数据创新 | 数据应用不断迭代才能从未知到已知

何为未知? 是指产生一定的局限性，且处于一种迷茫的感知状态。

自人类文明诞生开始，我们就不断的突破我们的认知边界，实现从未知到已知的进化。随着大数据时代的到来，我们发现越来越多的事情可以被数据测量，被数据描述，被数据预知，我们正利用大数据的手段驱除认知迷雾，实现事物本质的洞察。

从未知到已知的过程，是一个数据分析过程。在大数据时代，首先我们建立了多维的数据中心，我们整合了时间、空间和各类属性的数据资源，通过数据应用我们建立了针对各类问题的分析方法，实现了各类问题的数据洞察。

但是，随着数据维度和广度的越来越丰富，我们针对问题的认知也越来越成熟。我们需要不断的进行数据应用迭代，以实现更接近问题本质的洞察。因此，大数据应用的不断迭代是「从未知到已知的探索过程」。

城市治理推进国家治理体系和治理能力现代化的重要内容，同时它也是一个很大的课题，我们一般很难下手或者无处下手，但是如果我们从小问题看大问题，你会发现我们可以很好地解决其中一部分或者大部分问题，基于违停数据的深度挖掘，为城市治理提供了具体的抓手，实现城市治理的从未知到已知。

首先，基于对违停数据的分析，我们可以发现城市的违停热点区域，这个可以辅助民警进行违停执法；

辅助违停车辆和驾驶员的结构分析，我们可以发现易违停人员，这可以辅助交通知识宣传和教育；

进一步，通过违停时间和区域结合周边停车资源、实有人口、实有房屋的多维分析，可以发现城市基建不合理的地方，这将辅助城市规划、交通设计等。

因此，基于违停数据的深度挖掘，我们让城市治理的很多未知到已知，让城市规划更合理、更人性。

黑车问题是城市管理的顽疾。传统的黑车整治依靠一线民警的围追堵截和市民的投诉举报，而基于车辆轨迹数据的深度挖掘，可精准识别疑似黑车，解决黑车识别的问题。通过海量卡口过车数据和营运车辆轨迹数据深度建模，构建1200+个营运车辆轨迹特征模型，通过与私家车轨迹的碰撞，有效识别非法营运车辆。

同时，结合城市运力分析和舆情分析，将黑车管理上升到城市运力管理维度，有效、合理地运用第三方运力资源，解决市民出行和黑车治理问题。

从基础黑车数据分析，到城市运力和市民出行问题，黑车数据治理提供了更大的场景，也正是黑车应用的不断迭代让交通管理从未知到已知。

金融领域应用大数据技术构建客户画像、预测客户行为，并据此防控风险、优化业务模式，已成为银行等金融机构顺应时代发展、增加竞争优势的必经之路。如何让金融数据风险管控从未知到已知，在数据中洞察有效的、有价值的信息，助力金融风险管控？成为当下各大金融机构的“强需求”。

利用知识图谱为某银行构建贷款风险防控和“合规审计”，通过知识图谱构建图数据库，进而发现关键轨迹和模型，洞察相关人员关系，包括亲属、社交、同事、交易、资产关系等。当用户拥有了客户关系库全局图，盲区被扫描，风险就会得到有效的控制，利用关系图谱中同事、业务、债务等关系，可以高效地挖掘虚假按揭贷款。

从知识图谱到关键轨迹发掘，最后完成关系图谱建设，能够有效地帮助银行防范潜在风险，完成盲区扫描。正是因为金融大数据的不断迭代，让风险管控从未知到已知。