
面上并没有绝对的标准，因为“量”的大小是相对于特定时期的技术处理和分析能力而言的。在上个世纪90年代，10GB的数据需要当时计算能力一流的计算机
处理几个小时，而这个量现在只是一台普通智能手机存储量的一半而已。在这个层面上颇具影响力的说法是，当“全量数据”取代了“样本数据”时，人们就拥有了
大数据。

　
　另外一个成为讨论焦点的问题是，今天的海量数据都来源于何处。在商业环境中，企业过去最关注的是ERP（Enterprise Resource
Planning）和CRM（Customer Relationship
Management）系统中的数据。这些数据的共性在于，它们都是由一个机构有意识、有目的地收集到的数据，而且基本上都是结构化数据。随着互联网的深
入普及，特别是移动互联网的爆发式增长，人机互动所产生的数据已经成为了另一个重要的数据来源，比如人们在互联网世界中留下的各种“数据足迹”。但所有这
些都还不是构成“大量数据”的主体。机器之间交互处理时沉淀下来的数据才是使数据量级实现跨越式增长的主要原因。“物联网”是当前人们将现实世界数据化的
最时髦的代名词。海量的数据就是以这样的方式源源不断地产生和积累。

“3V”的定义专注于对数据本身的特征进行描述。然而，是否是量级庞大、实时传输、格式多样的数据就是大数据？

BCG认为，成就大数据的关键点在于“第四个V”，即价值（Value）。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值，而且能够进一步推动商业模式的变革时，大数据才真正诞生。

12变革中的数据运作与数据推动的内嵌式变革

多元化格式的数据已呈海量爆发，人类分析、利用数据的能力也日益精进，我们已经能够从大数据中创造出不同于传统数据挖掘的价值。那么，大数据带来的“大价值”究竟是如何产生的？

　
　无论是在金融企业还是非金融企业中，数据应用及业务创新的生命周期都包含五个阶段：业务定义需求；IT部门获取并整合数据；数据科学家构建并完善算法与
模型；IT发布新洞察；业务应用并衡量洞察的实际成效。在今天的大数据环境下，生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角
色。大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察，更好地满足业务需求。

　
　因此，BCG认为，大数据改变的并不是传统数据的生命周期，而是具体的运作模式。在传统的数据基础和技术环境下，这样的周期可能要经历一年乃至更长的时
间。但是有了现在的数据量和技术，机构可能只需几周甚至更短的时间就能走完这个生命周期。新的数据运作模式使快速、低成本的试错成为可能。这样，商业机构
就有条件关注过去由于种种原因而被忽略的大量“小机会”，并将这些“小机会”累积形成“大价值”。

具体而言，与传统的数据应用相比，大数据在四个方面（“4C”）改变了传统数据的运作模式，为机构带来了新的价值。

121数据质量的兼容性（Compatibility）：大数据通过“量”提升了数据分析对“质”的宽容度

　
　在“小数据”时代，数据的获取门槛相对较高，这就导致“样本思维”占据统治地位。人们大多是通过抽样和截取的方式来捕获数据。同时，人们分析数据的手段
和能力也相对有限。为了保证分析结果的准确性，人们通常会有意识地收集可量化的、清洁的、准确的数据，对数据的“质”提出了很高的要求。而在大数据时代，
“全量思维”得到了用武之地，人们有条件去获取多维度、全过程的数据。但在海量数据出现后，数据的清洗与验证几乎成为了不可能的事。正是这样的困境催生了
数据应用的新视角与新方法。类似于分布式技术的新算法使数据的“量”可以弥补“质”的不足，从而大大提升了数据分析对于数据质量的兼容能力。

122数据运用的关联性（Connectedness）：大数据使技术与算法从“静态”走向“持续”

　
　在大数据时代，对“全量”的追求使“实时”变得异常重要，而这一点也不仅仅只体现在数据采集阶段。在云计算、流处理和内存分析等技术的支撑下，一系列新
的算法使实时分析成为可能。人们还可以通过使用持续的增量数据来优化分析结果。在这些因素的共同作用下，人们一贯以来对“因果关系”的追求开始松动，而
“相关关系”正在逐步获得一席之地。

