
用大数据构建联防联控的全局风险网络
可能很多人都看到过这样一个段子,说的是一个优秀的中国留学生因为在所留学国家有地铁逃票的经历,毕业后找工作时四处碰壁,无奈之下他向负责招聘的人力主管询问原因,得到的回答竟然是因为招聘企业查询到他在留学期间有多次地铁逃票的经历,进而对他个人的诚信产生怀疑而不予录用。笔者已经在手机端、电脑上多次看到这个段子,只是每次留学的地点不一样,一会是加拿大、美国,一会又是德国、法国。国人可能会对非常轻微的逃票问题却导致如此悲催的后果感到不可思议,实际上这个故事说明了当今社会个人诚信问题的严重性,国外已经成熟的个人征信体系会把个人一点点的信用问题放大到非常严重的程度。
国内征信市场现状
征信是指依法收集、整理、保存、加工自然人、法人及其他组织的信用信息,并对外提供信用报告、信用评估、信用信息咨询等服务,帮助客户判断、控制信用风险,进行信用管理的活动。信用是金融的核心,征信体系是现代金融体系运行的基石。目前个人市场化征信最为成功依然是美国,在美国做个人征信和做企业征信都有专门的上市公司,上百家征信机构并存,其中三大征信公司每年收入超过100亿美元。据央行此前发布的《中国征信业发展报告》显示,2013年中国征信市场上共有征信机构150多家,整体规模在20亿元。美国有3亿人,个人征信市场已经到达了85%的覆盖率,而目前国内的央行征信中心只有3亿人左右的信用数据,市场的增长空间很大,堪称是一个有着千亿元前景的大蛋糕。
国内征信市场开始跑马圈地
2015年1月5日,央行官网发布消息称已印发《关于做好个人征信业务准备工作的通知》,要求八家机构做好个人征信业务的准备工作,准备时间为6个月。这八家机构的股东背景相当多元,既有阿里、腾讯等互联网巨头,亦有大型金融保险集团企业如中国平安,另外还有如鹏元、中诚信等老牌的征信公司。传统老牌征信公司主要依托长时间的个人信用数据的积累和自身的个人信用征信系统来提供征信服务,而类似平安集团这样具有全牌照的金融企业,由于下设有保险、银行、信托、投资等各种业务条线,在个人征信方面也积累了大量数据。阿里蚂蚁金服旗下的芝麻信用则是通过大数据技术来反映个人的信用状况,例如通过在阿里旗下淘宝天猫、支付宝等购物和理财平台来反映一个人的资产、信用状况等,主要面向个人业务。而腾讯征信有限公司在征信体系搭建上,主要是运用社交网络上海量信息,比如在线、财产、消费、社交等情况,为用户建立基于互联网信息的征信报告,服务对象包括金融机构和普通用户等。
虽然互联网巨头可以借助旗下的电商交易平台或社交网络上的数据进行征信体系的建设,但是在个人信息采集过程中,如何保护个人隐私尤其引人关注。互联网征信业务有很多雷区,比如不能采集敏感的个人信息,数据的安全与透明度等。另外由于行业竞争等问题,,不同机构之间征信数据的共享也是一个大问题。一般来说大家倾向于共享个人信用数据中的黑名单,而并不愿分享自己的白名单。另外互联网型征信公司所具有的大量用户行为数据与与个人的借贷行为关系并不大,因而其建立的模型不一定准确,很难被主流的金融机构引用。
用大数据防范金融欺诈
征信系统只是实现了认证个人或企业信用水平的目的,但准备在互联网金融领域实现欺诈行为的犯罪分子肯定也会进行各式各样的伪装,因此目前针对互联网金融反欺诈问题的理想解决方案可能是全局欺诈信息库的建立和构建联防联控的全局风险网络。国内同盾科技就是一家致力于这个方面工作的信息安全类公司,而且同盾科技的全局欺诈信息库是基于多个维度“黑名单”数据而建立的。首先是高危账号,目前信息安全是社会热点话题,各种个人或账号信息泄露的事件层出不穷,引起了社会各界的广泛关注和广大民众的担忧。对于那些已被泄露信息的高危账号,同盾科技会帮助大家发现风险信息,做好风险准备,减少风险损失。同盾科技利用已经搜集到的泄露账号信息建立起了高危账号信息库,并且将会持续不断地更新该数据库。第二个措施则是共享失信名单,构筑共防共治的诚信体系,让更多企业避免重蹈覆辙,降低运营风险。第三个维度则是地理位置库,同盾地理位置库包括IP、身份证及手机等多维度的地理位置信息,可以快速精准的定位网络访问者的地理位置,通过地理位置库可以快速精准的定位网络访问者的地理位置。在同盾领先的位置风险欺诈模型的帮助下,可以有效的识别在线网络欺诈。
通过建立多维度的全局欺诈信息库,同盾希望构建起一个联防联控的全局风险网络,为加入风险网络中的客户提供协同防御的反欺诈服务。适用于全局的的欺诈信息库有助于客户及时发现更多的即将发生的重复或类似欺诈,做出合理处理,降低风险损失。而且作为一家第三方专业信息安全类公司,同盾并不会像某些互联网巨头那样会对互联网金融领域的从业者产生竞争压力,会比较容易获得互联网金融客户提供的高危账号或失信名单等“黑名单”数据。完善并强化自身的全局欺诈信息库,利于构建起一个高效可靠的联防联控的全局风险网络。
大数据破解互联网金融的死穴
目前风控还是互联网金融的一个致命死穴,而基于大数据的征信和反欺诈有可能成为破解这一困局的有力武器。国外一些专注于大数据征信的公司看到了中国市场的发展潜力,纷纷进入国内开展P2P等互联网金融服务平台展开合作,近期有新闻显示美国征信行业的巨头益博睿(Experian)、费埃哲(FICO)等纷纷开始进入国内,与互联网金融平台在大数据征信领域展开合作。由此可以看出基于大数据征信和全局欺诈信息库等构建联防联控的全局风险网络将会有着难以估量的发展潜力。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13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 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12游戏流水衰退率:计算方法与实践意义 在游戏行业中,流水(即游戏收入)是衡量一款游戏商业表现的核心指标之一。而游戏流水衰退 ...
2025-08-12CDA 一级:数据分析入门的基石 在当今数据驱动的时代,数据分析能力已成为职场中的一项重要技能。CDA(Certified Data Anal ...
2025-08-12破解游戏用户流失困局:从数据洞察到留存策略 在游戏行业竞争白热化的当下,用户流失率已成为衡量产品健康度的核心指标。一款游 ...
2025-08-11数据时代的黄金入场券:CDA 认证解锁职业新蓝海 一、万亿级市场需求下的数据分析人才缺口 在数字化转型浪潮中,数据已成为企业核 ...
2025-08-11DBeaver 实战:实现两个库表结构同步的高效路径 在数据库管理与开发工作中,保持不同环境(如开发库与生产库、主库与从库)的表 ...
2025-08-08t 检验与卡方检验:数据分析中的两大统计利器 在数据分析领域,统计检验是验证假设、挖掘数据规律的重要手段。其中,t 检验和卡 ...
2025-08-08