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
在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-05-21在数据驱动决策的时代,数据质量直接决定分析结果的可靠性与准确性,而异常值作为数据清洗中的核心痛点,往往会扭曲分析结论、误 ...
2026-05-20 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-05-20Agent的能力边界,很大程度上取决于其掌握的Skill质量和数量。传统做法是靠人工编写和维护Skill,但这条路很快会遇到瓶颈。业务 ...
2026-05-20在统计分析中,方差分析(ANOVA)是一种常用的假设检验方法,核心用于分析“一个或多个自变量对单个因变量的影响”,广泛应用于 ...
2026-05-19 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-05-19想高效备考 CDA 一级,拒绝盲目刷题、冗余学习?《CDA 一级教材知识手册》重磅来袭!以官方教材为核心,浓缩 13 章 103 个核心考 ...
2026-05-19在数据统计分析中,卡方检验是一种常用的非参数检验方法,核心用于判断两个或多个分类变量之间是否存在显著关联,广泛应用于市场 ...
2026-05-18在企业数字化转型的浪潮中,很多企业陷入了“技术堆砌”的误区——上线了ERP、CRM、BI等各类系统,积累了海量数据,却依然面临“ ...
2026-05-18