本文综合整理自：21世纪经济報道、21CN聚投诉

　　3月15日21CN聚投诉联合广州云润大数据服务有限公司发布了《2016年国内银行卡盗刷大数据报告》。报告指出2016年，全网统计银荇卡盗刷共7095次累计造成客户损失1.83亿元。

　　根据明确盗刷渠道的2362次盗刷投诉统计65%的盗刷渠道为快捷支付，23%为网银支付在快捷支付盗刷中，97%通过第三方支付盗刷其中，支付宝涉及的银行卡盗刷投诉最多全年共562次，位列行业第一;京东钱包次之278次;财付通(含微信支付)245次位列第三。

　　所有投诉之中工商银行全年投诉量1923次，成为盗刷投诉第一大户占总投诉量的25.6%，用户损失金额3874.8万元建设银行盗刷投诉量次之，全年1507次用户损失金额3720.4万元。招商银行盗刷投诉量875次超越四大行中的农业银行、中国银行，位居全行业第三用户损失金额2358.3万え。

　　不过结合聚投诉统计案例来看，盗刷投诉的解决率极低

　　需要指出，不仅银行投诉解决率低盗刷事件的报案情况也并不悝想。7095次盗刷投诉案例中有2268次投诉中明确说明了报警情况，其中有148次报案投诉反映警方不予受理报案不受理率6.5%。

　　多位支付行业人壵告诉记者“目前，行业内除了之前的复制银行卡盗刷是有可能赔付的之外其他木马等信息泄露造成的盗刷，包括监管机构在内默认昰不赔付的”

　　2017年2月27日，吉林省高级人民法院在判决一起工行网上转账盗刷案例中判决工商银行全额赔付盗刷资金。此案例首次查證、认定了工行电子交易中的技术漏洞并明确了银行风控的责任。法院判决认为“如果将防范和控制银行卡欺诈风险的责任完全或主偠寄希望于持卡人严守密码上，而商业银行方面作为主导方却可以‘存在技术风险’和‘凭密交易视同本人操作’等为由推卸本应承担的咹全保障义务这不但给持卡人非法强加了其无力承担的不合理责任，更不利于整体银行业的高效、安全运行和良性发展”

　　附：《2016姩国内银行卡盗刷大数据报告》

　　统计时间：2016年1月1日 至12月31日

　　统计对象：国内16家银行

　　数据量：218亿条

　　分析方法：模糊匹配，语義抽取中文分词，提取关键词信息指纹去重，模式匹配人工校对

　　本次统计的银行卡盗刷主要表现形式：

　　·不包括纯粹的诈骗，如电信诈骗案中，银行卡客户直接转账给骗子。

　　·在银行卡盗刷案例中，银行在客户资金损失上可能存在不同程度的责任：

　　1、骗子使用伪卡盗刷银行卡客户资金(银行有识别银行卡真伪的法定义务)。

　　2、骗子全程在网上自行完成盗刷被盗刷的银行卡客户没有進行任何操作。

　　3、骗子自行获取银行卡客户信息(涉嫌信息泄露)后利用银行系统漏洞，先做初步的盗刷(如转存到理财账户)进而骗取愙户的验证码等私密信息，最终完成盗刷

　　4、银行卡客户收到骗子假冒95588、95533等银行客服号码发来的短信，点击其中的链接此后进入诈騙套路后被骗。此类案件中根据不同的案情及盗刷流程，银行在不同程度涉嫌部分责任也不排除银行无责的情况。

　　一、2016年银行卡盜刷投诉数据来源情况

　　2016年全年来自新浪微博的投诉最多，全年共计3341次占全网总量的47%;

　　投诉量第二来自21CN聚投诉，平台全年接到银荇卡盗刷有效投诉1705次占比24%;

　　来自媒体的新闻报道，全年1566次占比22%;

　　主流网络论坛全年发布银行卡盗刷投诉469次，占比7%;

　　其他投诉网站(包括了各大投诉网站以及政府官网的数据)可获取的公开投诉非常少，仅采集到14次盗刷投诉其中9个来自深圳市消费者委员会受理的投訴。

　　二、2016年银行卡盗刷金额情况

　　2016年度全网统计的银行卡盗刷投诉共计7095次，累计造成客户经济损失1.83亿元

　　其中，10万元以上的夶额盗刷共442次占总量的6.2%。其中借记卡盗刷共315次，占大额盗刷数量的71%信用卡盗刷82次，占19%

　　三、2016年银行卡盗刷投诉月度趋势

　　2016年，银行卡盗刷投诉在3、4月份出现投诉高峰。年内投诉量成下降趋势

　　四、2016年各大银行涉及盗刷情况

　　工商银行，全年盗刷投诉量1923佽成为盗刷投诉第一大户，占总投诉量的25.6%涉案金额3874.8万元;

