国际清算银行在新发布的年度报告中明确警告，全球经济金融正在发生脱节。经济金融脱节的核心原因在于，经济复苏对扩张性政策形成了较强的路径依赖，全球经济失衡有所缓解却并未根本解决，增长模式愈变未变，结构调整始终举步维艰。
如果说危机留下了诸多教训，那么，最重要的一条就是，任何貌似光鲜的“独立”表现都是危险的。全球化是一个共生共荣的过程，危机之中，经济金融的关系是唇亡齿寒，金融危机不可避免的带来了经济衰退；危机之后，经济金融的关系则是唇齿相依，经济复苏和金融发展理应亦步亦趋。
但情况却并非如此，2014年6月29日，BIS(国际清算银行)在新发布的年度报告中明确警告，全球经济金融正在发生脱节。
具体来看，经济金融脱节体现在三个方面：第一，金融市场和经济增长表现脱节。全球经济弱复苏正在成为新常态，无论是发达国家，还是新兴市场经济体，都呈现出增长速度低于趋势水平以及数据表现弱于市场预期的双重特征，但弱复苏伴随着强市场，全球股市和债市同步走强，市场波动性下降，投资者风险偏好趋强。
第二，金融资本和实体经济供需脱节。金融是经济的血脉，经济扩张产生的资金融通需求才是货币供应增长的根本动力，危机后，全球先后经历了三波货币宽松浪潮，但实体经济投资增长却十分缓慢。
第三，经济复苏和风险管控彼此脱节。危机是金融风险集中爆发的结果，危机的根本化解需要金融风险的有效消融，虽然2010年以来全球经济始终处于复苏的大趋势之中，但金融体系并没有在良好的经济环境中实现风险管控的效果提升，经济复苏在推进，全球债务风险和市场风险却居高不下，甚至不降反升。
经济金融脱节的核心原因在于，经济复苏对扩张性政策形成了较强的路径依赖，全球经济失衡有所缓解却并未根本解决，增长模式愈变未变，结构调整始终举步维艰，而从思想上看，全球政策制定者也没有意识到，脱离经济基本面改善的金融繁荣，不仅不是利好，反而构成了对经济稳健复苏的重要威胁。
实际上，全球范围内，经济金融脱节的威胁正在悄然形成：首先，经济金融的双向支持作用不断下降。一方面，扩张性政策、特别是宽松货币政策的政策空间越来越小，而在产出缺口缩小的背景下，宽松货币对经济复苏的边际刺激效应也越来越弱，通胀效应逐步压过产出效应，经济复苏依赖宽松货币的老路越走越窄；另一方面，金融市场的脱节式繁荣不仅没能给实体经济增长提供足够的资金助力，反而一定程度上对实体经济产生了抽水作用，而羸弱的实体经济也难以支撑金融市场的持续走强，金融体系的脆弱性风险悄然滋生。
其次，两种不利于复苏大局的恶性循环初露端倪。一是弱复苏和政策短视的恶性循环。当全球经济复苏进入弱复苏的新常态，一些主要国家政策当局又走回政策刺激的老路，结构调整难以得到深入推进，而恰如BIS在年度报告里强调的，当前全球经济复苏的长期动力来源已从需求侧转向了供给侧，短视性政策无法提振全要素生产力，进而无力将全球经济带出弱复苏的泥沼。
二是复苏差异性和政策内视性的恶性循环。在全球经济弱复苏的新常态下，发达国家和新兴市场之间、发达国家之间以及新兴市场国家之间的三种分化都在加剧，而经济基本面的和而不同导致政策的自然协同不复存在，不同国家的经济周期出现短期错配，引致其经济目标发生短期冲突。为争夺弱复苏新常态下有限的利益，各国政策的内视性加大，而内视性政策的流行势必将冲淡全球化氛围、加大政策协同难度，进而给全局复苏带来更深一层的压力。
最后，风险从压抑到爆发的模式更趋激进。全球经济金融的脱节对市场产生了麻痹作用，尽管实体经济表现羸弱，但美国股市不断创出历史新高，大多数主要股市也都表现不错，全球债券市场也在牛市之中。
如此背景之下，全球经济不断加大的增长风险，始终存在的结构风险，以及近来急速升温的地缘政治风险，都没有受到市场重视，波动率降到绝对低位，市场保持着较高的风险偏好。
值得注意的是，不被重视的风险并不会自己消失，在不断积聚之后总会达到一个无法被忽视的量级并开始集中爆发，这种积聚后的集中爆发往往会造成黑天鹅事件、甚至局部金融危机。经济金融脱节导致市场风险失去了渐进缓释的机会，这反而加大了全球经济金融运行的不规则性和不确定性，对复苏有害无益。
文/新浪财经专栏作家 程实
(本文作者介绍：经济学博士，盘古智库学术委员，著有《多元化退潮：数据背后的经济真相》、《盗梦空间与亚当斯密：电影与经济的思想共鸣》等专著。)
本文整理自桑文锋在消费金融沙龙上的精彩分享，演讲主题是《大数据分析——如何消除金融不确定性》。
“信息是用来消除不确定性的东西。”——香农《信息论》
“大数据的本质，就是通过信息消除不确定性。”——吴军《硅谷之谜》
桑文锋非常认同这两点，引入更多的信息，可以消除更多的不确定性，这就是为什么信息是重要的。显然大数据是更多的信息，在数据处理上可以在业务中起到更多作用。
