
现在的大数据风控还只是个宝宝
现在搞金融行业,开口闭口不谈大数据,简直就像是出门没穿衣服一样丢人。老猫虽然碍于情面,有时也不免对大数据高谈阔论,不过静下心来,却还是觉得现在的大数据风控有诸多不足之处,套用网络俗语来看,还只是个宝宝。
1、 我们没有经历过一个完整的信贷周期
美国的征信行业从创始至今已经走过了超过100年的时间,涉及到资本市场信用机构有Standard and Poor’s(标准普尔)、Moody’s(穆迪)、Fitch(惠誉),普通企业信用机构有Dun&Bradstreet(邓白氏),个人征信方面则有Experian(益博睿)、Equifax(艾可菲)、Trans Union(全联)。可以看出美国的征信机构业务集中且覆盖市场的方方面面,其中的数据更是长达了几代人的时间,经历过数次遍及全球的金融危机,这样的数据是经得起市场和时间的检验的,个人信用记录涉及到的每个人美国人生活的方方面面。
而中国人民银行的个人信用信息基础数据库建设最早始于1999年,2005年8月底才完成与联网运行,算到2017年,可能其中大部分人连商品房的房贷都没有还完,更不必说小额消费贷款这样最近几年伴随着网购才在中国发展起来的新生事物,不少新近成立的消费金融公司的种子客户都还在第一轮的还款当中。而且个人征信还远未到影响到我们生活的地步,很多人对此不重视也造成了信用记录的缺失。在数据本身都存疑的情况下,与之相匹配的评分标准、贷款额度、逾期率等都没有经过检验,这是目前大数据风控所被人诟病的最主要的方面。
不要忘了中国到目前为止始终处于一个上升的经济周期内,倘若未来处于经济下行阶段,目前积累的数据和模型还是否有效,是一个很大的未知数。
2、 积累的样本离“大”数据还差的很远
我们老说大数据大数据,但对于什么样的数据可以称之为“大”,恐怕很少有人能得出概念。一个经营的很好的P2P平台有着几万到几十万用户的投资数据,而一些搞征信企业拥有百万级的用户数据就可以称自己是“大数据”了,即使是央行,也仅仅拥有3.8亿人的信贷记录。
这样的数据规模,应用到拥有十三亿人国家的市场中,可以说远远的不够。中国的贫富差距之大,地区和地区间发展的极不均衡,让单一的数据模型很难适用于每个消费群体。而且不少企业都把自己积累的消费数据作为企业的“秘密”,生怕竞争对手获取到这些信息,这更加剧了信息之间的不流通,使得数据样本与实际产生偏差,恶意套现的组织也利用这一漏洞,用同样的资料在不同平台之间进行套现。现在许多消费金融公司组建起了生态联盟,在联盟内共享黑名单,就是希望依靠联盟来扩充数据容量以增强数据的准确性。
老猫甚至有一个“狭隘”的观点,我认为只有基本覆盖到每个公民的数据才称得上是“大数据”。在存在一定边界条件控制的情况下,比如春运、集会这样的指向性很强的活动中,有着一定量的数据就可以得出可信的趋势。而在信用贷款中,每个个体都存在着不可控的因素,这些因素的来源是方方面面的,是否仅仅依靠大数据就可以推算出来,我个人是表示存疑的。
3、 人为操作可以让大数据形同虚设
我们看到了美国征信行业的生机勃勃,但经常被我们忽视的是,美国同时拥有着一整套与之匹配的法律体系和监管机制,包括《公平信用报告法》在内共有17部法律,在信息的收集、使用、发布、准确性上有着详尽的规定,支撑着美国整个征信行业的规范性发展。
这些法律,让美国的征信数据是公开公平,真实可信的。而我国关于征信方面主要的法规是2013年1月国务院颁布的《征信管理条例》,单从“条例”一词就可以看出,我国在征信方面还未上升到国家法律的层面。并且我国采用的是政府征信与企业征信的双轨制结构,双方在数据类型、数据库上并不完全互通,这就导致了数据的不一致,存在人为进行篡改的可能性。还有关于个人隐私方面的问题,《征信管理条例》也有许多语焉不详之处,在实践过程中有可能出现个人隐私暴露的问题。
从前段时间电影票房的虚假繁荣,到电商平台上可以说是习以为常的刷单现象。连吃瓜群众都可以看到大数据经常反映不了真实的情况,有问题的数据应用到风控中,还会造成更多的隐患。限于金融自身的周期规律,这些隐患造成的后果不会像电影票房那样立刻显现,但很有可能在将来集中爆发。
不仅是数据本身,如何运用数据也是左右风控的关键因素。在缺乏法律监管的情况下,许多平台人为的降低风控要求,从而增大了风险敞口,造成了有“大数据”而无“风控”的情况,从近段时间大批平台因经营不善纷纷“暴雷”来看,大数据风控的核心还是在于人,只有监管者从严监管,从业者合规经营,大数据风控才能真正“长大成人”。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
评判两组数据与初始数据准确值的方法 在数据分析与研究中,我们常常会面临这样的情况:需要对通过不同方法、不同过程得到的两组 ...