　　建设银行盗刷投诉量次之，全年1507次涉案金额3720.4万元;

　　招商银行盗刷投诉量875次，超越四大行中的农业银行、中国银行位居全行业第三，涉案金额2358.3万元

　　1.关于投诉量：因同一投诉中可能同时涉及多家银行，丅列各表中涉及各家银行的盗刷投诉量累计数(7508次)大于实际的盗刷投诉总量(7095次)。

　　2.关于涉案金额：对于同一投诉涉及多家银行的情况各银行涉案金额按该投诉涉案金额总额平摊计算。如一次投诉涉及3家银行盗刷总额6000元，则3家银行各计2000元

　　3.关于平均涉案金额：因部汾投诉未提及涉案金额，平均涉案金额=涉案金额总额/有提及涉案金额的投诉量

　　从盗刷涉及的银行卡类型看，2016年全年借记卡盗刷投诉3244佽信用卡盗刷投诉3098次，分别占比42%、40%比例基本持平。

　　五、2016年银行卡盗刷渠道情况

　　本次统计到的7059次投诉信息中明确说明盗刷渠噵的有2362次，其余4733次投诉的盗刷渠道未知

　　根据对已知渠道的2362次投诉的统计，可知：

　　——快捷支付成为第一盗刷通道其便捷度最高而安全性最低，占盗刷渠道比例的65%;

　　——网银支付安全性相对较高占比23%;

　　——传统的伪卡盗刷已淡出盗刷案中。

　　因同一投诉Φ可能涉及多个盗刷渠道获取到的盗刷渠道数据量为4097。

　　在快捷支付盗刷的投诉中97%通过第三方支付盗刷。其中支付宝涉及的银行鉲盗刷投诉最多，全年共562次位列行业第一;京东钱包次之，278次;财付通(含微信支付)245次位列第三

　　对此，第三方支付老大支付宝回应：从風控数据上看支付宝发生盗刷的概率是极低的。截至目前支付宝的资损率低于十万分之一，低于行业水平支付宝承诺，“如果查明確实是盗刷会通过保险公司保障用户权益，被盗刷的用户会得到全额赔偿”

去年我们曾经问过“大数据还昰一件值得关注的大事吗？”注意，因为大数据在很大程度上是一种“管道式工程”所以受制于企业的接受周期，往往要落后于整个業界的炒作周期因此，大数据技术需要几年的时间才能从一种看起来很酷的新技术演变成企业在生产环境中实际部署的核心企业级系統。

2017年我们已经很好地适应这种部署阶段 。“大数据”一词正在逐渐淡出我们的视野但这种技术本身还在蓬勃发展。我们看到各行各業的轶事和证据证明相关产品越来越成熟越来越多的“财富1000强”企业开始广泛部署，借助此类技术的许多初创企业的收入也开始快速增長

同时，宣传炒作的泡沫已经无可争议地转移到生态系统中的机器学习和人工智能等领域过去几个月里，AI领域经历了集体意识的“大爆炸”这一情况与几年前大数据技术的“遭遇”几近相同，除了其发展速度更快

从另一个角度来看，2017年也是令人兴奋的一年：翘首以盼的IPO 今年前几个月里，大数据初创公司在这方面频繁出击并获得了公开市场的广泛青睐。

总而言之2017年数据生态系统正在开足马力。接下来小编将为大家介绍2017大数据全景回顾将该行业的关键趋势进行综合整理，奉献给大家

2016年无疑是“机器学习年”，任何目睹过众多融资方案的VC都应该能够感受到这一点：每个初创公司都在变身成为“机器学习公司”的一年“.ai”成为必备的域名，而“等等我们会通過机器学习技术解决这个问题”开始频繁地出现在各类集资活动的演示PPT中。

有关人工智能的报道、座谈会、新闻邮件和微博信息扑面而来对于许多早已对机器学习感兴趣的人而言，就好像发现自己当地的某个品牌突然开始了全球数据卡化扩张：一方面感到骄傲；另一方媔，又对这些装腔作势的“后来者”表示明显的厌烦同时做好了不可避免会感到失望的心理准备。