123数据分析的成本（Cost）：大数据降低了数据分析的成本门槛

　
　大数据改变了数据处理资源稀缺的局面。过去，数据挖掘往往意味着不菲的投入。因此，企业希望能够从数据中发掘出“大机会”，或是将有限的数据处理资源投
入到有可能产生大机会的“大客户、大项目”中去，以此获得健康的投入产出比。而在大数据时代，数据处理的成本不断下降，数据中大量存在的“小机会”得见天
日。每个机会本身带来的商业价值可能并不可观，但是累积起来就会实现质的飞跃。所以，大数据往往并非意味着“大机会”，而是“大量机会”。

124数据价值的转化（Capitalization）：大数据实现了从数据到价值的高效转化

　
　在《互联网金融生态系统2020：新动力、新格局、新战略》报告中，我们探讨了传统金融机构在大变革时代所需采取的新战略思考框架，即适应型战略。采取
适应型战略有助于企业构筑以下五大优势：试错优势、触角优势、组织优势、系统优势和社会优势，而大数据将为金融机构建立这些优势提供新的工具和动力。从数
据到价值的转化与机构的整体转型相辅相成，“内嵌式变革”由此而生。

　
　例如，金融机构传统做法中按部就班的长周期模式（从规划、立项、收集数据到分析、试点、落地、总结）不再适用。快速试错、宽进严出成为了实现大数据价值
的关键：以低成本的方式大量尝试大数据中蕴藏的海量机会，一旦发现某些有价值的规律，马上进行商业化推广，否则果断退出。此外，大数据为金融机构打造“触
角优势”提供了新的工具，使其能够更加灵敏地感知商业环境，更加顺畅地搭建反馈闭环。此外，数据的聚合与共享为金融机构搭建生态系统提供了新的场景与动
力。

2应用场景与基础设施—纵览海内外金融机构的大数据发展实践

　
　金融行业在发展大数据能力方面具有天然优势：受行业特性影响，金融机构在开展业务的过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资
金收付交易等数据。以银行业为例，其数据强度高踞各行业之首—银行业每创收100万美元，平均就会产生820GB的数据。

21大数据的金融应用场景正在逐步拓展

大数据发出的声音已经在金融行业全面响起。作为行业中的“巨无霸”，银行业与保险业对大数据的应用尤其可圈可点。

211海外实践：全面尝试

2111银行是金融行业中发展大数据能力的“领军者”

　
　在发展大数据能力方面，银行业堪称是“领军者”。纵观银行业的六个主要业务板块（零售银行、公司银行、资本市场、交易银行、资产管理、财富管理），每个
业务板块都可以借助大数据来更深入地了解客户，并为其制定更具针对性的价值主张，同时提升风险管理能力。其中，大数据在零售银行和交易银行业务板块中的应
用潜力尤为可观。

　
　BCG通过研究发现，海外银行在大数据能力的发展方面基本处于三个阶段：大约三分之一的银行还处在思考大数据、理解大数据、制定大数据战略及实施路径的
起点阶段。还有三分之一的银行向前发展到了尝试阶段，也就是按照规划出的路径和方案，通过试点项目进行测验，甄选出许多有价值的小机会，并且不停地进行试
错和调整。而另外三分之一左右的银行则已经跨越了尝试阶段。基于多年的试错经验，他们已经识别出几个较大的机会，并且已经成功地将这些机会转化为可持续的
商业价值。而且这些银行已经将匹配大数据的工作方式嵌入到组织当中。他们正在成熟运用先进的分析手段，并且不断获得新的商业洞察。

　
　银行业应用举例1：将大数据技术应用到信贷风险控制领域。在美国，一家互联网信用评估机构已成为多家银行在个人信贷风险评估方面的好帮手。该机构通过分
析客户在各个社交平台（如Facebook和Twitter）留下的数据，对银行的信贷申请客户进行风险评估，并将结果卖给银行。银行将这家机构的评估结
果与内部评估相结合，从而形成更完善更准确的违约评估。这样的做法既帮助银行降低了风险成本，同时也为银行带来了风险定价方面的竞争优势。

