IT科技媒体个性化阅读
看过一本书，说的是the world is flat，翻译成中文，也就是《世界是平的》，讲述的是科技与互联网彻底改变了传统的商业与生活模式，让世界越来越趋平化。什么概念呢，也就是互联网提供了更多标准化的服务，并抹平了山川、河流、文化、政治、经济对跨国间交流的阻隔，最终让世界在互联网上实现了平等、开放的沟通。 站在这个角度，结合大数据对金融服务的改造和局部的颠覆作用，我认为，以阿里小贷为代表的互联网金融业态，正在通过数据化的标准来革新现有的金融服务格局，并让更多的弱势信贷者实现与优势融资方一样的，享受金融服务的权利。简而言之，大数据结合金融，正在让信贷与融资变得智能化。
大数据应用于金融的潜力
大数据与互联网的结合，是未来金融发展的方向之一。这里的金融，既包括了传统金融机构业务的电子化和数据化，更包括互联网金融机构在建立大数据平台基础上开展数据征信和风险控制的诸多衍生操作方式。大数据的特点是“动态，海量，多维度，相关性”，这也完全颠覆了传统意义上的数据以及由此产生的数据处理，样本调研和行为预测。
拥有数据，开展分析，这本是各个行业进行计划与生产，市场与营销的基础能力，但事实上，要么是缺乏有效的数据积累意识，要么是缺乏高效的数据平台和分析工具，中国的数据生态就是这样处在一个相对碎片化的状态，而且彼此难以连通。在这一方面，一个明显的案例就是金融运作数据的方式，金融的主要功能就是资金融通，让有效的资金流入有效的资金消化渠道，同时提高金融服务效率。
但是，就目前的金融整体效率而言，一方面是利率管制造成的资金供给与需求之间的结构性错配，另一方面就是融资过程中，对传统的线下抵押、担保模式过于倚重而复杂了本可优化的服务流程，也提高了金融机构进行数据验证和核定的线下调查与审核成本。也正是因为如此，出于成本与收益的边际效应考虑，银行在进行客户选择与分层定位时，往往更偏好于数据资料完整，资产负债状况明了的优质大中型企业，而对数据资料不完整，缺乏线下实物资产和抵押品的小微企业，往往是绕远道而避之。
核心不在于金融的二八定律，也不在于客户的道德冒险，核心在于融资方与借款人之间缺乏完整的，公开的，可以相互制约的信用机制。而这种信用机制，在缺乏大数据的信贷扁平化功能辅助的情况下，也只能通过相对更保险的线下抵押物担保来实现借贷双方的信用约束。
大数据金融起底：阿里小贷为代表的电商金融
什么是大数据，相信在互联网金融的这波浪潮中，大数据已经成为了金融行业的一个代名词。数据其实有很多的属性，而金融属性相对来说，由于能够反映数据相关方的真实资金、消费行为能力，也就具有数据价值化的操作空间，甚至可以成为一种资产。
“平台，数据，金融”三位一体的数据金融模型，是阿里金融对自身大数据金融的核心概括。大数据的积累是一个相当复杂而纷繁的过程，一般而言，目前国内可以具备大数据收集能力的平台，需要具备这么几个条件：
1、持续的平台运作和服务供给，能够收集跨经济周期的数据；2、数据需要具备频繁的流动和交叉，因此平台绝对需要具备流量基础；3、数据与自身服务存在有效的转化途径，如阿里小贷。从这三个条件筛选一遍，你会发现，当前最好的，也是最能够积累数据，进行信贷征信服务的，也基本上就是大电商平台了。银行虽然也是一个主要的数据积累源头，但根源在于银行缺乏频繁的客户接触和激发渠道，它的数据是活性较低的，是分时期和阶段性的，且缺乏一定的数据与服务的转化工具。