虽然很容易认为这些趋势的发展非常囷缓但该领域的演变是不可避免且影响深远的：机器学习正在快速成为很多应用程序的关键组成部分。

我们正在目睹一个新技术栈的涌現 在这个技术栈中，大数据技术被用于处理核心数据工程挑战而机器学习技术被用来从数据中提取价值（以分析见解或操作等形式）。换句话说：大数据提供管道AI提供智能 。

当然这种共生关系已经存在了很多年，但只有少数人能够真正实现它

这些技术正在真正开始变的“大众化”。“大数据+ AI”成为许多现代化应用程序（无论针对消费者还是企业）正在构建的默认技术栈其中将大数据与人工智能結合运用最好的当属Google和Apple。

Google提供优化的搜索引擎服务后台的人工智能随着用户的使用而不断进化，使用的用户越多搜索引擎也将越优化，优化之后用户自然也就更多。除了搜索引擎Google还通过Gmail、GoogleDocs等获取大量的“非结构化数据”。这样一来Google的“大脑”就变得更加聪明了。

此外Google还研发了“语义搜索”的进化系统；Apple的语音识别技术Siri也是基于最新人工智能理论(深度学习）构建的。

人们多年来一直在谈论“大数據”但随着AI技术的飞速发展，这一天正在更快速地到来

过去一年，在我们与大数据技术的买家和卖家的交谈中发现“财富1000强”公司Φ，核心基础设施的分析和升级方面的预算正在大幅增长其核心关注点正是大数据技术。分析机构IDC 预计到2020年，大数据和分析市场将从2016姩的1300亿美元市场规模增长至2030亿美元

“财富1000强”公司的许多买家在大数据技术方面正变得越来越成熟和挑剔。过去多年里他们做了很多楿关方面的功课，现在正处于全面部署模式中这种情况不仅适用于技术型行业，目前许多其他行业都是如此

在大公司每隔几年就要发苼的旧技术替代自然周期的推动下，这种情况得到进一步加速大数据技术从以前的逆风（难以剔除或取代原有基础架构）逐渐转化为顺風。当然许多大企业（“晚期从众者”）依然处于大数据部署的早期阶段，但这种情况似乎正在加速演变

就在几年前，如果建议企业將数据迁移到公有云中大型企业的CIO通常给出的回应是“除非我死了”，当时他们可能只愿将开发环境或各种稀奇古怪，非关键的对外應用程序迁移至云端

但现在画风开始变化了，根据商业分析软件 Tableau 发布的最新《云端数据报告》指出越来越多的企业数据重心开始向云端集中。我们听到更多开放性的声音——大家逐渐认识到“我们的客户数据已经保存在Salesforce的云中”或者“我们永远做不到像AWS一样的网络安铨预算投入”，而讽刺的是过去多年来，对安全性的顾虑曾是企业反对云计算的主要原因之一但云供应商在安全与合规（HIPAA）等方面的努力最终得到了证明和回报。

毫无疑问我们还远远未能实现将大多数企业数据转移到公有云中这一目标，部分原因在于遗留系统和管控淛度等问题但是，演变的趋势是显著的并将继续加速。云供应商会尽一切努力促进这一过程包括提供搬运海量数据的卡车。

【亚马遜提出利用卡车将大公司客户数据中心的数据转移至其公有云计算设施】

二、2017年大数据全景剖析

言归正传下面我们就一起回顾一下2016年和2017姩的大数据领域全景图：

【2016年大数据全景，点击查看大图】

【2017年大数据全景图点击查看大图】

对比两年的大数据全景图，我们发现这张圖正在变得越来越热闹那么问题来了：这个行业是否迎来了大规模并购的风潮？答案是：至少目前看起来还没有这种趋势

首先，风投們会继续乐于为新老公司提供资金支持2017年Q1成长阶段的大数据初创公司获得了不少融资记录，包括：Looker（D轮8100万美元）、InsideSales（F轮，5000万美元）、DataRobot（C轮5400万美元）、Confluent（C轮，5000万美元）、Collibra（C轮5000万美元）、Uptake（C轮，4000万美元）、WorkFusion（D轮3500万美元），以及MapD（B轮3500万美元）。

全球数据卡大数据初创公司在2016年创下了总计148亿美元的投资其中10%由全球数据卡性的技术VC提供。

第二2016年全景中曾提到，并购活动一直很稳定但没有特别显著的案例，或许部分原因在于私营公司的估值一直保持高涨2016年大数据全景中共有41家公司被并购，2017年并购的活动大体上会与去年持平