　
　相较于零售银行业务，公司银行业务对大数据的应用似乎缺乏亮点。但实际上，大数据在公司银行业务的风险领域正在发挥着前所未有的作用。在传统方法中，银
行对企业客户的违约风险评估多是基于过往的营业数据和信用信息。这种方式的最大弊端就是缺少前瞻性，因为影响企业违约的重要因素并不仅仅只是企业自身的经
营状况，还包括行业的整体发展状况，正所谓“覆巢之下，焉有完卵”。但要进行这样的分析往往需要大量的资源投入，因此在数据处理资源稀缺的环境下无法得到
广泛应用，而大数据手段则大幅减少了此类分析对资源的需求。西班牙一家大型银行正是利用大数据来为企业客户提供全面深入的信用风险分析。该行首先识别出影
响行业发展的主要因素，然后对这些因素一一进行模拟，以测试各种事件对其客户业务发展的潜在影响，并综合评判每个企业客户的违约风险。这样的做法不仅成本
低，而且对风险评估的速度快，同时显著提升了评估的准确性。

　
　银行业应用举例2：用大数据为客户制定差异化产品和营销方案。在零售银行业务中，通过数据分析来判断客户行为并匹配营销手段并不是一件新鲜事。但大数据
为精准营销提供了广阔的创新空间。例如，海外银行开始围绕客户的“人生大事”进行交叉销售。这些银行对客户的交易数据进行分析，由此推算出客户经历“人生
大事”的大致节点。人生中的这些重要时刻往往能够激发客户对高价值金融产品的购买意愿。一家澳大利亚银行通过大数据分析发现，家中即将有婴儿诞生的客户对
寿险产品的潜在需求最大。通过对客户的yhk交易数据进行分析，银行很容易识别出即将添丁的家庭：在这样的家庭中，准妈妈会开始购买某些药品，而婴儿相关
产品的消费会不断出现。该行面向这一人群推出定制化的营销活动，获得了客户的积极响应，从而大幅提高了交叉销售的成功率。

　
　客户细分早已在银行业得到广泛应用，但细分维度往往大同小异，包括收入水平、年龄、职业等等。自从开始尝试大数据手段之后，银行的客户细分维度出现了突
破。例如，西班牙的一家银行从Facebook和Twitter等社交平台上直接抓取数据来分析客户的业余爱好。该行把客户细分为常旅客、足球爱好者、高
尔夫爱好者等类别。通过分析，该行发现高尔夫球爱好者对银行的利润度贡献最高，而足球爱好者对银行的忠诚度最高。此外，通过分析，该行还发现了另外一个小
客群：“败家族”，即财富水平不高、但消费行为奢侈的人群。这个客群由于人数不多，而且当前的财富水平尚未超越贵宾客户的门槛，因此往往被银行所忽略。但
分析显示这一人群能够为银行带来可观的利润，而且颇具成长潜力，因此该行决定将这些客户升级为贵宾客户，深入挖掘其潜在价值。

　
　在对公业务中，银行同样可以借助大数据形成更有价值的客户细分。例如，在BCG与一家加拿大银行的合作项目中，项目组利用大数据分析技术将所有公司客户
按照行业和企业规模进行细分，一共建立了上百个细分客户群。不难想象，如果没有大数据的支持，这样深入的细分是很难实现的。然后，项目组在每个细分群中找
出标杆企业，分析其银行产品组合，并将该细分群中其他客户的银行产品组合与标杆企业进行比对，从而识别出差距和潜在的营销机会。项目组将这些分析结果与该
行的对公客户经理进行分享，帮助他们利用这些发现来制定更具针对性的销售计划和话术，并取得了良好的效果。客户对这种新的销售方式也十分欢迎，因为他们可
以从中了解到同行的财务状况和金融安排，有助于对自身的行业地位与发展空间进行判断。

　
　银行业应用举例3：用大数据为优化银行运营提供决策基础。大数据不仅能在前台与中台大显身手，也能惠及后台运营领域。在互联网金融风生水起的当
下，“O2O”（OnlineToOffline）成为了银行的热点话题。哪些客户适合线上渠道？哪些客户不愿“触网”？BCG曾帮助西班牙一家银行通过
大数据技术应用对这些问题进行了解答。项目组对16个既可以在网点也可以在网络与移动渠道上完成的关键运营活动展开分析，建立了12个月的时间回溯深度，
把客户群体和运营活动按照网点使用强度以及非网点渠道使用潜力进行细分。分析结果显示，大约66%的交易活动对网点的使用强度较高，但同时对非网点渠道的
使用潜力也很高，因此可以从网点迁移到网络或移动渠道。项目组在客户细分中发现，年轻客户、老年客户以及高端客户在运营活动迁移方面潜力最大，可以优先作
为渠道迁徙的对象。通过这样的运营调整，大数据帮助银行在引导客户转移、减轻网点压力的同时保障了客户体验。