为什么是电商，又为什么是阿里金融为代表呢？道理很简单，电商所掌握的日常消费和支付数据，是目前活性最高的，频率最快的，与终端消费者距离最短的，同时也是应用场景，涉及行业最多的数据入口和来源。3月7日，阿里巴巴举办了西湖品学大数据峰会，当天阿里透露，在阿里数据平台事业部的服务器上，攒下了超过100PB已处理过的数据，等于个GB，相当于4万个西雅图中央图书馆，580亿本藏书。
打个形象的比喻，这就像是一个大口径的吸尘器，把边边角角的，散乱的，不成规矩的数据点全部收集起来，然后集中处理，按照不同的行业、属性、类别、阶段进行标准化的数据仓储，并数据分析模型进行对接，结合最新的数据相关方的行为资料，进行历史和当前，未来的比较、分析、预测。例如，阿里小贷的一个风控模型需要分析数年里千万家淘宝店铺的近3万多个指标，并在这过程里摸索出解决2大世界级的数据分析领域难题的方法,即海量数据如何在云计算平台进行加工运算处理，第二个就是如何在3万多个指标里进行大浪淘金般的数据挖掘。
阿里金融，客观上而言，是国内最早开始做电商数据积累和金融属性挖掘的电商平台，也是2013年互联网金融的领军企业。阿里自身的B2B，B2C，C2C的电商生态圈主要的参与者是商户与消费客户，在长期的电商生态培育中，商户与用户通过高频的信息流、资金流、商品流交汇，为阿里的数据库提供了最详实的数据来源。可以这么说，阿里金融的框架，起源于电商信贷，并通过信贷端的数据处理能力的培育，慢慢扩散到负债端，也就是余额宝产品的开发。 现有国内主要的电商金融平台，在运作模式上也基本朝着阿里的全金融方向前进，也充分说明，大数据金融与电商平台结合，将是改变数据征信在中国整体融资服务中作用不足的一种可行路径。
大数据如何让信贷扁平化？
那么就阿里金融而言，大数据是如何实现了让信贷扁平化的？扁平化的几个维度又在哪里？
1、大数据解决了小微企业和信贷机构的信息不对称问题，提高了双方互信。在融资提供者和借款人之间，大数据起到了很好的媒介作用，通过数据这一客观资料来解决信贷提供者的调查和审批过程，并让小微企业获得了更好的数据化资信能力。
为什么大数据能够解决，而传统的信贷机制解决不了？一方面，存在银行金融机构信贷投放标准和小微企业借款人所能提供的标准之间的错位；另一方面，也存在对小微企业天生不良率高，服务成本大，违约可能性大的误区。 就第一点而言，商业银行作为传统的社会资金融通主体，在进行授信业务审核时，往往需要借款人提供标准化的企业和商户的运营资料，比如财务报表，利润表，资产负债，现金流水，以及其他有效抵押品作为违约的保障。这些常规的企业财务资料，对大中型企业并不是什么难事，除非是伪造和改动，一般而言都能符合银行前端的信贷审核标准，并按照贷前、贷中、贷后的程序一直往下走。但是，小微企业运营时间较短，企业财务制度不完善，也没有专门的资产管理能力，一般是提供不了这么详实的数据。这里就存在一个银行所需要的标准和小微企业所能提供的标准之间的错位。
那么，怎么解决呢，传统的做法是，要么把小微信贷的利率上浮30~50%，甚至200%，要么要求小微企业提供联保，或者足够的抵押品。要么就直接不做，放弃这部分所谓的“高风险”“低能力”客户，专门服务那些大企业去。
就第二点而言，在利率市场化未开启之前，阿里小贷为代表的互联网金融没有成熟之前，银行业一直存在着对小微信贷的误区，认为其成本过高，风险过大。事实却并不是这样，小微企业的风险主要集中于经济周期，风险也主要是由于缺乏良好的信用记录（银行信用资质难以获得）而导致的融资成本过高，近而挤压利润空间的风险。从阿里小贷的不良率来看，截至2013年6月末，不良率为0.84%，低于商业银行的平均不良率水平。这充分说明，小微企业并不是没有建立良好信用记录的能力，通过大数据管理完全可以实现小微企业的良好信用记录。
