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
在用户从“接触产品”到“完成核心目标”的全链路中,流失是必然存在的——电商用户可能“浏览商品却未下单”,APP新用户可能“ ...
2026-01-14在产品增长的核心指标体系中,次日留存率是当之无愧的“入门级关键指标”——它直接反映用户对产品的首次体验反馈,是判断产品是 ...
2026-01-14在CDA(Certified Data Analyst)数据分析师的业务实操中,“分类预测”是高频核心需求——比如“预测用户是否会购买商品”“判 ...
2026-01-14在数字化时代,用户的每一次操作——无论是电商平台的“浏览-加购-下单”、APP的“登录-点击-留存”,还是金融产品的“注册-实名 ...
2026-01-13在数据驱动决策的时代,“数据质量决定分析价值”已成为行业共识。数据库、日志系统、第三方平台等渠道采集的原始数据,往往存在 ...
2026-01-13在CDA(Certified Data Analyst)数据分析师的核心能力体系中,“通过数据建立模型、实现预测与归因”是进阶关键——比如“预测 ...
2026-01-13在企业数字化转型过程中,业务模型与数据模型是两大核心支撑体系:业务模型承载“业务应该如何运转”的逻辑,数据模型解决“数据 ...
2026-01-12当前手游市场进入存量竞争时代,“拉新难、留存更难”成为行业普遍痛点。对于手游产品而言,用户留存率不仅直接决定产品的生命周 ...
2026-01-12在CDA(Certified Data Analyst)数据分析师的日常工作中,“挖掘变量间的关联关系”是高频核心需求——比如判断“用户停留时长 ...
2026-01-12在存量竞争时代,用户流失率直接影响企业的营收与市场竞争力。无论是电商、互联网服务还是金融行业,提前精准预测潜在流失用户, ...
2026-01-09在量化投资领域,多因子选股是主流的选股策略之一——其核心逻辑是通过挖掘影响股票未来收益的各类因子(如估值、成长、盈利、流 ...
2026-01-09在CDA(Certified Data Analyst)数据分析师的工作场景中,分类型变量的关联分析是高频需求——例如“用户性别与商品偏好是否相 ...
2026-01-09数据库中的历史数据,是企业运营过程中沉淀的核心资产——包含用户行为轨迹、业务交易记录、产品迭代日志、市场活动效果等多维度 ...
2026-01-08在电商行业竞争日趋激烈的当下,数据已成为驱动业务增长的核心引擎。电商公司的数据分析师,不仅是数据的“解读官”,更是业务的 ...
2026-01-08在数据驱动决策的链路中,统计制图是CDA(Certified Data Analyst)数据分析师将抽象数据转化为直观洞察的关键载体。不同于普通 ...
2026-01-08在主成分分析(PCA)的学习与实践中,“主成分载荷矩阵”和“成分矩阵”是两个高频出现但极易混淆的核心概念。两者均是主成分分 ...
2026-01-07在教学管理、学生成绩分析场景中,成绩分布图是直观呈现成绩分布规律的核心工具——通过图表能快速看出成绩集中区间、高分/低分 ...
2026-01-07在数据分析师的工作闭环中,数据探索与统计分析是连接原始数据与业务洞察的关键环节。CDA(Certified Data Analyst)作为具备专 ...
2026-01-07在数据处理与可视化场景中,将Python分析后的结果导出为Excel文件是高频需求。而通过设置单元格颜色,能让Excel中的数据更具层次 ...
2026-01-06在企业运营、业务监控、数据分析等场景中,指标波动是常态——无论是日营收的突然下滑、用户活跃度的骤升,还是产品故障率的异常 ...
2026-01-06