
互联网+大数据的征信:技术变革推动征信业发展_数据分析师
技术变革对征信业的发展起到了非常大的促进作用。征信最早起源于消费分期,需要对消费者进行信用评估,但当时更多的是通过口碑积累的定性判断,没有定量描述。进入电子化时代后,数据得到了沉淀和积累,我们开始使用数据统计模型来计算和评估信用,这极大地推动了行业快速向前发展。在今天的互联网时代,数据承载量非常大,任何数据都可以成为信用的一部分,即我们可以利用数据与信用的关联度,深层次挖掘信用数据。人工智能算法模型不止是对过去的统计,也包括对未来的预测,它可以帮助我们更好地刻画违约概率和信用状况。
芝麻信用是在大数据互联网模式下建立的征信系统。阿里巴巴从十年前开始发展电子商务时,就把信用体系建设作为最重要的一环,但最近几年我们才真正开始进入征信行业,还是新兵。芝麻信用的logo上有句标语——“点滴珍贵,重在积累”,这是我们认为信用应有的内涵。芝麻是很有营养的食物,每粒芝麻都不大,但通过点滴积累,将有益于社会的健康发展。
互联网+大数据征信:广泛、多维、实时
首先,征信人群覆盖广泛,可作为征信体系有效补充。人民银行征信中心在征信数据方面做得非常出色,有效地解决了信用风险问题,帮助金融行业持续健康发展,大大提高了金融的获得性。同时我们也看到,目前只有不到4亿人在央行征信系统有信用记录,还有很多人没有信用记录数据,在获得金融服务时,存在一定的门槛。中国有6.48亿网民,人群覆盖面非常广,通过对他们在网络上留下的痕迹进行数据挖掘和分析,能够对目前的征信状况进行有效补充,让更多在互联网上有数据的人,通过刻画得出的信用状况,也能得到金融服务,当然还包括生活服务。
其次,征信信息广谱多维。现有征信记录主要是个人信息加信贷记录,而互联网上的行为记录非常多,我们可以用大数据的方法计算互联网上万个变量,将更多信用记录以外的信息纳入征信体系。结合现有身份记录和信贷记录,以及生活类数据,再加上互联网数据,可以得到更多广谱信息来刻画信用。
最后,征信数据实时鲜活。大数据的两个主要特点是存量、热数据,它不再是离线的事后分析数据,而是在线实时的互动数据。如果某个人有违约行为记录,会立刻被刻画进来,使当前业务的快速决策更加有效。
运用大数据征信模型全面刻画信用
信用是一笔巨大的资产,让它成为一个可衡量、可变现的资产是我们的愿景。我们的优势在于互联网数据,但不仅指交易数据。多年来,用户通过第三方支付缴纳水电煤气费、信用卡还款以及物流信息也是重要的数据来源。当然,公共政务数据也很重要,此外还有用户自主上传的数据。这些数据能够帮助我们更好地描述以及准确地刻画个人信用。我们输出的是信用分,基于数据来构建决策引擎,以便向用户输出更有价值的服务。
大数据征信模型与传统评分体系有所不同。我们深度融合了传统信用评估与创新信用评估,开创了大数据征信模型。在模型中,信用历史是非常重要的一项,其他维度包括身份特质、履约能力、行为偏好和人脉关系(此项分数比重稍低)。通过这五大维度,我们建立了刻画个人信用全貌的模型。我们的主要切入点在于,使普通老百姓感受到信用的力量和价值,使他们今后在生活中注意培养信用意识,并在全社会建立起信用文化。
净化互联网环境
在合法合规的前提下,大数据征信公司应科学客观公正地评价个人的信用水平,通过输出各种标准化和定制化的身份识别、反欺诈、信用风险识别与跟踪产品与服务,赋能合作伙伴,并一起推动中国诚信文化的传播和诚信体系的构建。
基于大数据7×24小时在线运算能力,芝麻信用有非常强大的身份识别和反欺诈能力,能够以商业化的方法净化互联网环境。随着生物识别技术的发展,生物特征的识别率、准确性、可靠性可以大大提高,再辅之其他识别方法,可以非常精准、可靠地识别人,这样就能将人与账户和设备关联起来。基于这套识别体系,能够充分了解网上的行为主体。今年3月,我们在德国展示了人脸识别技术,我们的样本非常大,识别可靠性也不错,我们对此抱以期待。
另外,通过账户行为分析,我们能够准确地刻画人的行为,以此判断是否出现行为异常,带来安全隐患,帮助合作伙伴进行反欺诈识别。未来,反欺诈将回到“以人为本”,而不是以账号为中心。线下查询信用一定要本人持身份证来操作,身份识别对网上查询来说也很关键,确认是否本人非常重要,我们在这方面有强大的手段。
我们的目标是,构建赋能商业与金融机构的开放式大数据平台。上层是不同机构,中层是通过解决方案进行决策引擎,下面是通过大数据和模型,在取得授权的情况下,开发基于行业的应用。这是一个持续学习及沉淀经验的平台,提供了很多可以不断细化的工具,并且是实时监控的专业级数据安全管理。此外,基于云平台的计算,需要做好云端数据安全管理。我们不仅输出信用分或征信报告,更是搭建了一个开放数据共创的云计算平台,并基于云平台来构建数据的决策引擎体系,帮助合作伙伴实现商业目的。
开放政务信息源 加快信用领域立法
对于央行大力促进征信行业的发展,推动社会征信体系的建设,我们举双手赞成。同时,我们也提出两点建议。
首先,开放政务信用信息源。开放数据将产生巨大的社会价值,我认为,可以向符合资格的机构开放信息源,这些机构取得了国家许可执照,便于接受监管。如果他们能真正用市场化手段把这些数据运用起来,并回馈社会,将产生非常大的社会价值。
其次,信用领域立法应当平衡公民隐私保护与个人信息数据合法利用。这将使征信机构的业务开展有法可依,有利于征信行业的长远健康发展,促进社会信用体系建设。同时,政府的立法能够提升普通民众对征信行业的了解、接纳和信任程度,为征信行业的发展营造有利的大环境。无论法律细节完善与否,芝麻信用都会充分重视保护用户的隐私与合法权益。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17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