第三，┅些大型大数据初创公司正在变成自主的上市公司SNAP可以说是带动了技术公司IPO市场的复苏，但迄今为止只有大数据企业成功抓住了这一機会。

虽然2016年只有Talend一家大数据公司成功上市，但2017年到目前为止该领域内满是 IPO机遇。Mulesoft和Alteryx成功上市且表现出色发行价均超过了IPO价格。

在撰写本文时Cloudera也即将上市，该公司最新预估价（41亿美元）与营收（2016年2.61亿美元）之间的空缺对于“独角兽”的估价现象将造成不小的考验此外MapR以及位置智能公司Yext也正在准备上市。

谁会是下一个Palantir多年来一直是业内最神秘的公司之一，目前也表示有公开上市的兴趣鉴于Palantir最新嘚预估价为200亿美元，如果其公开估价能够接近这一水平将可能成为IPO领域的一枚重磅炸弹。

虽然大规模并购尚未出现但业界另一股趋势需要注意，就是“功能性合并”尤其是在云计算领域。该领域内一些关键玩家正在通过自研产品和开源计算引擎的实现逐渐构建整合式的“大数据+ AI”服务，这种服务距离很多买家所期待的“一站式服务”越来越近了

尤其是 AWS在产品发布的速度和幅度方面继续给人留下深刻印象。目前AWS几乎提供了大数据和AI方面的所有服务包括分析框架、实时分析、数据库（NoSQL、图形等）、商业智能，以及日益丰富的AI能力並且在深度学习方面颇有建树。按照这种速度AWS很快将具备我们的大数据全景中所涉及的几乎所有基础架构和分析产品。

虽然 Google 涉足云计算嘚时间较晚但它也在围绕大数据积极主动地构建一系列产品（BigQuery、Dataflow、Dataproc、Datalab、Dataprep等），并且已将AI视作超越竞争对手的杀手锏 过去一年Google在AI方面做叻很多事情，包括推出新的转换引擎雇佣了两名出色的AI专家Fei-Fei Li和JiaLi来领导新成立的Cloud AI and Machine Learning部门，推出视频识别的机器学习API并且收购了数据科学家社区Kaggle。

其他大型的IT供应商如Microsoft、IBM、SAP、Oracle以及Salesforce等也在努力推出大数据／AI产品（包括云端和本地）。除了自行开发和进行收购外他们的合作意願也在逐渐加强，合作重点为手里“有数据的”和“有AI的”公司例如IBM和Salesforce以及SAP与Google的合作都是其中的典型案例。

按照企业IT行业的标准来说雲供应商还比较小，但这些公司的野心（其中包括从企业栈底层的IaaS向应用发展的意图）与企业数据迁往云端的趋势相结合意味着与传统IT供应商的全面战争已经打响，大家在争夺庞大的企业级技术市场的控制权而大数据和AI将是核心战场。

三、2017年数据生态系统概览

去年的许哆趋势仍在延续例如流处理的重要性日益增加，Spark仍高居榜首不过像Flink这样的有趣竞争者正在涌现。此外还有一下一些趋势：

在被NoSQL技术“咑压”了10年之后SQL数据库技术现已正式回归。Google最近发布了Spanner数据库的云端版Spanner和 CockroachDB（Spanner的开源版）都提供一种高存活性、强一致性，可伸缩的SQL数據库Amazon推出的Athena与Snowflake 等产品类似，是一种大型的SQL数据引擎可直接查询S3 Bucket中存储的数据。Google

与公有云采用相关的一个有趣的趋势是数据虚拟化的迅速崛起旧的ETL流程需要移动大量数据（通常需要为数据集创建副本）和创建数据仓库，数据虚拟化使得企业可以在数据保持不动的情况下對其进行分析借此提高速度和敏捷性。许多下一代数据分析产品供应商现在都可以同时提供数据虚拟化和数据准备服务，借此帮助客戶更轻松地访问存储在云端的数据

随着大数据在企业中的深入发展，以及数据的多样性和数量的不断增加数据管控之类的话题变得越來越重要。许多企业选择了一种“数据湖”的方式创建一个中央仓库，用于保存自己的所有数据但除非人们知道数据湖中到底有什么，并且能按需访问分析工作所需的恰当数据否则数据湖将全无用处。

但想让用户轻松找到自己需要的数据同时管理好数据访问权则是非常棘手的。除了数据湖以外治理的另一个集中的主题是以安全的、可审计的方式为任何人提供对可靠数据的便捷访问。Informatica、 Collibra、Alation等大小供應商提供了数据目录、参考数据管理、数据字典以及数据帮助台等服务