数据到底能做什么？一点是数据驱动决策，另一点是数据驱动人工智能。
数据驱动决策主要是 BI 方面，不论是做产品改进、营销、运营监控、商业决策，都是通过收集更多的数据，让决策变得更加有效，而非拍脑袋凭感觉。
数据驱动产品智能方面更多体现数据价值，驱动决策只能发挥 20% 的价值。基于数据改进产品，数据的价值远远大于几张报表。驱动产品智能更多称为 AI 人工智能，智能就是在数据的基础上，通过一些策略算法，例如深度学习，得出结果，把结果回归到产品里，产品本身具有学习能力就是一种智能。
数据处理的第一步是数据采集；第二步是数据建模，整合数据模型；第三步是通过数据模型做数据分析；最后一步是做指标。
第一步 数据采集
数据采集原则
数据采集离不开数据源，这是桑文锋八年百度构建数据平台的经验之谈。数据分析出问题，往往是数据本身收集不够好，基于如此的基础上建高台，肯定是不稳定的。基于随心所欲的需求出业务报表，就会发现日后的想法没有数据支撑。如何把数据源整好？原则就是大、全、细、时。
大”强调宏观的“大”，而非物理的“大”。大数据不是一味追求数据量的“大”，比如每天各地级市的苹果价格数据统计只有2MB，但基于此研发出一款苹果智能调度系统，就是一个大数据应用；
“全”强调多种数据源。大数据采集讲求全量，而不是抽样。除了采集客户端数据，还需采集服务端日志、业务数据库，以及第三方服务等数据，全面覆盖。
“细”强调多维度数据采集，即把事件的维度、属性、字段等都进行采集。如电商行业“加入购物车”的事件，除了采集用户的 click 数据，还应采集用户点击的是哪个商品、对应的商户等数据，方便后续交叉分析。
“时”强调数据的时效性。显然，具有时效性的数据才有参考价值。
数据采集方式
数据采集方式共有三种：第一类是通过界面配置采集的可视化埋点；第二类是通过前端和后端将核心逻辑的数据信息、维度信息记录下来的代码埋点；第三类是人工审核数据，实时、批量引入的辅助工具导入。
第二步 数据建模
数据建模阶段，许多人对数据分析存在一个很严重的错误理解：将数据库当成数据仓库使用。这将导致三个问题。
业务人员难以理解，无法直接使用复杂的数据库，或者业务数据经常改变，达不到人人皆可用数据的状态，效率降低。
常规数据库性能降低。常规数据库无法很好地支持大批量数据或长时间跨度数据分析。
数据不全，无法灵活组合做分析。
第三步 数据分析
针对用户的运营情况，我们有不同的模型进行专业分析，如用户分群、漏斗分析、留存分析等。之所以可以做到专业化、标准化，是因为前期数据基础采集与建模工作的专业，使数据分析工作变得容易。
第四步 指标
把业务常关注的东西指标化，是数据分析的正确思想。金融行业天然跟数据打交道，在获取信息的过程中，大家需要围绕业务建立指标体系，如获客渠道、用户激活情况、复投复购率、交易数据、引荐奖励等，这些指标也都体现在了 AARRR 模型中。
案例一 渠道优化
金融类产品的获客成本还是相对较高的，渠道分析非常重要。以互金行业融 360 为例，融 360 作为一个连接贷款机构的中间平台，肩负桥梁作用，贷款机构的许多数据不能做到实时交互。如果广告推广只能跟踪到点击行为，无法跟踪转化与消费，就会缺失核心数据，所以要进行渠道分析。
如上图，将用户的价值数据打通，为公司提供可以全景观察的数据，在渠道分析层面，市场部门通过对效果转化的分析来判断广告取舍，从而让每一分钱都花的更有价值。
案例二 产品优化
互联网金融产品业务复杂，产品更需优化。举个例子，某产品有一个拉新的理财项目，新人第一次使用返利 9.9%，很多人在使用过程中发生了获取验证码失败的问题，用户只能流失，并且还容易损伤产品口碑。这个例子充分说明了拉新容易留存难的事实。细致监控用户注册、转化、激活过程，优化产品功能，让用户体验到产品的优势，有助于用户留存。
案例三 用户流失
用户流失率是每个产品的核心指标之一。每一个用户都是企业花钱“买”来的，拉新成本非常高，企业更希望用户在自建平台上持续活跃，而非每次都要通过广告跳转过来。这也是自建平台的核心价值之一：为用户提供落地页，减少营销成本。甚至我们还希望用户引荐身边的人，进一步降低获客成本。对用户进行详细的留存分析和流失分析，可以及时找到运营问题环节，对用户“查漏补缺”。
优质运营的本质是不断细分，针对不同的用户使用不同的策略。最极端的案例就是个性化运营，每一个人都拥有定制版本。传统银行业务通常采用这种方式，但是互联网用户过多，所以需要用有限的设备和工具做精细化运营。
神策数据的产品神策分析有三个特点：
私有化部署，帮助金融产品保障数据源头安全。
基础数据采集与建模，为客户梳理搭建数据基础。
PaaS 平台深度开发，帮助金融产品对接自有的系统。