
大数据征信显优势:贷款获批率提升3倍 大规模普及有望
业内人士认为,未来无论是用芝麻信用,还是融360的大数据风控服务,5万元以下的小额贷款申请将有可能完全在线化,不再需要人工的审核流程,因而速度将极大地加快。人工审核一般需要一周以上才能放款;纯线上审核可以做到10分钟以内。这将意味着贷款在线化有望得到大规模普及。
除了贷款审批速度实现了突破,贷款获批率也得到显著提升,同一类用户,用抵押物、收入流水证明等粗放式的传统风控方式,贷款获批率在15%左右,而使用大数据征信结合人工操作后获批率可以达到45%以上。
互联网金融搜索平台融360日前宣布,融360与蚂蚁金服旗下的第三方征信机构芝麻信用已经建立了数据上的战略合作。这是融360在今年5月初成功开发和运用“天机”大数据风控系统之后在探索互联网大数据征信实践上的又一进展。
融360负责风控的副总裁李英浩向记者描述了通过大数据征信将使在线小额信贷迅速发展的前景。他说,假如你需要5万元左右的资金短期周转,不必再劳时费力去银行或小贷公司申请了,只需要靠自己常年累月攒下来的信用,凭借第三方征信公司提供的信用分,就可以在融360等在线金融平台上贷款了。而且最快10分钟审批、24小时放款,省时省力省成本。由于大数据风控的运用,未来小额信贷的应用场景将发生极大的变革,将近万亿元的小额信贷市场因此正在成为各大在线金融服务商争夺的潜在市场。
今年年初,央行已印发《关于做好个人征信业务准备工作的通知》,要求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。业内人士预计,到6月底,经央行批准后,这8家民营机构将有望获得筹建第三方征信机构的资质。
现在融360与芝麻信用建立数据上的战略合作,无疑将有助于双方的优势互补,在开展互联网大数据风控和征信业务实践上取得较快进展。李英浩表示,融360拥有丰富的用户借贷行为数据,结合芝麻信用的征信数据(个人信用数据),使得融360的“天机”大数据风控系统更加高效,对借款人可以很快地计算出放贷金额。
据了解,芝麻信用推出的中国首个个人信用评分“芝麻信用分”,主要接入了阿里巴巴集团的电商数据和蚂蚁金融的互联网金融数据以及公共机构的数据,运用大数据及云计算技术,客观评估并呈现出个人的信用状况。
芝麻信用采用国际上通行的信用评分方法,最低350分、最高950分,这与美国FICO分(300分至850分)相似,分数越高代表个人信用程度越好,违约可能性越低。该服务主要包含了用户信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度。人们在日常生活中点点滴滴的行为,通过长期积累,这些行为轨迹和细节,可以全面反映其信用状况。
统计数据显示,截至2013年底,央行银行个人征信系统中收录有信贷记录的自然人约3.2亿,还不到全国总人口数的1/4,远远满足不了借贷市场的需求,很多没有信用卡或从未跟银行发生借贷关系的人群很难获得信贷服务。而在美国,征信体系的覆盖率已经达到了85%。
商业大数据征信的兴起,将改变这一状况。融360的创始人、CEO叶大清向记者表示,“2015年是互联网征信元年。6月份8家商业征信公司将有望拿到央行颁发的牌照,补充央行征信记录的不足。”他透露,融360正广泛地和国内外各类征信机构洽谈合作,其中一些合作项目已经启动。商业征信数据结合央行征信数据,能够让广大草根人群,例如自由职业者、个体户、小微企业主、学生等人群有机会在线借贷。
芝麻信用相关负责人表示,芝麻信用分主要分为金融和非金融两类应用场景,非金融会在免押(租车、住宿)、后付、证明(签证、交友)、分享经济(比如小猪短租)方面加大投入。而金融类则需要加强同相关借贷数据提供方合作。在线金融搜索平台融360独有的数据源是芝麻信用一个天然的合作伙伴。
据了解,融360过去三年半积累了大量的信贷用户数据,帮助用户成功获取了超过3000亿元贷款。在借款人访问数据、用户申请资质信息、网站行为数据、批贷信息和贷后信息方面拥有强大的优势。
业内人士认为,未来无论是用芝麻信用,还是融360的大数据风控服务,5万元以下的小额贷款申请将有可能完全在线化,不再需要人工的审核流程,因而速度将极大地加快。李英浩介绍说,人工审核一般需要一周以上才能放款,慢的可能两个月;纯线上审核可以做到10分钟以内。这将意味着贷款在线化有望很快得到大规模普及。
据介绍,除了贷款审批速度实现了突破,贷款获批率也得到了显著提升,同一类用户,用抵押物、收入流水证明等粗放式的传统风控方式,贷款获批率在15%左右,而使用大数据征信结合人工操作后获批率可以达到45%以上。至于贷款的逾期率,以12个月违约风险举例,通过“天机”风控模型筛选的用户,逾期率比没有经过筛选的低一半。
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