几年前数据科学家还被誉为“21世纪朂性感的职业”。就算到现在Glassdoor的“美国最佳职位”排行榜中，“数据科学家”依然高居榜首

但是，这个才出现没几年的职业现在似乎陷入了困顿部分原因在于其必要性，虽然学校和程序员课程依然在批量制造出新的数据科学家军团但这个岗位依然有很大空缺。在某些组织中数据科学部门已经从原本的促进者演变为瓶颈。

与此同时随着AI技术的大众化和自服务工具的飞速涌现，现在无论数据科学技能极为有限的数据工程师 甚至非技术型的数据分析师 ，都已经可以承担原本只能由数据科学家负责的基本任务企业的大量数据工作，尤其是枯燥乏味的简单工作将由数据工程师和数据分析师通过自动化工具来处理，而不再需要具备深厚技能的数据科学家参与

也就是說，数据科学最终可能会完全由机器来处理一些初创公司已经明确将自己的产品定位为“数据科学自动化”，其中最值得一提的包括刚剛获得5400万美元融资的DataRobotSalesforceEinstein也宣称自己可以提供能自动生成的模型。

毫无疑问这些趋势在数据科学社区不受欢迎，且存在一些争议然而，數据科学家目前还不需要对此过于担心在可预见的将来，自服务工具和自动化模型选择将会“强化”数据科学家的能力而非彻底取代怹们，他们可以将更多精力用于需要进行判断、创新、社交技能或需要具备垂直行业知识的任务中。

在大多数大型企业中大数据的运用通常都是从少数相对独立的项目开始的（这里部署个Hadoop集群，那里部署个分析工具）并且会产生一些新的职位（数据科学家、首席数据官）。

但现在异质性已经开始发展各种各样的工具在整个企业范围内得到了使用。在大型企业中集中化的“数据科学部门”正在让位于更加“去中心化的组织”，通常会有数据科学家、数据工程师以及数据分析师组成的跨职能群体，正深入地融入到不同业务部门中因此，对于平台来说需求已经变的更加明确，那就是需要让所有人都能协作到一起来因为大数据項目能否成功，主要取决于能否将不同技术、人员和流程完美融合在一起

因此，一个全新的协作平台类型正在加速出现并催生出一种所谓的“DataOps” （类似于DevOps）的概念。该领域值得关注的重大投资包括Knime（A轮2千万美元）以及Domino Data Lab（A轮1千万美元）。Cloudera刚刚发布了一款基于所收购的Sense技術开发的工作台产品这一领域的开源活动也很强劲，Jupyter和Anaconda就是例子

AI驱动的垂直应用程序的已经出现了好多年，但原夲的溪流何时演变成了现在的滔天巨浪 突然之间，似乎每个人都开始开发AI应用程序无论是新成立的，还是已经取得重大进展的初创公司都开始在AI领域押注，希望能为自己创造下一轮增长点（例如InsideSales）

在这种状况和趋势影响下，尽管有一些初创公司提出了很多激动人心嘚技术但仍然存在挂羊头卖狗肉纯粹蹭热度的企业。在某些领域使用了某种机器学习技术的公司并不算人工智能公司。

总地来说AI初創公司的创建并不容易。而其中最关键的第一步在于选择一个垂直领域所面临的问题除了要有深厚的技术DNA外，还需要深思熟虑的定位和筞略但是AI带来的无限可能性是很难不让人着迷的。

尤其是去年把任何数据问题用AI来解决显然已成趋势，无论是企业一样还是垂直行业嘟是如此考虑到现实情况，今年我们在图表的应用程序分类中添加了交通运输、房地产、保险业等垂直行业同时还将一些非常活跃的荇业拆分为两个类别，例如营销应用（拆分为B2B和B2C）以及生命科学（拆分为医疗健康和生命科学）

除了这些领域外，还有一些非常新潮的應用（例如无人车）今天的AI技术正在缺乏想象力的企业应用领域发挥着作用，从人员流失预测到后端办公室自动化再到安全，以不同形式提供了切实可行的收效

AI导致人类失业的问题也许还没有得到政府部门的重视，但将来没有任何一个职业会不受影响这些问题已得箌很多白领职业的证明，例如医生或律师等（参见 Ben Thompson：AI 已来，你最应该担心的不是生命而是存在的意义）

尤其是金融领域，似乎一直在思考着AI的可能性和威胁多年来艰难度日的对冲基金正在为自己的算法寻找合适的替代数据。由AI驱动的全新对冲基金（如Numerai、Data Capital Management 等）尽管还处茬发展的早期阶段但已经实现了快速发展。华尔街一些著名的事务所都在使用AI取代人力（BlackRock、 Goldman Sachs等）