2025-08-01通过 COX 回归模型诊断异常值 一、COX 回归模型概述 COX 回归模型,又称比例风险回归模型,是一种用于生存分析的统计方法。它能 ...
2025-08-01CDA 数据分析师报考条件详解:迈向专业认证的指南 在数据分析行业蓬勃发展的当下,CDA 数据分析师认证成为众多从业者提升专业 ...
2025-08-01K-S 曲线、回归与分类:数据分析中的重要工具 在数据分析与机器学习领域,K-S 曲线、回归和分类是三个核心概念与工具,它们各 ...
2025-07-31大数据时代对定性分析的影响 在大数据时代,海量、多样、高速且低价值密度的数据充斥着我们的生活与工作。而定性分析作为一 ...
2025-07-31CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-07-31SASEM 决策树:理论与实践应用 在复杂的决策场景中,如何从海量数据中提取有效信息并制定科学决策,是各界关注的焦点。SASEM 决 ...
2025-07-30SPSS 语法使用详解 在当今数据驱动的时代,SPSS( Statistical Package for the Social Sciences)作为一款功能强大的统计分析软 ...
2025-07-30人工智能对CDA数据分析领域的影响 人工智能对 CDA(Certified Data Analyst,注册数据分析师)数据分析领域的影响是全方位、多层 ...
2025-07-30MySQL执行计划中rows的计算逻辑:从原理到实践 MySQL 执行计划中 rows 的计算逻辑:从原理到实践 在 MySQL 数据库的查询优化中 ...
2025-07-29左偏态分布转正态分布:方法、原理与实践 左偏态分布转正态分布:方法、原理与实践 在统计分析、数据建模和科学研究中,正态分 ...
2025-07-29CDA 数据分析师的职业生涯规划:从入门到卓越的成长之路 在数字经济蓬勃发展的当下,数据已成为企业核心竞争力的重要来源,而 CD ...
2025-07-29CDA数据分析师证书考取全攻略 一、了解 CDA 数据分析师认证 CDA 数据分析师认证是一套科学化、专业化、国际化的人才考核标准, ...
2025-07-29解析神经网络中 Softmax 函数的核心作用 在神经网络的发展历程中,激活函数扮演着至关重要的角色,它们为网络赋予了非线性能力, ...
2025-07-29解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-07-29鸢尾花判别分析:机器学习中的经典实践案例 在机器学习的世界里,有一个经典的数据集如同引路明灯,为无数初学者打开了模式识别 ...
2025-07-29用 Python 开启数据分析之旅:从基础到实践的完整指南 在数据驱动决策的时代,数据分析已成为各行业不可或缺的核心能力。而 Pyt ...
2025-07-29从 CDA LEVEL II 考试题型看 Python 数据分析要点 在数据科学领域蓬勃发展的当下,CDA(Certified Data Analyst)认证成为众多从 ...
2025-07-29CDA 数据分析师的工作范围解析 在数字化时代的浪潮下,数据已成为企业发展的核心资产之一。CDA(Certified Data Analyst)数据分 ...
2025-07-29解析 insert into select 是否会锁表:原理、场景与应对策略 在数据库操作中,insert into select 是一种常用的批量数据插入语句 ...
2025-07-29