2、大数据的动态管理和监测，拉平了贷前、贷中、贷后的业务流程，提高了集约化管理的效率，便于灵活调整，及时处理信贷风险。
这里有必要比较一下传统银行与阿里小贷业务方面的触发机制与管理方式的不同。对于传统银行而言，贷款的前、中、后管理很大程度上是分开的，也就是银行内部的前台业务营销与中后台的风险管控之间的平衡。从触发的角度而言，银行是等客户有了潜在信贷需求和意向之后，才会要求企业提供标准化的财务数据资料，包括担保抵押情况等，整个信贷流程也从确定需求意向开始进行。另外，即便贷前业务岗已经把客户的贷款需求和资料上报至信贷审核部门，中台的审批效率和流程也是因人而异，因行而异，后台的贷后管理也一定程度上脱节于企业最新的发展状况。这就像是一个并不需那么高效的信贷链条，在各个时点之间存在一定的时间差，而这种时间差一定程度上成为风险的聚集点。
但是阿里金融等电商平台则基本不存在这种担忧。为什么，还是大数据和以数据为核心的信贷风控模型在起作用。 通过阿里小贷的信贷通用决策系统（A-GDS――Ali-Generic Decision Service）来实现对现有客户和潜在客户的动态化管理。借助大数据的分析，阿里小贷A-GDS系统将电商平台上所有的小微企业进行透析，根据其分析结果选择向风险可控的企业开放信贷服务，已然将风险管理前置。商户的历史积累以及最近发生的日常交易，资金流，订单，周期性变化，成交速度和频率都可以通过数据模型来获得非常直观的分析和预测，把静态的贷款变成了动态化管理，精准地把握商户经营和资金需求的走向，不仅可以指导系统完成自动化的信贷营销服务，如结合商户数据变化的授信调整、利率定价调整（即实现不同客户的风险定价）等，并可借助系统实现实时对商户经营监控，及时发现风险并预警。
从业务触发角度而言，阿里小贷的市场推广是无形的，融合与企业的日常运作之中，甚至可以提前预知企业的资金需求。这也就是说，贷款的一切前置程序通过大数据分析模型和固定的数据标准，已经积累完毕，只要商户有融资需求，系统会自动分析，完成贷前审核，并及时提供信贷资金。这样，阿里小贷的电商金融模式就实现了贷前程序前置，以及贷前、贷中、贷后的流程化，高效，动态运作，提供更便捷的小微商户授信服务的同时尽可能地通过技术手段降低了风险。和银行相对固化的贷款程序和贷后管理相比，基于大数据的动态模型通过技术和程序的设置，提高了效率并降低了风险。
3、大数据建立信贷模型，实现信贷资金投向的精细化管理，把钱给到最需要钱和最有可能使用钱的企业。 如同为一个亿万富翁开设一张信用卡，某种程度上，再高的透支额度都没有意义，因为他没有真实的透支需求。与其让其占用授信，不如把这笔授信分拆给到更多的所谓丝客户，因为他们有更迫切的透支需求。在现有银行信贷操作中，其实很多资金给到了并不缺钱的大企业，这些企业甚至再把这些资金以更高利率转手卖出。银行的钱并没能给到实体经济中最需要钱的企业。当然，这无损银行的收益，因为只要信贷放出去即可。
但对于信贷资源有限的互联网金融机构而言，显然不能像银行这么运作。如果这样，也丧失了互联网金融高效率的意义。借助数据，类似阿里小贷这样的机构，必须寻找出谁最需要钱、什么时候需要钱，需要多少钱，只有这样，其自身的信贷资源才能得到最优效率的分配，才能配得上其互联网金融的称谓。
