至顶网CIO与应用频道 07月28日 人物访谈(文/王聪彬):对于证券公司而言,证券经纪业务仍然是目前最核心也是最传统的业务,即按照客户要求,代理客户买卖证券的业务,而这也造成了证券公司的业务直接受到经济波动的影响。
2015年牛市的出现,大量客户的进入让整体证券市场呈现出爆发式的增长。但随着经济形势的下行,证券市场也由牛市转向熊市,导致整个证券行业的传统经纪业务都处于低谷,再加上2017年是中国金融行业“强监管年、强问责年”。
现阶段证券行业趋势已经逐渐平稳,同众多证券公司一样,申万宏源证券也在开始尝试利用数据实现转型来打破这一制约。一方面传统经纪业务向着高端客户的资产配置、资产管理发展;一方面在传统客户的基本维系上向着精细化维系发展。
合并 转型 数据整合先行
2015年资本市场迎来了截至目前最大的一起合并案,原申银万国和原宏源证券两家证券合并成立申万宏源证券,主要业务包括证券经纪、证券投资咨询、融资融券、代销金融产品、证券投资基金代销。
合并后的申万宏源在业务上整合,也就意味着对整体信息化的整合,最终形成了北京、上海的双中心。而且申万宏源在合并上的策略是数据先行,先将信息进行整合再对业务系统逐步细化梳理。
原有两家证券公司都有各自的数据分析平台,在系统的整合上最大的难点在于是二选一,还是重建。因为这对于申万宏源来讲,不管在系统还是管理层面都将是巨大的挑战,系统层面:数据粒度、数据保存形式、交易形式不一致;管理层面:绩效考核、客户群体、客户体验不一致。
最终为了保证原有客户体验又可以满足未来业务的扩展性、快捷性,申万宏源选用了原有的一个系统,并对整体架构做了重新设计。
通过2016年一年时间申万宏源已经实现了数据的整合,其中采用了Teradata一体机,还使用了其数据模型和项目实施方法论。申万宏源证券有限公司数据中心高级经理石宏飞把原宏源证券比作证券行业第一个吃螃蟹的人,因为在2011年原宏源证券就开始使用Teradata的一体机产品,到 2015年申万宏源合并后,上海的数据中心也采购了100TB的Teradata一体机,以及Teradata开发测试一体机。
“很多数据库申万宏源都有使用过,Teradata一体机是其中比较稳定的。”石宏飞说,一体机弱化了数据库管理员的角色,而且提供了一些管理工具,减少管理成本,这对于申万宏源而言既让业务得到保障也让工作效率得到提升。
在申万宏源使用的这些年间, Teradata一体机在人员操作问题外没有出现过一次系统故障,基本不需要专门的人员对一体机做管理,只需要定期进行一些监控和日常巡检。
标准 模型 数据价值放大
证券行业的业务不同于银行,客户可以在多家证券公司开户,而且不会消户,所以证券公司很难了解到客户是否真的流失。另外证券公司对于客户保留也越来越重视,需要为客户提供更加优质的客户体验。
业务和服务同样也是申万宏源需要突破的两大方向,而在未来的发展中数据将起到了至关重要的作用。
石宏飞所在的申万宏源证券有限公司数据中心并不像名字一样是广义的数据中心,他的工作是和公司内的数据打交道,主要负责数据项目的管理、规划、应用,将不同部门的数据需求转换成可实施的方案,同时进行数据挖掘、分析支撑业务发展。
数据中心部门最早从2011年原宏源证券就开始建设,开始是由CRM数据中心、投顾系统数据中心、风控数据中心组成,之后又建设了公司级的数据中心统一启动数据标准、数据接口,把整个公司的数据结构脉络化,这样数据中心的职责就更多在数据分析和挖掘,真正发挥数据的价值引领业务。
20人的团队搭配Teradata对申万宏源的数据进行了整体的梳理,并建立数据模型。“配合申万宏源的业务数据模型也经过了客户化的改造,进行第三范式处理。”石宏飞谈到,每笔交易都会产生一条交易记录,申万宏源在数据模型中添加了费用类型字段,让宽表变成窄表,这样未来加入新业务也不用对整表进行调整。
在整体数据整合后,数据挖掘辅助营销服务也逐渐被提上日程。申万宏源已经开始通过客户数据构建用户画像让业务部门自主行销和分析;通过交易行为分析建立客户风险评级,改善原有手工授信;对用户进行分级,进行客户精细化的维系和保留。
未来申万宏源会结合更多的数据源,发挥内部交易数据的特点,并且结合外部数据,让数据可以更好更快速地变现,为运营管理、客户营销、客户维系提供更多支持。
好文章,需要你的鼓励
随着AI策略成熟,CIO开始重新考虑对公有云的依赖,私有云和本地环境重新受到关注。调查显示,67%的企业领导计划在未来12个月内将部分AI数据迁移至非云环境。主要原因包括成本可预测性、数据隐私保护、安全问题和云集成挑战。对于持续的AI工作负载,购买自有GPU比租用公有云更经济。私有云支出增长更快,预计2025年将有54%的组织在私有云上投入超过1000万美元。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
本文深入分析了从传统AI发展到AGI过程中可能出现的智能爆发现象。基于AI专家共识的2040年AGI实现预期,文章探讨了七种主要发展路径,重点关注突破性的"登月路径"。智能爆发理论认为,智能可以像原子链式反应一样相互促进,快速产生大量新智能。文章预测2038-2039年可能发生智能爆发,随后在2040年实现AGI,但也指出了关于智能爆发的启动、控制和潜在风险等争议问题。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。