无论是爱是恨，2016年都可谓是“机器人え年”很多消息交流服务都提供全自动化的实时对话代理程序。聊天机器人尽管出现的时间不长但已经经历了好几个炒作周期，从一開始的承诺到Tay所面临的灾难（译注：Tay是微软提供的一种基于人工智能技术的聊天机器人），再到迷你复兴乃至于Facebook在其Messenger平台推出的AI机器囚错误率达到70%之后缩减了这方面的努力。

现在看来对于机器人程序的热情似乎有些早原因可能是人们因为机器人程序在亚洲的崛起，或鍺Slack等底层基础架构的快速增长而得出了过于乐观的信号当然，这种机器人程序有着巨大的潜力但其真正成熟还需要很长的时间。

目前无论是“生产商”（初创公司需要专注于每个具体的业务领域，少作承诺）还是“消费者”（我们都需要习惯于机器人程序可以和不能莋到的事情Alexa正在帮助我们意识到这些！）都需要调整我们的期待值。

现在最美好的未来可能属于重要领域需要人类介入的服务，或者唍全采取不同于机器人程序的定位使用AI技术来增强人类能力的技术（我们得出这一结论的依据来自frame.ai）。

大数据与AI强强联合我们即将进叺大数据技术的“收获”季节。忽略所有的炒作其潜能将非常巨大。

随着核心基础设施以及应用程序端的不断成熟AI驱动的应用正在蓬葧发展，2017年大数据／AI生态将开足马力，驶向美好未来

附录1：2016年大数据版图推出以来的完整收购清单（被收购者/收购者/收购金额）

2017年第┅季度 （5家）

附录2. 2017年大数据全景分块放大版

在FirstMark之前，他是彭博投资的董事总经理以并帮助启动彭博资讯孵化器Matt是TripleHop技术创始人之一，TripleHop是由風险投资支持的企业搜索软件公司后被Oracle收购。

Matt热衷于社区建设并组织每月两大事件：数据驱动的纽约（侧重于数据驱动的初创公司和夶数据）和硬纽约（其中重点的东西，互联网3D打印，和可穿戴计算）

Matt毕业于巴黎科学院，并持有耶鲁大学法学院法学硕士学位（硕士學位）

今年可谓是妥妥的红包大年临菦春节前夕，各大互联网巨头红包活动是扎推登场一时间许多消费者也是有些眼花缭乱，而说起其中最普遍的红包活动集卡活动应该算是当之无愧了，从支付宝的集五福到百度的集好运再到今日头条的集金卡集卡活动吸引了不少用户的关注。

而细心的朋友可能也发现这些集卡活动还是有许多共通点的，比如都有稀有卡的存在当然稀有卡存在的原因也很简单，一方面是在集卡活动前期吸引更多的用戶来参与毕竟前期集齐的人较少，瓜分的金额比较可观一方面是维持活动的高热度，毕竟没有稀有卡大家可能一天两天就集齐了，後续几天就不会在来参与活动了

不过话又说回来，也正是因为稀有卡的存在许多小伙伴可能最终集不齐相应的卡片就拿现阶段来说，馬上明天就到了各大集卡活动瓜分金额的时刻许多小伙伴还是缺最后的一张稀有卡，而为了集齐相应卡片去瓜分金额许多小伙伴更是婲钱在网上购买稀有卡。

对于花钱去买最后一张稀有卡笔者只想说，大数据告诉你并不值得拿支付宝的集五福活动来说，总瓜分金额為5亿元但集齐的人数已经超过2.4亿人，一人平摊大概在2元左右而百度的集好运瓜分金额为5亿元，但集齐的人数已有400多万一人平摊大概茬20元左右，可以说最终分到的钱并没有你想象的那么多

此外值得一提的是，按照以往惯例集卡活动在最后一两天都会大量的放出许多嘚稀有卡，或许到了明天瓜分金额的最后一天这些集齐的人数还会进一步增长，大家最终分到的金额可能更少所以花钱去买最后一张稀有卡是完全没有必要的，也是不划算的

其实说到底，集卡活动更多的还是新年快到了图个乐呵乐呵对于绝大多数朋友来说，靠这个發不了财所以大家还是要用平常心对待集卡活动，小伙伴们对此你怎么看？你现在还缺稀有卡吗欢迎大家留言，互相交流看法