不解决这5类问题，就无法靠大数据做企业征信和风控
不解决这5类问题，就无法靠大数据做企业征信和风控
互联网小白
互联网金融成为数据内容迁移的一个载体，从贝壳到铸币物，从纸币到电子货币，每一次货币形态的改变都意味着一个时代的来临。历史在进化，未来提供金融体系服务最核心的是数据金融。市场上有很多数据的说法，基于大数据做企业的征信和风控有几个先决条件：第一，数据采集有没有道德风险。第二，数据采集的成本要很低，高成本怎么用，高成本肯定要转嫁给其他机构。第三，基于数据的样本，这种模型的“经纬度”要更加丰富。现在很多公司的数据都只是来自于工商局，怎么判断这个公司能不能获得贷款？要求数据的维度范围更广，要样本更丰富。第四，数据采集的方向和渠道很单一。目前，数据都是孤岛，都没有打通，形成不了数据资产，很难说利用这些数据对企业进行风控。第五，数据的壁垒。每个公司做的数据会跟别人共享吗？不会。所以基于数据风控的壁垒没有打通，直接带来数据的资产交易其实是很难进行的。只有数据变成资产可以安全地交易了，才可能使得数据变成一个普惠型的资产，所有的机构共享。数据有“经纬”之分，解决“经度”问题，就需要满足以上几个先决条件，打破数据孤岛和数据壁垒。解决“纬度”问题，就需要靠上市实现从高维到低维的降维打击。与美国的金融服务链条相对完善相比，此前国内金融机构的资金更侧重为大型国有企业服务，中小微企业的直接融资需求很大但能满足其融资的渠道并不充分，民众个人的投资欲望亦未能充分满足。金融最深刻的本质是让资本得到合理利用，同时使社会整体价值最大化。上市是为了让数据成为资产，从宏观意义上说，资本是人类为未来发展做储备的典型符号，因此其更具有普世意义，建立社会及国家的命运共同体都离不开数据金融。
本文仅代表作者观点，不代表百度立场。系作者授权百家号发表，未经许可不得转载。
互联网小白
百家号 最近更新：
简介: 让我们一起跟着互联网独立思考
作者最新文章不是所有的大数据都能做征信后使用快捷导航没有帐号？
查看: 4646|回复: 1
关于大数据征信的
新手上路, 积分 37, 距离下一级还需 13 积分
论坛徽章:6
本帖最后由 wzy1039 于
07:44 编辑
主讲嘉宾：张韶峰　　主持人：中关村大数据产业联盟副秘书长 陈新河　　承 办：中关村大数据产业联盟金融大数据专业委员会　　嘉宾介绍：　　张韶峰：百融金服CEO，张韶峰先生是国内第一家专注于大数据与推荐引擎的互联网技术公司百分点集团的合伙人兼金融事业部负责人，清华大学电气工程自动化学士、硕士。2014年，张韶峰先生创建百融金服，作为大数据应用的首批践行者，立志把百融金服打造成为国内金融领域较大的第三方风控及营销服务提供商。并以传播诚信文化理念，开拓诚信生态环境为己任，为国家全民信用体系的建设及普惠金融的实现贡献一己之力。张韶峰先生最初以管理培训生身份加入全球较大的企业软件公司甲骨文大中国区数据挖掘与商业智能软件部门。之后加入全球较大的IT解决方案提供商IBM，负责商业智能与数据挖掘以及智能分析方案。并创建了天才博通公司，在天才博通期间一手打造了国内第一个SaaS模式的数据挖掘软件系统（Geni-sage Data Mining），时间序列预测效果效果远超欧洲领先水平，获得业界认可。　　以下为分享实景全文：　　百融金服是一家专业提供大数据金融信息服务的公司。公司依托大数据技术及来自互联网、金融机构、线下零售、社交、媒体、航空、教育、运营商、品牌商等多维数据源，创新性地为金融及相关行业企业提供获客引流、精准营销、客群分析、风控管理、反欺诈、贷前信审、贷后管理等服务，提升金融行业整体运营管理水平。　　2014年3月，我们受邀成为石景山互联网金融中心首批入驻企业之一，也是区政府重点扶持企业，并在2014年12月成功取得企业征信牌照。目前，百融金服已经和建设银行、招商银行、光大银行、平安集团、新华保险、中国人寿、太平洋保险、人人贷、陆金所、上海大众等70余家金融机构达成合作协议。　　我一贯认为，互联网以及随之产生的大数据开启了一次重大的时代转型，并逐渐渗透和改变着我们的商业、生活以及理解世界的方式，仿佛一夜之间，大数据就成了几乎全民关注的热词。