从这个意义上而言，在阿里小贷的过百个核心数据模型中,最能体现大数据运用的水文模型，可以充分提高企业对资金的需求分析能力和阿里小贷对商户的精细化需求满足能力。水文交易预测的作用在于：利用水文变量，预测淘宝商户未来的交易金额，并有效剔除季节性波动影响，其核心在于大规模海量计算，在阿里云ODPS（Open Data Processing Service）的算法平台协助下实现了对商户资金需求的精细化管理和预测。
在这种动态的水文模型中，每家店铺的销售额就像一条条河道里的水文，会随着市场的热度、客户的喜好、卖家的运营以及季节周期性的波动而忽高忽低；此外，不同的淘宝店铺尽管销售产品千差万别，但可以根据行业、主营类目、星级进行归类划分，这就把不同商户的不同水位的产品和类别进行了市场化的对比，便于日后进行精细化的基于商品的信贷和细分行业的风险预测、信贷政策。此外，这种数据模型是对目前、未来企业资金流动和细分行业发展趋势的一种分析，可以和现有的细分行业、商户的贷后管理相结合，以提高动态化的贷后管理能力。
站在服务于实体经济的角度，阿里小贷的大数据分析模型：水文模型通过对细分商户和行业的资金、销售额的水文分布分析，以提高信贷资金的投放比例和最佳的投放行业，实现了提高服务于实体小微企业的金融效率，把最需要的信贷资金用在了最需要钱的商户上。这和“控制增量，盘活存量”的目标不谋而合。反观现在的大多数商业银行，在信贷资金的投向上，往往缺乏一个比较科学的监测和评价机制，往往是依据行业风险程度和行业周期进行，此外，大部分资金通过银行进入地方债务，房地产以及基建项目等主要的资金池，并没有很好得服务于底层的金融需求。这种资金投放的方式，相对比较粗放，也难以抗衡突发的行业经济风险，正如这几年频发风险的信托、地产、钢贸项目等。
大数据结合互联网，让传统信贷突破了信用机制的约束和借贷双方之间的距离隔阂，而是用大数据的方法和平台运作的方式，实现了信贷的扁平化，这种趋势在以阿里小贷为代表的电商金融中更明显。大数据在互联网金融领域已经开始了扩散，提高金融的透明度，建立集约化的流程化动态管理，提高资金与需求的精细化匹配，并最终建立良好的信用生态。大数据是一股推动金融自身优化、改良的革命性工具，而信贷扁平化，则是金融服务效率提升的体现。流域水文数据挖掘体系研究　
　　从图4可以看出,利用数据仓库的OLAP功能,可以方便地形成针对不同层次对象、不同时空阶段、不同属性粒度的河道洪水历史数据分析集合。在实际应用中,可根据不同决策者所关心的研究对象,在不同层次(流域、河流、支流、控制站),针对不同的区域,建立侧重点不同的河道洪水模型。例如,针对省级防洪决策者,他们更关心流域洪水传播对重点防洪城市、重点防洪水库的影响,一般在比较高级的概念分层上建立洪水传播模型;而针对水库调度决策者,他们更关心的是该水库流域内河流的水位、流量、降雨等因素,以及上下游相关水库的情况,一般在比较详细的概念分层上建立洪水传播模型;另外针对不同预见期的短、中、长期预报,可以通过上卷或下钻等操作形成相应数据集。
　　2.2 水文数据挖掘
　　Jiawei Han[14]根据不同功能将数据挖掘方法分为聚类、分类、、关联分析和时间序列分析。水文数据挖掘方法可以说涵盖了这五种类别,聚类方法主要用于非监督性的水文前期条件分类,寻找同类型水文现象的规律;分类方法侧重于对不同特点的水文过程或调度条件加入主观经验的分类,从而进行不同条件下的参数率定或规则确定;预测方法则通过对水文现象成因分析来模拟其规律,对可能情况进行预报;关联分析的应用在于定性或定量分析水文各因子之间的关联性来支持决策;时间序列分析主要针对中长期的水文、气象等现象进行规律性分析。其中涉及的数据挖掘方法有:模糊聚类、神经网络、遗传算法、决策树分类、时间序列分析等大量的算法,其中某一类型的算法又存在针对不同问题特点的大量派生算法。
