
大数据金融风控助力小微企业
近年来,伴随互联网金融的蓬勃发展,如何依托大数据技术优势对轻资产、高成长的小微企业进行风险评估和贷款服务,成为供应链金融服务的关键一环。积极探索大数据在互联网信用风险方面的应用,对于解决小微企业融资难有哪些突出的优势?开展企业信用评级的大数据获取来源又有哪些?如何来平衡数据采集和企业隐私二者的关系?针对大数据金融风控领域的一些热点话题,记者采访了数联铭品科技有限公司董事长兼CEO曾途。
记者:大数据金融风控平台对于解决小微企业融资难的突出优势有哪些?
曾途:如何解决小微企业融资难是一个世界性难题。小微企业是经济发展的“轻骑兵”,其工业总产值占中国经济总量的60%以上,提供了75%的城镇就业机会,是中国实现经济转型的重要力量。但是,小微企业一般轻资产,财务不规范、信息不透明,传统的银行信用评估模式难以全面刻画和评估小微企业的风险,使得小微企业的融资难题长期得不到解决。而大数据的金融风控,主要从以上融资痛点着手,打造 核心优势(爱基,净值,资讯)。
其一,自动化完成小微企业的在线信用评估。大数据技术通过增加对小微企业评价的维度,开拓不同数据来源,整合“银行信贷数据”、“政府数据”及“外部公开数据”共同构成企业行为大数据,据此来还原企业真实经营的行为特点和经营状况。尤其对于轻资产的小微企业,在没有信贷记录的情况下也能通过全息风险画像进行信用水平的全面评估,有效识别信用风险,降低小微企业融资成本,扩大小微企业融资覆盖面,促进小微企业发展。
其二,实现针对小微企业的“纯线上”信贷操作。在此模式下,小微企业无需任何担保,可通过信用评分来获取信用贷款。将企业贷款的申请、审核、放款等流程逐一放在线上进行,极大降低了向传统金融机构贷款流程的周期性。通过大数据征信,小微企业可快速便捷申请到贷款,同时放贷款的银行也可通过金融风控模型来对借贷人的经营数据进行分析,实现贷后的实时监控,解决对小微企业贷后跟踪难、成本大、风险高的问题。此外,小微企业贷款的特点是“高频”、“小额”,传统方式来处理人工成本很高,大数据可以降低人工成本从而为小微企业降本增效,解决融资贵难题。
记者:利用大数据开展企业信用评级的过程中,大数据获取的来源有哪些?您如何看待平衡数据采集和企业隐私保护的关系?
曾途:在做互联网金融风险控制过程中,大数据需要打破信息的孤岛,在授权合规的前提下,整合传统的银行数据、政府数据、企业行为数据和场景数据。数据来源涵盖工商、税务、法院、征信等管理部门的数据以及包括银行自身的经营数据积累。未来风控平台的数据来源,也将在授权合规的前提下,拓宽至社保、水电等更多维度,通过大数据平台的遴选,提升企业诚信经营标准,进而达到良币驱逐劣币的结果。
大数据较传统的机构化数据而言,具有体量大、种类杂的特点,在对企业进行画像的过程中,按照不同维度需加载几千甚至上万个独立标识。数据引入多,难免会碰触企业敏感数据边缘。但需指出的是,任何组织或个人在采购或使用数据服务时,都需要一套合适的数据服务框架作为评估标准。就数联铭品而言,首先,在技术体系内,我们执行业界最严格的数据安全的标准,做到数据的分级分类,包括结构化数据和非结构化数据,公开数据和私有数据,做到隐私数据不出库,公开数据拿进来。同时还要按照整个业务流程的标准,严格执行数据“脱敏”。此外,在整个执行数据的流程当中,我们接受业界最严格的监管,从而确保信息安全。
记者:近年来科技金融是业界的热点话题,数联铭品在大数据金融风控领域还有哪些创新模式,从而为中小企业更好地服务?
曾途:金融的核心离不开风控,而数据本身是金融风险最本质的东西。时至今日,数据已经成为金融业的核心基础设施。大数据技术作为一种科学工具,提高了我们用数据去解决金融风险问题的能力。在目前的 新经济(爱基,净值,资讯)时代,新经济企业具有高成长、轻资产、重研发投入的特点,按照传统风险评估和银行传统授信模型,这类企业是没有资产信息的,这在全球范围内都是一个难题。利用企业行为大数据代替资产信息,对这类新经济企业和金融行业进行评估,可为我国的金融服务机构创造一个新风险管理的蓝海。
为了更好地服务这类企业,我们力图从信用风险、市场风险和操作风险三个层面发力,打造新的金融数据框架。比如我们已经推出集“数据+平台+应用”三位一体的大数据信用评估解决方案,对金融大数据进行了创新诠释,对企业经营行为进行风险基因(DNA)刻画和分解。此外,还创建了商业反欺诈平台的创新模式,利用大数据通过信息追踪构建特殊风险识别模型,从而辅助商业运营实体与政府监管机构甄别、预警重大金融、财务及法律风险。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29