京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据将如何改变征信领域
21世纪,互联网、移动互联网、3D打印、人工智能……正如摩尔定律所言,人类的科技革新发展迅速,其中大数据的发展潜力最被看好。大数据的概念非常火爆,但少有人真正理解大数据的核心内容,一个普遍而且严重的误解就是:大数据=数据大,即大数据就是量大的数据。但实际上,大数据的核心在于数据的交叉与流动。
亚马逊前任首席科学家Andreas Weigend将数据比喻成新的石油,在信息社会,随着大数据、云计算、物联网、移动互联网等新技术及相关的创新应用不断加快,海量数据正在政务管理、金融业风控、产业发展、城市治理、民生服务等众多领域不断产生、积累、变化和发展。正如国际咨询公司麦肯锡所说:“数据,已经渗透到当今每一个行业和业务职能领域,成为重要的生产因素。”我国的数据应用资源也正和土地、劳动力、资本等生产要素一样,成为促进中国经济稳定增长的基本要素。
目前,我国互联网、移动互联网用户规模居全球第一,拥有丰富的数据资源和应用市场优势,大数据部分关键技术研发取得突破,涌现出一批互联网创新企业和创新应用。可是,数据之间的交叉融合非常少,信用数据源的割裂是当前影响我国大数据应用和拓展的主要障碍。
对于P2P行业来说,大数据在征信领域作用重大,对P2P平台的核心竞争力是一大考验,国内外都有一些企业正在从事大数据征信的研发、实验乃至实践工作。值得关注的是,目前国内金融行业中成功运用大数据做风控的企业,只有阿里小贷等少数几家。他们主要是通过卖家累计的海量交易信息及资金流水,在几秒内完成对商家的授信。在数据征信领域还是存在很多问题,利用大数据进行风险控制任重而道远。
依赖大数据风控主要靠及时更新的数据和对客户的约束力来实现其有效性,这两个因素也被称为“闭环数据”。尽管年初央行同意8家个人征信机构进行数据的收集,但由于数据库往往涉及平台的核心竞争力,在没有建立起相应的激励机制的情况下,大多不愿意共享。
另一方面,P2P行业的信用数据获取渠道极其有限,个人信用数据部分依靠借款用户自行提交,部分依靠平台上门征集,对借款主体的信用数据征集工作占据了P2P网贷平台的大量人力物力,造成了一定的运营成本压力和管理压力。
美国利用数据进行征信的发展历程与其背后的逻辑对于我国发展征信行业具有一定的借鉴意义。美国信用局协会(CDIA)制定了用于个人征信业务的统一标准数据报告格式和标准数据采集格式,且正在将美国征信数据的标准推广至其他国家,以促进征信体系的全球化发展。除金融相关数据外,电商、电信业、零售业的数据也正在纳入征信体系。
美国征信市场的特点可以用12字概括:专业分工、边界清晰、各司其职。整个征信体系分为机构征信和个人征信,其中机构征信又分为资本市场信用和普通企业信用。个人征信方面,先由美国三大征信局益百利(Experian)、爱克菲(Equifax)美国环联(TransUnion)进行数据处理,然后再由FICO Score和Vantage Score等评分机构进行信用评级,最后应用到实际的金融环境之中,已形成一条成熟的核心产业链。
另外,美国通过立法和行业共识,其数据征信体系也形成了相对统一的标准。以“个人征信”为例,其内涵由“5C1S”定义:品德(Character)、能力(Capability)、资本(Capital)、条件(Condition)、担保品(Collatera)、稳定性(Stability)。同时,信用的边界也得到了明确的刻画,即对于用来量化信用的数据基础形成了共识。
从历史发展路径来看,美国的大数据征信也是先经历了野蛮生长,然后理智整合。在这个过程中,应用场景的拓展、技术的进步和法律法规的完善起到了关键性的推动作用。由于我国利用大数据进行征信还处于初级阶段,央行授权开展个人征信业务的8家征信机构也没有形成成熟的产业闭环,如何协调相关的征信机构与数据源机构,使得基本的信用信息能够共享,这需要两类机构之间互相合作与博弈,也需要政府层面能够做出适当引导,以便早日打破僵局。
令人欣喜的是,加快大数据部署,深化大数据应用,已成为稳定我国经济增长的内在需要和必然选择。最近国务院印发了《促进大数据发展行动纲要》,其中最引人注目的就是开放政府数据和推动产业创新。这是我国第一次把发展大数据上升为国家战略,对推进落实“中国制造2025”和“互联网+”国家战略、促进大众创业、万众创新,推动经济和社会发展具有重要意义。
大数据带来的新服务模式和资源分析处理能力,将带动产业技术研发体系的创新,推动跨领域、跨行业的融合和协同创新,在促进新兴产业快速发展的同时带动传统产业的协同发展,为建设国内信用社会、行业创新提供有力支撑,重塑国家竞争优势
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12