
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
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01