　　面向流域水文防洪、兴利的主题,目前主要应用的数据挖掘算法如图5所示。
　　2.3 元数据管理
　　元数据是关于数据的数据,用于描述载有信息的实体的相关信息。水文数据挖掘体系是一个复杂的大系统,涉及的数据、算法、应用非常多,因此需要一个合理的数据组织方式,元数据管理恰好能满足这一需求。在水文数据挖掘体系中,元数据管理主要涉及到数据管理、模型管理、算法管理这三个方面,一个简单的应用如表1。
　　元数据不再仅仅是描述基础信息内容对象的工具,而是一种基本信息组织方法,为信息系统各个层次的内容提供规范的定义、描述、交换和解析机制,为分布的、多种和多层内容构成的信息系统提供互操作和整合的纽带,使数据挖掘体系能智能地识别、处理、集成各种信息内容、信息过程。
　　3 研究实例
　　利用流域水文数据挖掘系统,可以方便地针对预报与调度的各种应用,从数据组织、算法选择、模型建立等入手,形成最高效的水文数据分析体系。以下分别从预报与调度角度进行探讨。
　　3.1 预报
　　一般来说,从形式上水文预报分为降雨径流预报、河道洪水传播、中长期径流预报等类型。不同类型的应用一般针对各自分析对象的特点,选择相应的数据、预报模型,如表2所示。例如针对河道洪水传播预报,首先通过确定各维的范围来确定水文数据立方体,然后根据洪水传播时间在不同的支流级别上建立不同预见期的洪水传播预报模型,在数据预处理及预报模型中采用多种数据挖掘算法对预报过程进行优化与模拟,最后将预报结果在空间上叠加,形成一个完整意义的预报过程。
　　3.2 调度
　　这里指的调度主要是流域中的水库调度,具体的水库调度方式必须根据当地的具体情况确定,一般分为防洪调度与兴利调度。但近年来,水生态问题受到了越来越多的关注,一种新的调度方式:水库生态调度成为研究的一个热点。生态调度即在流域污染期或生物繁殖期利用水库调蓄能力对水生态环境的一种保护与维持的措施,目前在国内已有一些关注[15]。总的来看,在确保水库安全的前提下,水库控制运用的任务在不同时期应有主有次,主次结合。目前水库调度广泛使用半经验、半理论的方法,如防洪调度图等经验图表。本文介绍的调度方法更多是指利用水库历史水文数据与调度数据,采用数据挖掘方法生成调度规则。图6为在一般情况下不同阶段中采用的水库调度方式示意图。
　　其中时期的划分是相对的,不是绝对的,在时空间划分上也可以叠加或交叉。根据水库调度的特点,在水文数据挖掘体系中建立调度元数据表如表3,其中水库信息包括特征水位、初水位、入库流量等二级属性;水雨情信息包括上下游控制站降雨、流量、水位等;兴利信息包括工业、农业、生活用水等;调度信息包括历史调度中的供水满足率、弃水量等。
摘自： 　　
更多关于“流域水文数据挖掘体系研究”的相关文章
杂志约稿信息
& 南阳市网友
& 莆田市网友
& 金华市网友
& 广东省网友
& 广东省网友
& 河北省网友
& 大连市网友
& 广东省网友
& 哈尔滨市网友
品牌杂志推荐
支持中国杂志产业发展，请购买、订阅纸质杂志，欢迎杂志社提供过刊、样刊及电子版。
全刊杂志赏析网 2011自报式低功耗水文遥测系统的设计与实现　
