京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据运用,银行和互联网机构谁才是专家
有人曾这样评价,对大数据的运用,银行和“大理王子”段誉的风格类似,空有一手好牌,却不会使用,只知道傻傻得守着一个“王姑娘”,至于互联网机构,则过于“乔峰”,有些鲁莽,不仅亲手害死了心上人阿朱,最终也跳崖自尽。
应该说,这两个比喻虽然牵强,但也大致描述出了银行与互联网机构在大数据运用上的特点,在前两天的普惠金融CRO全球峰会上,来自银行、互金以及第三方机构的多为专家给出了自己的观点。
针对银行与互联网的数据,孰优孰劣的问题,积木盒子首席风控官谢群表示:“银行虽然掌握了大量优质数据,但却没有能够将这些数据尽其用。”
一方面,数据管理的样本较少,模式比较单一。前者很好理解,许多银行在与客户交互的过程中,获得了许多优质信息,比如最基本的还贷信用,还有账户的流水等情况,但绝大多数时候,却只知道紧紧抱着一个“还贷信用”对客户进行评价,这类单一监控目标对象“历史状况”的方式,会很难预测到改变的发生。比如流水,就是一种即时、连续性的跟踪监控,能够比较迅速的反映出借款人、借款企业目前所处的收支状况,并可以在一定程度上预测未来可能暴露的风险。
对此,平安银行风险管理部首席风险专家张京也强调:“谈大数据前,银行首先要学会使用自己的小数据。”
张京表示,道德风险是银行大数据需要解决的重要问题。例如平安银行某个客户,在申请信贷的时候,提交的流水表看起来十分完美,数据也十分健康,但平安银行却发现了一个细节:该份流水表使用的农行的表单,但却是建行的格式!换句话说,这份流水表是伪造的。
张京介绍,每个银行自己的流水等重要表项,格式都是“加密”的,即有着自己的特征,而这是绝大多数银行都有能力发现但并未去主动校对的,倘若平安银行也没有进行此种检查,那么上述贷款即被“骗”出去了。
而诸如此类被遗忘的“小数据”银行还有很多,倘若能够真正利用好,毫无疑问,将避免很多损失。
另一方面,谢群直言,“银行毕竟有监管,有些数据不方便用,不合适用。”当然,这是每个国家都存在的问题,特别是金融体系逾发达的国家,对银行等相关机构数据使用的监管逾严密。因为这些机构拿到的往往是用户特征十分明显的核心数据,少有不慎便有可能触碰隐私的红线。
与银行相比,互联网机构之所以存在更大的空间去进行“自由组合”,创意出新的征信产品,在于它们拿到的数据比较模糊,可以、也不得不这么做。
正如笔者在曾经引用FICO中国区总裁陈建观点,大数据同样有贫矿富矿之分,银行毫无疑问掌握着最为丰富的资源,而互联网机构,则要在剩下的茫茫大地中“淘金”。当然,在这一大浪淘沙的筛选过程中,留下的除了少量金子外,更多的,则是铜铁锡等价值较低但同样有用的东西,互联网公司们的工作,正是对这些东西进行加工再挖掘。
比如目标对象的借记卡记录,日常缴费记录,多平台购物消费记录,生活习惯,兴趣爱好,甚至朋友们对他的评价,等等等等。
银行与互联网两个途径获得的数据,特别是征信数据,存在很强的互补性,最直接的,他们覆盖的人群不同。
拍拍贷首席风险官章峰给出了一个生动的例子:“中国有许多亿的人群属于次级客户,收入较低,无房无车,这类人群没有被银行覆盖。假设一个富士康工人,他如果要去平安或者光大等银行借五千块钱,我想是借不到的,银行根本没有这个业务。而包括拍拍贷、积木盒子在内的新兴互联网公司,正是瞄准了这样一批蓝海,跟银行进行互补。”
平安银行张京则给出了一组数据,“中国14亿人口,6亿人拥有信用卡(也拥有借记卡),4亿人拥有借记卡,那么这接近十亿人即有一定授信基础,且6亿人的基础高于4亿人。”
相比银行,互联网金融公司在有一定基础,但不是非常强的“只有借记卡”的四亿人这部分群体身上,可以发挥更大的作用。
正如上文提到,互联网机构所获得的数据都是“非标数据”。益博睿全球分析与策略咨询大中华区总监黄健铭给出过几个有趣的案例:“有些公司采纳的征信数据很有意思,比如飞机的里程数、移动电信联通的申请。”当然,一个同样有意思的问题是,这些数据真的能够作为征信的基础么?
在借贷市场中,往往存在这一一个“诡异”的现象,某家公司通过正常途径在银行得到了10万贷款,然后凭借着10万贷款的证明到小贷公司继续贷款。
小贷公司之所以会将“银行贷款单”作为一种征信工具,在于他们认为银行调查过的客户,肯定是优质客户,却往往忽略了一个事实——该企业的资信的确可以承受10万元的贷款,但如果金额增加的话,风险暴露的可能也会急剧加大。当然,这一现象也说明了市场对银行数据的过分依赖,对“非标”的不信任。
而且,第三方征信的效果到底怎样,也值得商榷。某保险集团负责人曾给出几个数字:“在接受了某第三方征信机构的筛选标准后,损失率可能下降30%,但却需要拒绝60%的客户。”孰轻孰重,很难抉择。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13