　
　BCG还曾利用专有的大数据分析工具NetworkMax，帮助一家澳大利亚银行优化网点布局。虽然银行客户的线上活动日渐增多，但金融业的铁律在互联
网时代依然适用，也就是说在客户身边设立实体网点仍然是金融机构的竞争优势。然而，网点的运营成本往往不菲，如何实现网点资源的价值最大化成为了每家银行
面临的问题。在该项目中，项目组结合银行的内部数据（包括现有的网点分布和业绩状况等）和外部数据（如各个地区的人口数量、人口结构、收入水平等），对
350多个区域进行了评估，并按照主要产品系列为每个区域制定市场份额预测。项目组还通过对市场份额的驱动因素进行模拟，得出在现有网点数量不变的情况下
该行网点的理想布局图。该行根据项目组的建议对网点布局进行了调整，并取得了良好的成效。这个案例可以为许多银行带来启示：首先，银行十分清楚自身的网点
布局，有关网点的经营业绩和地址的信息全量存在于银行的数据库中。其次，有关一个地区的人口数量、人口结构、收入水平等数据都是可以公开获取的数据。通过
应用大数据技术来把这两组数据结合在一起，就可以帮助银行实现网点布局的优化。BCG基于大数据技术而研发的Network
Max正是用来解决类似问题的工具。
　
　银行业应用举例4：创新商业模式，用大数据拓展中间收入。过去，坐拥海量数据的银行考虑的是如何使用数据来服务其核心业务。而如今，很多银行已经走得更
远。他们开始考虑如何把数据直接变成新产品并用来实现商业模式，进而直接创造收入。例如，澳大利亚一家大型银行通过分析支付数据来了解其零售客户的“消费
路径”，即客户进行日常消费时的典型顺序，包括客户的购物地点、购买内容和购物顺序，并对其中的关联进行分析。该银行将这些分析结果销售给公司客户（比如
零售业客户），帮助客户更准确地判断合适的产品广告投放地点以及适合在该地点进行推广的产品。这些公司客户过去往往需要花费大量金钱向市场调研公司购买此
类数据，但如今他们可以花少得多的钱向自己的银行购买这些分析结果，而且银行所提供的此类数据也要可靠得多。银行通过这种方式获得了传统业务之外的收入。
更重要的是，银行通过这样的创新为客户提供了增值服务，从而大大增强了客户粘性。

银行给您办理的物联网，可能是指物联网金融服务。物联网金融服务是银行利用物联网技术，将传感器、无线通信等技术应用于金融服务中，提供更加智能化、高效化的金融服务。常见的物联网金融服务包括智能柜员机、移动支付、智能投顾等。具体来说，银行根据客户实际需求和风险承受能力，运用物联网技术提供定制化的、个性化的金融服务。

首先，数据必须是安全的。所谓安全，是银行自身产生的数据是保障用户权益不被侵害的，不被用在其他用途的。其次，谨慎使用外部数据。目前市面上，一些所谓的大数据风控公司在数据的获取和使用上存在法规上的漏洞，污染严重的数据只会给业务发展带来更大的障碍，需谨慎对待。合规合法的数据源是控制自身风险的一个方法。

再者，更基础和更深入地研究数据。一些游戏公司对用户行为数据的挖掘比较擅长，由此还有十分对口的游戏心理学来进行研究。虽然，金融数据和游戏数据的区别很大，但游戏公司在玩家隐私保护和玩家需求挖掘方面确实有其独到的特点，这是十分值得银行去琢磨的。

最后，在征信市场完善和物联网金融时代来临之前做好准备。物联网金融时代，数据量将更为庞大，如果一开始的数据就是虚假的，那么清洗和利用的价值就会相当于零，甚至会把数字化转型带偏跑道。