□ 谢 君 赵 利
　　终端机采用PICl6F877作为核心芯片,具有以下优势:芯片集成了大量的外围部件,是低工作电压、超低功耗、高性能的微控制器,在3V@32kHz时典型值小于20μA,典型稳态电流值小于1μA,UART可扩展RS-485,发送数据以及编程扩展,I2C接口可作编程扩展,EEPROM可作数据资料寄存器,ADC可作欠压检测、掉电检测以及外部模拟量输入扩展,并有监控定时器WDT避免系统死机,芯片集成度高,整个板子只须另加RS-485驱动和DC/DC变换器芯片即可。
　　由于模块中既有+12V供电的模块又有+3.3V供电的模块,因此必须在电路中设计电压转换电路。考虑到FM发射机需要+12V供电,且降压电路易于实现,所以+12V部分采用直接供电,而+3.3V部分采用降压后的电源供电的供电方案。在DC/DC变换芯片的选择上,选用比较常用的LP2950来实现+12V~+3.3V的电压转换。LP2950是SIPEX公司推出的低功耗电压调节器,非常适用于一些电池供电系统,其具有低静态电流、低压差等特性,非常良好的负载及线路调节特性,适合做低功率电压源。
　　该设计留有压力式水位计扩展接口,可用于今后有扩展需求时进行使用。通过DIP编程开关可设置该机是否清零,定时发送水位还是雨量以及终端机站址的设置。为了方便维护,在设计中增加了强发功能,按动[send]键后,则终端机进入发送状态。此时发送过程与定时发送一样。硬件电路图如图3所示。
　　5　软件设计与实现
　　整个程序采用模块化结构,分为主程序和中断程序,包括基本的CPU时钟和外围模块的初始化,以及各功能模块的实现,如数据采集、数据处理、通信等。
　　主程序执行对定时器、串行通信等的初始化,系统的升级,收集、整理、发送数据等进程,最后进入省电模式,以中断服务唤醒CPU,主程序流程图如图4所示。
　　中断服务主要有雨量计数、水位数据采集、定时发送进程。定时从水位计上将水位数据读入,并加以分析,依分析结果确定是否把所读入的水位数据写入带有保护的数据存储区并发送。同样,当雨量信号到来时,雨量数据写入数据存储区中并发送。中断程序流程图如图5所示。
　　中心站的功能与结构
　　中心站由实时监控服务器、数据库服务器、通信设备、电源系统、防雷设施、软件系统等组成,含中心软件及洪水预报软件,能够集中遥测系统内各终端机的水文数据。
　　中心站主要完成以下功能:
　　实时显示水文信息。
　　实现各水文站、遥测站的雨量、水位信息的接收和存储。
　　实现水文水资源信息省中心或防汛部门、自动测报系统中心的自动传输。
　　提供实时水情分析及水情预警服务。
　　对站点任意时间的水位、雨量、日雨量和累计雨量信息的查询。
　　对所形成各种水文要素资料整编成表。
　　本设计和研究主要目的是为了进一步优化水文遥测系统的性能,通过使用这种新型芯片设计,降低遥测终端机功耗,实现终端机外围电路最简化,并留出了软件更新以及附加硬件设备的扩展接口,进一步提高了自报式水文系统的性能。实验结果表明,设计方案可行,系统工作稳定可靠,达到了预期目标。
摘自：　　
更多关于“自报式低功耗水文遥测系统的设计与实现”的相关文章
杂志约稿信息
& 南阳市网友
& 莆田市网友
& 金华市网友
& 广东省网友
& 广东省网友
& 河北省网友
& 大连市网友
& 广东省网友
& 哈尔滨市网友
品牌杂志推荐
支持中国杂志产业发展，请购买、订阅纸质杂志，欢迎杂志社提供过刊、样刊及电子版。
全刊杂志赏析网 2011