京公网安备 11010802034615号
经营许可证编号:京B2-20210330
在大数据时代下,大数据在金融领域的应用也变得日益普遍,但是有一点值得注意,那就是大企业与小微企业的信息结构存在显着不同。大企业经营规范、信息披露较充分且可信度高、信息质量审核相对容易,因此适用于传统的基于财务报表与抵押资产质量的信贷审核方法;而小微企业的经营管理水平差异较大、市场上信息披露较少,且我国很多小微企业缺乏合规的、真实可信的财务报表,因此审核小微企业资质、搜寻小微企业信息需付出的人力、物力成本较高,很多银行都提出了许多创新的办法,例如,看小微企业的“三表”(水表、电表、纳税表)等。
如果不改善信息结构,可覆盖风险的有效途径只剩下提高利率与要求抵押担保。在当前利率非完全市场化与抵押担保品欠缺的情况下,采用传统信贷技术从事小微金融,需付出的边际成本与服务大企业相差不大。在信贷供给资源仍显稀缺的情形之下,银行具有提高授信门槛以迫使高风险客户退出信贷市场的动机,这就是“二八定律”和银行针对小微企业客户实施信贷配给背后的原因。银行服务80% 低端客户所带来的利润微乎其微,不如将这部分客户赶出市场,全力支持20% 的高端客户。
大数据正在尝试打破这种成本与收益难以均衡的僵局。大数据与信贷业务结合的核心优势在于重塑信息结构、削减业务成本。电子商务平台与社交化网络的发展积累了海量数据,对网络大数据进行挖掘所得到的逻辑与规律信息,要比现实中发布的企业数据更具真实性。
大数据与金融行业的融合催生出的新产业——互联网金融——完全不同于信用中介模式,甚至从匹配资金供需效率的角度来说已超越了信用中介模式。以阿里金融为例,囊括了平台商户的历史交易数据、信用记录、客户评价等内部数据,以及纳税记录、海关记录等外部数据的“大数据”,颠覆了银企间信息不对称的格局。信息结构的改善,令金融机构可以清晰地甄别出企业的资质,信息不对称得以解决。激励金融机构为优质的小微客户提供信贷服务,“信贷配给”发生的基础不复存在。同时,运算能力强大的电子系统将客户拓展的边际成本削减至几乎为零,“二八定律”成立的前提也随之消失,在大数据时代,金融机构有机会从80% 的低端客户身上获取不菲的价值。
改变风险管理上的激励不相容
在中国传统金融机构中,现阶段还存在开展小微金融业务在风险管理上的激励不相容问题。在银行业不断改革发展的过程中,商业银行普遍强化了信用风险约束机制,但与其相匹配的激励机制却没有相应建立,因此客户经理普遍存在“贷不如不贷,多贷不如少贷”的“惜贷心理。不仅如此,由于贷后持续监督的成本过高,客户经理缺乏有效的显性激励来控制风险,导致小微企业贷款的社会总体违约率上升,相应地给予银行小微金融业务违约风险大的不良预期。如果加上担忧信息不对称情况下可能出现的逆向选择与道德风险,银行会选择收紧针对小微企业的信贷供给,造成小微企业信贷市场不均衡。
大数据时代里,信息结构的改变,直接驱动风险控制理念发生根本性变化。原来是要求补偿覆盖风险损失(无论是高利率还是抵押担保要求),现在变为持续考核与监控企业稳健经营、创造现金及还款的能力;原来集中考察“硬信息”(资产负债表等),现在变为重点考察“软信息”(经营和交易数据、单据等)。从依赖人力转变到依赖电子系统,风险管理的激励不相容问题不再成为制约小微金融发展的桎梏。信贷理念的变化契合了解决小微企业融资难题的思路。
不仅如此,基于大数据挖掘的系统处理与实时监控显着缩短了业务流程,提升了信贷业务效率,具有符合小微企业贷款需求“短、频、快”特点的灵活性。例如,阿里金融推出的“按日计息、随借随还”的信贷产品,依托信息技术的强大保障,既解决了客户的短期资金需求,又有效提高了资金的周转速度,通过金融创新为企业增加了价值。
开放与真实的数据
中国潜在的大数据资源非常丰富,从电信、金融、社保、房地产、医疗、征信体系等部门到电子商务平台、社交网站等,覆盖广泛。然而,现阶段所披露的数据仅仅是局部的、碎片化的,尤其是对评估小微企业信用至关重要的社会征信体系,仍旧是区域割裂、透明度较低。因此,获取信息的高成本无疑阻碍了小微金融的发展。
以典型的P2P 模式为例,借助后发优势,我国P2P 借贷平台的交易流程与机制完全与国际先进水平接轨,但在信用评估时经常面临公开信息不足的窘境。在健全、完善、公开的征信系统以及成熟的信用评级市场的保障下,美国P2P 平台能够将信用评估模块完全外包。信息生态是决定P2P 机构在未来能有多大施展的关键制约因素。
数据的可得性是大数据得以应用的前提,而数据的真实性同样具有关键意义。在中国现行税制背景下,小微企业为了规避税费或争取优惠政策而形成的财务报表,无法真实反映企业的经营状况。不仅如此,投机性的财务造假在信贷市场上起到了“劣币驱除良币”的效应,将财务状况良好、诚信经营的企业逐渐挤出市场。这种无效数据的大量生产与无序流动,严重扰乱了大数据时代的正常秩序,也对数据挖掘产生了恶劣影响。
大数据时代下,“数据+ 金融”模式已经悄然兴起,尤其是在金融领域,逐渐流行开来,同已有的解决小微企业融资问题的诸多途径在本质上是类似的,都是为了创造一个低成本的、信息完全对称的市场结构。只有社会公共数据信息真正实现联网、开放与共享,鼓励真实数据生产的体制、机制真正得以建立,大数据在金融领域的广泛应用才能拥有较适宜的生态环境。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 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 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25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