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
CDA数据分析师 出品 作者:李诗怡 1. 用户标签体系 定义: 通过一系列高度精炼的特征标识,对用户属性、行为与偏好进行量化刻画 ...
2026-09-24Pandas是Python生态中用于表格数据处理的核心库,广泛应用于数据清洗、统计运算、报表输出、数据分析建模等场景。在处理极大数值 ...
2026-09-24随着数字经济快速发展,数据已成为核心生产要素,各行各业的业务沉淀、用户行为、设备运行、市场交易均产生海量数据。数据处理作 ...
2026-09-24 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-09-24在时序数据分析中,大部分业务数据并非持续平稳变化,而是会在某些时间节点出现突然抬升、断崖下跌、趋势反转、波动异变等现象, ...
2026-09-23在统计学与数据分析中,研究多组数据差异最常用的方法为单因素方差分析与事后多重比较。很多数据分析初学者容易混淆两者功能,认 ...
2026-09-23 很多数据分析师每天都在写 SQL,但当被问到“DQL 的本质是什么”“SELECT 子句的书写顺序与执行顺序为何不同”“INNER JOIN ...
2026-09-23 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-09-22CDA数据分析师 出品 作者:李诗怡 1. 金字塔原理 定义: 一种“先总后分、先结论后原因”的思考和表达方式。顶层为核心观点,中 ...
2026-09-22数据收集是数据分析、数据挖掘与数字化运营的源头工作,数据收集的完整性、准确性、时效性直接决定后续数据分析结果的可信度与业 ...
2026-09-21箱线图是数据分析中用于识别数据分布、判断离散程度、筛查异常值的核心图表。相比于直方图、趋势图,箱线图可以精准区分正常数据 ...
2026-09-21 很多数据分析师精通Excel函数和数据透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么 ...
2026-09-21在数据库数据查询与数据分析工作中,日期时间是最常用的数据类型之一。原始数据库中存储的日期格式多为标准时间戳、年月日时分秒 ...
2026-09-20在时序数据分析中,增长率是衡量数据涨跌幅度、研判发展趋势、识别周期波动的核心指标,主要分为环比增长率与同比增长率。传统Ex ...
2026-09-20 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-09-20CDA数据分析师 出品 作者:李诗怡 STP模型(营销战略三步法) 定义: 现代营销战略核心框架,通过市场细分(S)、目标市场选择( ...
2026-09-18在互联网产品迭代、运营优化、界面改版与策略升级过程中,主观经验判断容易造成决策偏差、盲目改版、资源浪费等问题。AB实验(AB ...
2026-09-18 很多企业并不缺少指标,缺少的是让指标“串起来、动起来、用起来”的体系。零散指标像散落一地的珠子,指标体系则是那根把珠 ...
2026-09-18在电商行业精细化运营时代,流量红利逐步消退,粗放式投流、广撒网营销模式已无法适配市场竞争需求。依托用户点击、加购、收藏、 ...
2026-09-17在数据可视化与数据分析工作中,图表是将零散数据转化为直观业务规律的核心工具。不同图表拥有专属的数据逻辑与分析维度,能够从 ...
2026-09-17