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
箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26在数字化浪潮下,数据分析已成为企业决策的核心支撑,而CDA数据分析师作为标准化、专业化的数据人才代表,正逐步成为连接数据资 ...
2026-01-26数据分析的核心价值在于用数据驱动决策,而指标作为数据的“载体”,其选取的合理性直接决定分析结果的有效性。选对指标能精准定 ...
2026-01-23在MySQL查询编写中,我们习惯按“SELECT → FROM → WHERE → ORDER BY”的语法顺序组织语句,直觉上认为代码顺序即执行顺序。但 ...
2026-01-23数字化转型已从企业“可选项”升级为“必答题”,其核心本质是通过数据驱动业务重构、流程优化与模式创新,实现从传统运营向智能 ...
2026-01-23CDA持证人已遍布在世界范围各行各业,包括世界500强企业、顶尖科技独角兽、大型金融机构、国企事业单位、国家行政机关等等,“CDA数据分析师”人才队伍遵守着CDA职业道德准则,发挥着专业技能,已成为支撑科技发展的核心力量。 ...
2026-01-22在数字化时代,企业积累的海量数据如同散落的珍珠,而数据模型就是串联这些珍珠的线——它并非简单的数据集合,而是对现实业务场 ...
2026-01-22在数字化运营场景中,用户每一次点击、浏览、交互都构成了行为轨迹,这些轨迹交织成海量的用户行为路径。但并非所有路径都具备业 ...
2026-01-22在数字化时代,企业数据资产的价值持续攀升,数据安全已从“合规底线”升级为“生存红线”。企业数据安全管理方法论以“战略引领 ...
2026-01-22在SQL数据分析与业务查询中,日期数据是高频处理对象——订单创建时间、用户注册日期、数据统计周期等场景,都需对日期进行格式 ...
2026-01-21在实际业务数据分析中,单一数据表往往无法满足需求——用户信息存储在用户表、消费记录在订单表、商品详情在商品表,想要挖掘“ ...
2026-01-21在数字化转型浪潮中,企业数据已从“辅助资源”升级为“核心资产”,而高效的数据管理则是释放数据价值的前提。企业数据管理方法 ...
2026-01-21在数字化商业环境中,数据已成为企业优化运营、抢占市场、规避风险的核心资产。但商业数据分析绝非“堆砌数据、生成报表”的简单 ...
2026-01-20