
大数据为征信开辟一片蓝海
征信是一片蓝海,无论是传统金融机构,还是民间金融机构、草根金融机构,都需要征信数据为其风险控制保驾护航。从这个角度来看,这种需求是无限的。然而,征信的发展也是一场长跑,不论是生产数据、收集数据,都需要很长时间的积累。
2015年一开年,央行下发《关于做好个人征信业务准备工作的通知》,要求包括芝麻信用管理有限公司、腾讯征信有限公司、中诚信征信有限公司在内的8家征信企业做好个人征信业务的准备工作,令业界一片欢欣鼓舞。此后,对于个人征信的讨论持续高涨,从1月19日举行的2015年第二届互联网金融全球峰会上座无虚席的大数据征信专题会场可见一斑。
征信市场发展空间大
毫无疑问,中国的征信发展空间还很大。“我觉得中国征信业黄金发展期马上就要到了,也许下一个风口会是征信。”拉卡拉征信CEO徐彦之表达了对中国征信业未来发展的信心。腾讯征信总经理吴丹认为,在美国,征信体系的覆盖率达到了65%到70%,而目前我国央行征信体系的覆盖率在25%到30%,即覆盖3亿左右的人群。“如果按照美国的渗透率计算,中国的征信市场还有5亿人群的市场发展空间。”
个人征信市场的放开,无疑使征信体系向市场化方向迈进了一步,而以“大数据”为主要特点的个人征信企业,将在征信体系中发挥更加积极的作用。
“大数据的特点,第一是数据的指向性。即它提取的数据是有指向性的,是针对某一个群体的。第二是数据的威力性。威力性是指可以将数据信息转化为信息资源。”南京大学商学院副院长裴平认为,“大数据给我们带来的是金矿。”将消费者在互联网上的海量、多样的行为数据加以采集、组成、挖掘和应用,最终提炼出消费者信用信息,转化成可用的资源。
从另一个方面来看,互联网征信对国家倡导的普惠金融的发展有着积极的推动作用。吴丹表示,借助互联网征信能够帮助缺少因使用信用卡等金融工具而形成的信用报告的草根群体获得金融服务。
个人征信仍面临诸多挑战
尽管市场发展前景好,但不可否认的是摆在个人征信面前的还有诸多挑战。中智诚征信公司总裁李萱直言,数据的合规使用是当前个人征信面临的挑战之一。国内缺乏与征信相关的个人隐私法等法律,在法律真空下,是否能够使用这些数据,如何合法合规使用数据是征信公司面临的共同挑战。徐彦之对此也补充道,信息主体、信息授让人、信息使用者以及征信方,四方的责任、隐私界定等问题尚未明晰化,“在制度层面,我们希望把这些事情落实,能让征信机构更好地去发展,同时也需要我们一同去促进征信环境的健康发展。”
除了制度、法律上的挑战,数据的交换、整合、使用方面也受到规则不明的制约。北京华道征信常务副总童邗川认为,大数据无疑能够助力征信发展,但在现阶段,数据的收集、数据的整合规则尚未制定。“相关规则由国家层面出台制定,还是由机构自己发起形成未有定论。”他直言:“没有一定的规则,很难能够做到真正的征信。”
此外,在操作层面,徐彦之认为,行业不够统一、标准化的数据,影响了大数据的整合速度和进程。对此他倡议,各行业建立起统一的数据标准,共创行业共生环境。
未来之路任重而道远
相较英美等成熟征信体系,国内的征信体系仍处在起步发展阶段,虽然前景广阔,但要真正做起来,仍有很长的路要走。
安硕信息总裁高勇表示,征信是一片蓝海,无论是传统金融机构,还是民间金融机构、草根金融机构,都需要征信数据为其风险控制保驾护航。从这个角度来看,这种需求是无限的。然而,征信的发展也是一场长跑,不论是生产数据、收集数据,都需要很长时间的积累。因此,如果想要公司长久经营下去,要有一整套完善的数据生产、采集、分析机制才可以。
徐彦之用“任重道远”四个字来形容征信行业的未来发展之路。“到目前为止,国人对征信的理解,仅仅在于信贷征信的初级阶段,我们还有很多工作要做。”
征信与每个个体利益密切相关,征信公司肩负着不可忽视的社会责任。芝麻信用高级专家杨光表示,“真正进入这个行业之后,觉得其实大家的利益都是相关的,所以要更加稳妥地去创新。”在6个月的时间里,我们会做好包括投诉受理,安全保障等各方面的准备工作。徐彦之则表示:“对于8家企业来说,历史使命感和社会责任也许会远远大于商业价值,相信我们8家企业会从各个角度,不同维度去影响市场。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09