
中国不会只有一个大数据金融云如何做大市场蛋糕很关键
“在与金融云的合作中如何界定风险损失的权责?”“如何在抓取中规避数据被故意改动的可能性?”“通过金融知识图谱推定的借贷人信息准确概率如何?”5月15日晚,西南财大光华讲坛上,意犹未尽的听众纷纷抛出关心的议题。
这场以“金融创新之大数据云”为主题的演讲遇到热情的背后,正是金融企业亟待转型的现实需求。
作为主讲人,宜信公司高级副总裁、大数据创新中心总经理张小沛将大数据金融上的探索方向描述为“金融云平台”。其在接受金融投资报记者专访时表示,未来金融与场景的结合必将成为大潮流,而通过大数据金融云构建的生态体系,会让金融服务无缝发生。
A
突破风控手段局限性
当金融开始走向普惠,传统金融征信手法不能完全满足互联网金融业务风控需求的问题也随之暴露。不过,在金融遇上大数据之后,这个缺失已久的信用体系有了搭建的可能性。
在张小沛看来,风控、反欺诈、获客能力等,正是“金融云平台”的核心内容。她指出,在以往的纯线下流程中,信贷审核员需要一系列表格与流程核实贷款申请人的各项事项。而借助大数据分析方法,凭借在用户授权的情况下搜集到的数据,以及相关模型,就可以帮助信贷审核员实时得到这一申请人的信用分析结果,进而令“实时授信”成为可能。同时还可根据数据分析的结果,对不同信用等级的人进行风险定价,实现更加多元化的业务组合。
金融知识图谱正是这个体系的关键所在。“通过将宜信多年来记载贷款及风控数据,以及爬虫得到的互联网公开数据、合作伙伴授权的数据分类整合,通过算法和专家系统的经验,就形成了知识图谱。”张小沛表示,这有助于对个人的性格特征、信用状况、财富属性有更深层、更全面的理解。
B
打造生态场景无缝嵌入
“知识图谱”的构建,也为获客、实时授信、产品个性化推荐、贷后管理等诸多应用场景提供了可能性。通过将这种金融能力向生态系统的合作伙伴去分享,就可以为大数据提供新的变现手段。“金融云的服务是对外开放的,合作伙伴们可以按需购买,比如需要做流动性贷款,就可以只寻求风控系统方面的合作。”张小沛认为,未来金融往下走,与场景的结合成为大潮流,而通过大数据金融云构建的生态体系,将会让金融服务无缝发生。
一个通过云数据将金融和相关产业聚合起来的巨大生态圈也由此形成。
值得关注的是,随着大数据的风靡,人们也越来越担心自身的信息安全,由此带来的数据修改或无可避免。如何保证数据的真实性?对此,张小沛表示,在具体的操作中,为了尽可能的对数据去噪,应该使用多方数据来进行交叉验证,同时通过数据门槛,去伪存真。
C
共同做大“金融云”版图
“我从互联网出身,现在跨界来做金融,其中有很多可能性。”张小沛说道。而对于在成都感受到的热情,她向记者表示,这说明很多人对这个领域都有好奇心。“成都作为西南的重镇,有很多传统行业,通过科技、大数据、或者说移动互联网的很多技术手段,其中都蕴含着机遇。”
值得注意的是,希望通过大数据做开放金融云平台的,并不仅仅是宜信,其中就包括同样在做“生态系统”的阿里金融云。
面对随之而来的竞争,张小沛很坦然。“中国最终不会只有一个生态体系,而会是多个生态体系并存,就如同银行中的五大行。同时,以金融为核心竞争力的,未来也不会只有一家,不过想要建立双赢或多赢的生态服务体系,门槛还是非常高的,预计最终不会超过10家。”
事实上,张小沛指出,目前数据的价值刚刚被唤醒,大数据+金融其实还有很大的市场空间。在中国整体大市场下,实体对金融的需求如此旺盛,但传统的金融机构满足传统的普惠金融需求方面其实是一个很大的缺口。“做市场份额有两种途径,一种是市场份额只有这么大,大家都来争夺,你多我就少,”张小沛说,“但我们更看重另一种,即蛋糕现在如此之小,大家应一起来做大,这样首先多数人都可以从金融普惠中,满足融资需求,且成本更低,速度更快。而作为从业者,也能够获得对应的份额。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30