对于金融机构来说，数据整合和商业智能大部分还是大数据团队来主导，但是实现数据价值的变现需要全公司的重视，首先是领导的重视

总结；数据化转型是非常重要的工作。在传统金融行业里普遍存在“拍脑门决策”的问题，但是一旦建立了数据文化就能更好地控制这些问题，如领导在凭感觉做决策时，员工可以通过数据说服老板做更科学的决策。

现在的物联网金融应该用物联网在物流仓储领域的应用更加恰当，因为都是利用RFID标签对相关货物、抵押物进行所在地、状态等信息管理，并将相关数据供给银行、保险公司等做金融方面的参考。纯粹按这个概念的话，亚马逊的物流仓促就很符合物联网技术概念。
如果题主不是指这种物联网金融，可以更详细的描述问题进行探讨。

最早提出“大数据”时代到来的是全球知名咨询公司麦肯锡，麦肯锡称：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。” “大数据”在物理学、生物学、环境生态学等领域以及军事、金融、通讯等行业存在已有时日，却因为近年来互联网和信息行业的发展而引起人们关注。大数据作为云计算、物联网之后IT行业又一大颠覆性的技术革命。云计算主要为数据资产提供了保管、访问的场所和渠道，而数据才是真正有价值的资产。企业内部的经营交易信息、互联网世界中的商品物流信息，互联网世界中的人与人交互信息、位置信息等，其数量将远远超越现有企业IT架构和基础设施的承载能力，实时性要求也将大大超越现有的计算能力。如何盘活这些数据资产，使其为国家治理、企业决策乃至个人生活服务，是大数据的核心议题，也是云计算内在的灵魂和必然的升级方向。

物联网、区块链、大数据有什么区别
在不久的将来，物联网的设备将爆增，有可能是千亿，也可能是万亿，像这么一个庞大的网络，如果还是以中心化的组网模式去管理的话，数据中心的基础设施投入维护应该是没办法估量的。
大数据本质上来讲，属于数据库的一个小分支，这样就把这个问题归结为和数据库的关系。数据库在软件、在互联网界、在IT界其实是个特别古老的研究领域，从最初的文件系统到ER模型到后来引发的大家都知道的传统数据库的三大成就，关系模型、事务处理、查询优化，一直到后来互联网盛行以后的NOSql数据库的崛起，数据库技术在不停发展、在变化，那么也包括以XML为代表的半结构化，文本、语音等非结构化的数据处理等等。

区块链和数据库的关系看起来其实也就是这样一种关系，从数据库技术演进的过程，我们可以发现，它总是来源于要怎么去满足新的业务需求，然后创造出新的这些数据处理技术。比如从最开始的文件系统，为什么我们需要ER的这种模型呢，是因为金融行业的发展，大家对于这些快速的记帐、高并发数据写入和访问，有了进一步的需求，从而导致了实体关系模型的产生以及快速的发展。后来为什么NOSql数据库会出现呢？就是因为互联网的快速发展对数据库提出了更高更新的要求，所以本质上我们认为整个互联网就是一个大的数据库。
事物总是在不断发展的，当然我们通过NOSql数据库、云存储这些技术解决的互联网海量实时数据处理问题之后，下一个问题一定就来了，那就是如何以规模化的方式来解决数据的真实性和有效性。
举个例子，可能跟我们的饮食相关，从一开始的温饱问题，到营养结构问题，再到大家所关注的食品安全问题，数据库的发展其实也是一样，当我们通过ER实体关系模型，通过NOSql数据库能够很好的解决数据存储和数据访问的这些问题的时候，接下来大家要去关心的，要去解决的那一定是真实性、有效性的问题。
所以到了这个阶段，以区块链为代表的这些技术，对数据真实有效不可伪造、无法篡改的这些要求，相对于现在的数据库来讲，肯定是一个新的起点和新的要求。我们可以清晰的感受到，数据库与区块链融合趋势，其实是非常紧密的、无法阻挡，好像刚才说的，内容的制作方开始向虚拟现实、增强现实这个方向发展一样；从数据库的角度，区块链就是一种新型的数据组织方式。我们认为大数据、区块链是两者合一的。

