
开启大数据金融发展新时代
在互联网金融时代到来之时,企业、民众、政府都呼唤信用体系和风险控制系统的产生,而这个系统、体系的唯一出路就是大数据
日前,贵阳大数据金融信用体系建设和风险控制系列活动在贵阳隆重举行。互联网金融已家喻户晓,但确定本次会议主要议题时,我们意识到,如果谈到信用体系建设和风险控制,必须谈大数据。在过去几年里,我们在互联网金融发展方面,看到了几种现象:
第一种就是以电子商务为代表的一些互联网企业进军金融领域,在无抵押、无担保的情况下,从事金融服务。他们为什么可以做到无抵押、无担保,因为他们有大数据的支撑,他们的风险是可以得到足够控制的。
第二种就是传统的金融企业积极拥抱互联网,用互联网手段提升金融服务的范围和水准。但不少传统金融机构举所擅长的、原有的信用体系和风险控制不适应互联网时代的需求,特别是对中小客户金融服务能力较弱。于是传统金融企业也呼吁用大数据增强服务能力,建立信用体系和风险防范。
第三种是一些不法企业打着互联网的旗号,做非法集资、传销事情。他们号称叫“互联网金融”,实际上是用互联网作为一个沟通渠道进行非法集资,给社会造成了巨大的伤害。事实上我们要反思,在互联网金融时代到来之时,政府对此类P2P、互联网金融等监管手段是否足够。于是,企业、民众、政府都呼唤互联网时代的信用体系和风险控制系统的产生,而这个系统、体系的唯一出路就是大数据。
贵阳在大数据和金融体系对接上,进行了四个方面的探索:
第一,帮助互联网企业在征信基础上做普惠金融。贵阳有一家企业拥有全国最大的专项综合服务平台,具有较好业务和风险管控模型,以针对货车司机金融产品为合作切入点,开发消费金融产品,提供专项高速ETC个人贷款业务,提供零售金融服务。最近,该企业又和国内某大型银行合作,致力于以刚需及风险较低的业务为突破口,逐步构建货车司机群体的信用体系,构建物流全方位融合的生态信用体系,这套体系建立以后,平台货车司机不需要担保就可以获得金融服务。
第二,帮助传统金融企业通过大数据手段向中小企业贷款。对互联网上陌生的个人和企业,特别是中小微企业,传统金融行业普遍存在不愿贷、成本高的情况。中小企业贷款难、贷款贵的问题不仅仅是中国的问题,也是全球的问题。但在贵阳,有一家商业银行,与全国领先的专业机构合作,利用大数据技术开展互联网消费信贷、微信贷,开发了信用评分模型、破产预估模型、信用申请欺诈模型等。通过多维信息的交叉验证(这是大数据的特征),对客户进行全息画像,为决策提出全面的风险评估,显著地提升了银行的风控水平和效率。在此基础上,创新融资模式,大力推动大数据金融、移动金融、众筹金融等新兴业态发展。
第三,推动区块链在金融领域的应用。目前来看,区块链技术本身发展很快,但无论在国内,还是在国外,包括美国等发达国家,我们都没有看到区块链能够作为一个成熟的技术在全场景进行应用和推广。贵州作为中国第一个大数据综合实验区,目前正积极探索区块链技术在各种应用场景的实验。例如把区块链技术用于扶贫资金的管理,现在每年有上千亿的资金用于扶贫,但由于管理环节过多,造成资金使用滞后、管理成本过高。再加上扶贫资金面向基层、面向个人,管理过程中的克扣、挪用风险较大。如何把扶贫资金管理好,这不仅仅是一项政治任务,更是惠及民生的实际需求。我们把区块链技术不可篡改的功能,用于扶贫资金的监管,可以做到对资金使用情况的实时管理。
明年将举办第三届贵阳大数据博览会,我们将在博览会上和全球各界一起讨论区块链技术和场景应用结合的问题,相信届时一定会成为热门话题。
第四,探索大数据在金融领域的管控和应用。没有大数据应用,就没有互联网金融的安全。贵阳正全力以赴实施大数据战略行动,抓紧建设征信大数据安全应用体系,通过对海量用户数据进行深入挖掘,构建和完善基于多渠道、易购数据的采集、存储、处理与分析能力,从多个精准维度对用户数据进行筛选、标记和判定,从中筛选出有价值数据,进而完善风控模型,风险定价,不断迭代风险模型,力经充分的金融周期,验证风控的有效性。
下一步贵阳将重点推进政府数据开放、公共数据安全、区块链应用等三个方面重点工作。希望并欢迎社会各界支持贵州贵阳作为国家大数据综合试验区先行先试实践,共同推动我们国家大数据,特别是大数据与金融领域的融合发展。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15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