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
在企业数字化转型过程中,“业务模型”与“数据模型”常被同时提及,却也频繁被混淆——业务团队口中的“用户增长模型”聚焦“如 ...
2025-11-20在游戏行业“高获客成本、低留存率”的痛点下,“提前预测用户流失并精准召回”成为运营核心命题。而用户流失并非突发行为——从 ...
2025-11-20在商业数据分析领域,“懂理论、会工具”只是入门门槛,真正的核心竞争力在于“实践落地能力”——很多分析师能写出规范的SQL、 ...
2025-11-20在数据可视化领域,树状图(Tree Diagram)是呈现层级结构数据的核心工具——无论是电商商品分类、企业组织架构,还是数据挖掘中 ...
2025-11-17核心结论:“分析前一天浏览与第二天下单的概率提升”属于数据挖掘中的关联规则挖掘(含序列模式挖掘) 技术——它聚焦“时间序 ...
2025-11-17在数据驱动成为企业核心竞争力的今天,很多企业陷入“数据多但用不好”的困境:营销部门要做用户转化分析却拿不到精准数据,运营 ...
2025-11-17在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10