京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代,重要的不是数据
大数据这个词,近几年来被各路人马“爆炒”。各种论坛、会议,言必谈大数据。“大数据”已经成为了商界的“网红”。跟风说上两句“大数据”就似乎是贴上了“时代先锋”的标签。2017年博鳌论坛也未能“免俗”,“大数据”再次现身,不过,这次来了一群天天与大数据打交道人,他们的观点却是——大数据时代,重要的不是数据。
数据是国家基础性战略资源,推动大数据应用,加快传统产业数字化、智能化,做大做强数字经济,将为我国经济转型发展提供新动力。2017年初,工信部编制并正式印发了《大数据产业发展规划(2016-2020年)》,目标到2020年,大数据相关产品和服务业务收入突破1万亿元,年均复合增长率保持30%左右。
数据的价值和应用前景毋庸置疑。在博鳌分论坛上,现场众多企业领袖表示,在大数据的应用模式上,基于用户行为分析、行为理解、行为预测的客户深度洞察,将数据封装为服务,形成对外开放、可商业化的核心能力,将带来商业模式的巨大创新。
新变革:为消费金融打开“数控”大门
大数据的普及需要创新技术的推动,如何把海量数据赋予使用价值,落实到应用场景,充分发挥大数据分析的价值是论坛的焦点。
腾云天下CEO崔晓波认为,数据的价值是能够变成企业决策的艺术。他举了一个案例,2013年他在为某股份制银行的用户做行为分析时,发现这个银行的信用卡高端客户游戏属性很重,便和休闲游戏的公司合作进行联合营销,用积分兑换游戏虚拟币,后来发现用户转化率高得惊人。这样的尝试在“大数据时代”来临之前,是没有人会想到的
“大数据”并不是竞争力,“大数据的有效应用”才是。尤其是在中国消费升级的大潮中,随着消费金融的井喷式增长,如何利用大数据人工智能技术对消费场景、业务渠道、客户群体和风控等进行综合标准的把控,显得尤为重要。
作为中国消费金融的领跑者,平安普惠一直在积极探索大数据在其普惠业务中的应用。平安普惠副总裁兼首席市场官徐汉华分享了企业的实践经验,平安普惠依托自身在消费金融及小微企业金融服务领域累积的丰富经验,借鉴国际消费信贷行业的领先技术,凭借平安集团及第三方平台的大数据智能运用,实现无纸化全线上审批流程,并且利用数据建模、心理测量、人脸识别、微表情、时空地图等反欺诈技术为客户量身绘制信用画像,让更多人更快、更好、更方便地获得金融服务。
最新公布的中国平安集团年报显示,2016年平安普惠的新增贷款量达1,729.19亿元,同比增长257.7%,期末管理贷款余额1,466.40亿元。自开展业务以来,累计借款人总数达到377万,累计贷款量达2,719.97亿元,其中无抵押贷款量1,753.64亿元,有抵押贷款量966.33亿元,信贷损失率控制在低位的单位数。
数据价值已经越来越受重视,特别是在金融企业业务转型时期,基于数据的业务及内部管理优化使得金融领域的大数据应用市场规模在未来几年将以高于整体水平的速度增长。
新价值:破局智能风控,是企业的命门,也是社会责任
我国市场规模大,消费需求旺盛,未来越来越多的数据将被记录和整理,用户的行为信息日益丰富和完善,预测分析必定会成为大数据时代的关键技术。
“数据帮助我们更快地发现现象背后的洞察,可以让我们做更多有价值的事情。”微软全球资深副总裁、微软亚太研发集团主席、微软亚洲研究院院长洪小文说。
在我国,互联网金融行业整体环境和风险水平逐渐趋好,但行业风险仍需防范。而准确的预测分析恰恰能帮助金融机构降低因欺诈、信用违约风险导致的坏账风险,达到有效的“大数据风控”。
利用大数据人工智能技术,用海量冗杂的基础数据建立底层模型,从用户个人的消费和信贷行为中衍生出复杂的变量,最终塑造出高度精细化的风险控制模型,用以评估授信额度和还款能力,合理放贷,规避金融风险,从而促进行业良性发展。由此,数据的新价值被释放。
徐汉华坦言,在海量数据里甄别有效的信息,洞察数据背后的逻辑,采取相应风控手段是对客户和企业负责的一种体现。对于客户,匹配还款能力的授信额度才能避免征信受损,真正给客户带来金融的便利。而对于企业,风控是这个行业赖以生存的根本,只有把控好信贷损失率,才能保证企业持续发展,构建更好的信用环境。
大数据协防金融风险,推动行业的可持续发展,帮助用户理性地选择贷款产品,培养健康的消费金融意识,或为我国金融系统乃至全社会信用体系的建设,提供有益参考。
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在数据驱动的建模与分析场景中,“数据决定上限,特征决定下限”已成为行业共识。原始数据经过采集、清洗后,往往难以直接支撑模 ...
2026-01-06在Python文件操作场景中,批量处理文件、遍历目录树是高频需求——无论是统计某文件夹下的文件数量、筛选特定类型文件,还是批量 ...
2026-01-05在神经网络模型训练过程中,开发者最担心的问题之一,莫过于“训练误差突然增大”——前几轮还平稳下降的损失值(Loss),突然在 ...
2026-01-05