Dữ liệu phi cấu trúc, có thể là dữ liệu thô từ các bài báo và báo cáo nghiên cứu, hoặc hình ảnh được đăng trên phương tiện truyền thông xã hội, đang tăng lên theo cấp số nhân. Trên thực tế, người ta dự đoán rằng hơn 80% tất cả dữ liệu mới được tạo ra ở định dạng phi cấu trúc, nhưng chưa đến 1% của tất cả dữ liệu phi cấu trúc được phân tích hoặc sử dụng theo bất kỳ cách nào.

Quá tải dữ liệu phi cấu trúc này đang trở thành một vấn đề ngày càng tăng đối với các tổ chức tài chính. Đối mặt với quá nhiều dữ liệu đến dưới nhiều hình thức khác nhau, nhiều tổ chức chỉ đơn giản là không biết bắt đầu từ đâu để biến nó thành thông tin hữu ích và có thể hành động.

Rõ ràng, tiềm năng ra quyết định đang bị lãng phí do quá tải dữ liệu. Do đó, không có gì ngạc nhiên khi những người trong các tổ chức tài chính đang ngày càng dựa vào AI để giúp họ ra quyết định với dữ liệu phi cấu trúc.

Các công cụ mới do AI hỗ trợ có thể tổng hợp, truy vấn, phân tích và tận dụng dữ liệu phi cấu trúc để tiết lộ thông tin chi tiết sâu sắc trong thời gian kỷ lục. Hãy cùng xem xét cách các công cụ này đang cung cấp giá trị và giúp các tổ chức tài chính biến đống dữ liệu phi cấu trúc thành quyền ra quyết định.

Trích xuất thông tin chi tiết có ý nghĩa

Các giải pháp phân tích dữ liệu lớn mới nổi sử dụng công nghệ máy học (ML) có thể phân tích cú pháp thông qua dữ liệu để xác định thông tin quan trọng. Những công cụ này cho phép các tổ chức tài chính, đặc biệt là các công ty quản lý đầu tư khám phá những hiểu biết kinh doanh quan trọng nằm trong dữ liệu phi cấu trúc, mang lại cho họ lợi thế cạnh tranh ngay lập tức so với các đồng nghiệp không tận dụng AI theo cách này.

Các công cụ phân tích này có thể khám phá thông tin chi tiết mới về thị trường, cho phép các nhóm tại các công ty quản lý đầu tư hiểu sâu hơn về các doanh nghiệp và ngành, cho phép họ đưa ra các quyết định đầu tư và giao dịch tốt hơn.

Ví dụ: ngay cả sau khi một công ty quản lý đầu tư đã thu hẹp toàn diện số lượng tin bài cần thiết để xem xét, vẫn có thể có hàng nghìn văn bản để đọc trong suốt một tháng. Thêm giải pháp ML ở đây sẽ giúp người quản lý danh mục đầu tư xác định những câu chuyện nào có liên quan nhất dựa trên ngôn ngữ và cách diễn đạt sắc thái trong văn bản. Nó sẽ cung cấp cho mỗi bài báo một điểm phù hợp và tiết kiệm cho PM vô số giờ mà họ đã phải bỏ ra để đọc hết các bài báo.

Trên thực tế, HSBC gần đây đã đưa ra chỉ số đầu tư dựa trên AI “đầu tiên trên thế giới”, chỉ số này rà soát dữ liệu phi cấu trúc từ các nguồn như tweet, hình ảnh vệ tinh, các bài báo hoặc báo cáo tài chính. Công cụ hỗ trợ ML này cho phép các nhà phân tích hiểu rõ thị trường nhanh hơn và phạm vi rộng hơn hàng nghìn lần so với khi sử dụng các phương pháp thủ công trước đây.