公开资料显示，2020年3月，招银云创启动市场化战略转型，明确提出聚焦产业互联网赛道，成为招商银行面向企业数字化服务的载体，聚焦企业资金流数字化，“将先进的金融 科技 应用于产业互联生态中，让金融更好地服务产业，让产业更加智慧化”。进入2022年，招银云创市场化进程提速。公开资料显示，该公司将品牌定位表述为“银企场景化联接平台”，并发布了“成为银企联接的创新者、产融信任的构建者”的品牌愿景。

向外 探索 金融 科技 应用场景，对内协同母行

当产业互联网的大幕徐徐拉开，摆在银行面前的问题不是“要不要做”，而是“如何做”的问题。那么，十年后的银行业，在产业互联网生态体系内，应该处于怎样的位置？很多银行都在进行着自己的思考和布局。

作为一家“金融 科技 银行”，招商银行选择把金融 科技 应用于产业互联生态，通过旗下金融 科技 子公司招银云创向外输出，构建银企场景化联接生态。

值得注意的是，近日，在招商银行2021年年报中，该行首次对外提出构建“投商私科”一体化服务。“从企业经营逻辑出发，把投商行、私人银行、 科技 等分散的优势整合起来，以差异化、有针对性的服务有效覆盖处于不同阶段、不同行业、具备不同特征的客户，形成招行独有的‘投商私科’一体化服务特色。”招商银行在年报中对“投商私科”一体化服务给出了自己的解释。

很明显，聚焦产业互联网、向外输出金融 科技 能力的招银云创，将在招商银行“投商私科”一体化服务体系中扮演协同集团、反哺母行的战略角色。

赋能产业互联网下企业资金流数字化

资金流是企业个体的血脉，也是产业互联网生态机体的血脉。而针对资金流的服务，正是银行天然的优势所在。产业生态最大痛点来自于企业内外协作流程上的断点，进而导致数据流、资金流的信息断点和组织内外协作效率的层层衰减。这并不符合产业互联网的本质。

产业互联网的本质是对产业协作生态内的资金流、信息流、商流、物流的有效整合，进而重塑产业结构新生态，其基础是资金流的数字化和互联畅通。对招银云创来说，解决产业互联网下断点、低效的资金流难题，首先是助力企业客户的资金流数字化管理升级。

事实上，招银云创在资金流数字化领域有着多年的沉淀和低调耕耘。传承招商银行资金管理、跨银行结算等方面十多年的能力和基因，招银云创在成立后曾协同母行，开发运营“跨银行现金结算平台CBS”和“财资管理系统TMS”两大财资管理产品，在场景化 科技 创新和企业客户咨询服务方面积累了丰富的经验，对企业资金流管理有着深刻的场景理解和需求洞察。2021年，招银云创结合卓越司库理念升级打造了“集团企业司库GET”，进一步向企业司库管理领域进军。至此，招银云创形成了“集团企业司库GET”、“场景化费用管理SCO”、“业财融合分析MAP”三大数字化产品体系，成为具备独立产品体系和服务能力的企业资金流数字化服务商。

构建银企数字信任，助力产业互联网银企合作

从产融合作的视角，在传统信用机制下银行因无法了解企业真实的经营状况，单纯根据企业财务报表、资质等主体信用评估其还款能力及意愿，始终面临“资金不敢贷”“风险控不住”的难题。企业旺盛的融资需求无法得到有效满足，银企之间的信任关系脆弱。

“如何让金融服务更好地支持企业发展，让资金精准滴灌至企业场景？”这是一个世界性难题。

企业资金流是企业之间、企业与银行之间合作的核心，尤其是基于高频的费用支出场景资金流，最能反映企业的真实经营状态。在银企之间搭建通畅的资金流数据桥梁，基于实际场景实时、多维地反映企业资金流全景，为银行风控模型和企业业务决策提供强有力支撑，构建银企数字信任机制，最终实现双赢，被认为是解决上述难题的有效路径。

招银云创走的正是这条道路，即成为“银企场景化联接平台”，通过为企业级客户提供资金流管理全链条的数字化解决方案与服务，赋能企业数字化转型，打通产融合作壁垒，构建银企合作新生态，推动行业不断前进。

---