
大数据应用如此深入 征信为何还不成熟
即将在贵阳举办的2017中国国际大数据产业博览会,已经升级为全国唯一以大数据为主题的国家级博览会。与往届大会相比,今年的“数博会”除了规格上升以外,在对大数据产业的解读上也将更加深入。
如今,大数据的应用除了传统的金融、电信、制造等行业外,在社交、电商等领域的应用也逐渐深入。马云在接受外媒采访时甚至表示:“芝麻信用也可以做谈恋爱的资本,丈母娘对未来女婿说,你要和我女儿谈恋爱,给我看看你的芝麻信用评分。”
不过,在丰满的理想背后却是骨感的现实。目前,央行个人征信中心依然是国内唯一的个人征信机构。
早在2015年1月,央行官网就曾公布《关于做好个人征信业务准备工作的通知》,要求包括芝麻信用管理有限公司、腾讯征信有限公司等8家机构做好个人征信业务的准备工作,准备时间为6个月。几乎所有的人都认为这八家机构将成为我国首批商业征信机构时,两年多的事件过去,征信牌照依然没有着落。
对此,中国人民银行征信局局长万存知日前表示,没发牌照的原因有三:1、遭遇互联网金融整顿;2、个人信息保护意识增强;3、八家机构与市场需求和监管要求差距较大。不仅如此,万存知还列举了八家机构存在的三大问题:1、各自信息不共享;2、存在利益冲突;3、对征信的理念和规则了解不足。
应该说,这些原因和问题都是客观存在的。征信体系的建设更多是一个公益行为,而不是商业行为,它需要不同的机构和个人分享自己的数据,进而推动整个整个体系的完善。但对于背靠不同企业的第三方征信机构来说,商业利益如何在征信体系建设过程中获得一定意义上的平衡至关重要。正因为如此,不同机构对于自身数据看得非常重要,生怕对手掌握了这些数据,进而使自己失去竞争力。
如果说企业还需要在商业利益和企业利益上平衡的话,对于个人来说,如何保障个人隐私数据的安全就变得更加重要。尤其在今天,互联网和移动互联网的高度成熟,使得人们对于个人隐私的保护空前关注。因为从理论上讲,如果互联网巨头通过对自己搜索行为、社交网络中的聊天记录、电子商务平台上的购买记录和收货地址等等综合在一起,那么人们将毫无隐私可言。不过,对于这些涉及个人隐私的信息,各个平台都拥有良好的保护体系。可一旦加入到征信体系中,哪些数据可以为征信服务,哪些属于个人隐私数据需要保护,这样的边界仍然需要严格界定。
其实,很多时候,第三方征信机构也希望与更多的数据源进行合作,以补充自身在数据上的短板,其中央行征信局就是一个核心,因为央行掌握着每个人的金融数据,这些对于金融行业的大数据征信发展意义重大;不仅如此,第三方征信机构也希望与政府、司法、公安等众多部门进行信息共享,以便掌握更多的关键数据,比如一个人有没有违法记录、有没有经济纠纷等等,这些数据同样非常有价值。这很大程度上也牵扯到一个信息公开的问题,如果整个社会的大数据不能共享,而是分散到一个又一个部门、企业中,依据不同数据所勾勒出的征信体系都不是完善的。
而从大数据的技术角度来讲,征信体系的建设和完善早已经不再是一个难题。只是,哪些数据进入征信体系,哪些不能进入,如何保护个人隐私等等,这些原则性问题不能很好的解决,征信体系的完善也就不能实现。
事实上,大数据征信从来都不是一个单纯的技术问题,而是政治问题、军事问题、经济问题、制度问题……要解决这些问题,一方面需要各方加强信息的开放和共享,打破信息孤岛;另一方面也需要监管部门制订明确的界限和细则,对征信数据的共享和使用给出明确的边界;甚至,有必要依托不同的监管部门和商业组织,组建征信体系的国家队,与现有的央行个人征信中心互相合作、互为补充,切实推动征信体系的完善。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10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 ...
2025-09-02