Tiến hành phân tích tình cảm

Thuật toán ML xử lý dữ liệu phi cấu trúc cũng có thể tiến hành phân tích cảm tính để hiểu được sự đồng thuận của giới truyền thông về một chủ đề. Quá trình này thông minh hơn các phương pháp truyền thống, chỉ đơn giản là đếm sự xuất hiện của một số từ nhất định (ví dụ: “tuyệt vời”, “kinh khủng” hoặc “thảm họa”), thay vào đó chúng có thể tính đến ngữ cảnh và từ đồng nghĩa, đồng thời trích xuất ý nghĩa có khả năng nhất từ ​​văn bản . Điều này đặc biệt quan trọng trong lĩnh vực tài chính, nơi mà các từ có ý nghĩa độc đáo. Ví dụ, từ “phó” thường có nghĩa tiêu cực, nhưng trong tài chính, việc sử dụng “phó” có thể là trung lập vì nó đề cập đến “phó chủ tịch” hoặc một vị trí tương tự.

Trong một nghiên cứu điển hình, J.P. Morgan đã tận dụng các công nghệ Xử lý ngôn ngữ tự nhiên để phân loại ngôn ngữ trong hàng nghìn báo cáo bằng văn bản và xây dựng một bức tranh đầu tư rộng rãi. J.P. Morgan Research đã thử nghiệm thuật toán của mình (được đào tạo trên 250.000 báo cáo của nhà phân tích) trên hơn 100.000 tin bài liên quan đến thị trường chứng khoán toàn cầu với mục tiêu hướng dẫn các quyết định đầu tư cổ phiếu sắp tới. Bộ phân loại đã dẫn đến kết quả mạnh mẽ và khả năng hoạt động tốt hơn của các chỉ số điểm chuẩn.

Khi các mô hình này được chạy trên một kho tin tức lớn về một công ty hoặc chủ đề, chúng có thể tạo ra một mô tả định tính về các khía cạnh khác nhau trong giọng điệu của người viết. Ví dụ: một thuật toán có thể cho bạn biết tổng thể các câu chuyện tích cực hay tiêu cực và các bài báo cụ thể tích cực như thế nào khi so sánh.

Ví dụ, giả sử giám đốc điều hành của một doanh nghiệp đã trả lời phỏng vấn về một thông báo của công ty mới. Một giải pháp ML có thể giải quyết những vấn đề như cảm nhận của các nhận xét của CEO là tích cực hay tiêu cực hơn năm trước, hoặc liệu họ có cảm thấy tự tin hay không.

Điều này đặc biệt hữu ích cho các công ty quản lý đầu tư. Công cụ phân tích tâm lý sẽ không chỉ phát hiện khi một trong những công ty trong danh mục đầu tư của họ có tin tức, mà còn khám phá ra cảm xúc của các câu chuyện. Nếu công ty được đưa tin vì những lý do sai lầm, công ty có thể nhanh chóng hành động để giảm thiểu tác động đến các khoản đầu tư, ví dụ: bằng cách thay đổi kích thước vị trí của họ đối với các khoản nắm giữ bị ảnh hưởng.

Sử dụng các công cụ phân tích cảm xúc và xử lý ngôn ngữ tự nhiên theo cách này là một cách quan trọng để các tổ chức tài chính thu được giá trị từ hàng núi dữ liệu công khai mà họ có quyền truy cập. Trên thực tế, các quỹ định lượng tận dụng các phân tích nâng cao đã được chứng minh là hoạt động tốt hơn các quỹ tùy ý về mặt doanh thu, theo một báo cáo năm 2019 của McKinsey.

Việc ra quyết định dựa trên dữ liệu lớn là rất quan trọng trong ngành dịch vụ tài chính, cho dù đối với một ngân hàng truyền thống, công ty khởi nghiệp fintech hay công ty quản lý đầu tư. Chỉ bằng cách tìm ra những cách thức sáng tạo để tận dụng dữ liệu phi cấu trúc, các tổ chức tài chính mới có thể đưa ra những quyết định sáng suốt nhất có thể và thực sự tạo nên sự khác biệt so với những quyết định không có cấu trúc.

BÌNH LUẬN

Vui lòng nhập bình luận của bạn
Vui lòng nhập tên của bạn ở đây