毋庸置疑，大数据正在成为新发明和新服务的源泉，而且酝酿着更多的改变。那么，问题来了，什么是大数据？有何特别？如何运用和发展?　　一、大数据基础　　大数据指的是基于多源异构、跨域关联的海量数据分析所产生的决策流程、商业模式、科学范式、生活方式和关联形态上的颠覆性变化的总和。有一个普遍且常见的误解是：大数据=数据大，而事实上，除了数据量大这个字面意义，大数据还有两个更重要的特征：一是跨领域数据的交叉融合。　　同领域数据量的增加是加法效应，不同领域数据的融合是乘法效应。　　二是数据的流动　　数据必须流动，流动产生价值。到了今天的互联网时代，我们发现即使企业已经打通了内部各个部门之间的数据，但与整个互联网比起来，数据量仍然微乎其微，数据应该以互联网为媒介在企业之间某种形式的流动。　　大数据的起源要归功于互联网与电子商务，但大数据较大的应用前景却在传统产业。一是因为几乎所有传统产业都在互联网化，二是因为传统产业仍然占据了国家国内生产总值的绝大部分份额。　　那么哪些传统企业最需要大数据服务呢？　　金融行业是其中之一　　首先，金融业并不销售任何实体商品，它自诞生起就是基于数据的产业。　　其二，由于国家管制，金融业在前几年享受了非常好的政策红利，内部变革动力不足。　　而目前金融业已经逐渐开始放松管制，新兴的金融机构必将利用互联网以及大数据工具向传统金融巨头发起猛烈攻击。传统金融机构在互联网方面的技术积累和数据积累都不足，要快速应对新进入者的挑战，必然需要大数据服务。　　其三，社会对普惠金融的需求日盛，以前被传统金融机构忽视的“屌丝市场”正在以小而美的中长尾效应吸引更多的民间金融力量涌入。　　下面我将重点阐述一下对大数据重构中国信用体系的一些思考。　　各位都了解，自去年以来，国家密集出台开展社会信用体系建设的各种规划和实施意见。　　由此预判，未来几年，应该是在国家主导下、在市场机构的参与下，共同探索和建立全民社会信用体系。　　目前，中国的零售金融领域以及征信领域，落后于美国二三十年，但是互联网领域却只和美国相差两三年，甚至在某些细分领域还领先于美国。这样的差距以及中国巨大的市场机会，使得中国的金融发展不会走和美国相同的路径，而是会利用较先进的技术如移动互联网、云计算、大数据技术，跳跃式发展到一个新的模式阶段——互联网金融和大数据征信。　　这个预测并非空穴来风，人民银行潘功胜行长在近期一次公开会议上特别提出，利用新技术条件发展新业态征信是需要积极面对的课题。央行对大数据公司进入征信系统持开放态度，并称预计不久将有大数据公司进入征信市场提供征信服务。　　利用大数据来做征信，就是要把多种类型的数据绑定到一起，那这些数据怎么来，如何去组合，怎么计算，摆在我们面前的既是机会也是挑战。　　我想给大家介绍的是，（一）传统的风险建模思路　　20世纪50年代，一位工程师费尔（Bill Fair）和一位数学家艾塞科（Earl Isaac）发明了一个信用分的统计模型，80年代开始在美国流行，如今它是美国费爱哲（Fair Isaac）公司的专有产品——费爱哲评分（FICO）。美国三大征信机构都使用该信用分，每一份信用报告上都附有该信用分，以致费爱哲信用分成为信用分的代名词。　　费爱哲信用分模型（以下简称传统模型）利用高达100万的大样本数据，首先确定刻画消费者的信用、品德，以及支付能力的指标，再把各个指标分成若干个档次以及各个档次的得分，然后计算每个指标的加权，最后得到消费者的总得分。传统模型的打分范围是300～850，三大征信机构各自输出自己的信用分数，分数越高，信用记录越好，三家的分数不能完全替代使用，但差别不大，相差在20分以内。　　传统模型计算的基本思想是把借款人过去的信用历史资料与数据库中的全体借款人的信用习惯相比较，检查借款人的发展趋势跟经常违约、随意透支、甚至申请破产等各种陷入财务困境的借款人的发展趋势是否相似。其主要采用的变量有：信用记录时间、信用额度、借款逾期记录、房屋按揭还款记录、用款占信用额度的比例、坏账记录等，其中付款记录和借款情况占比较大，合计占有65%的比重。大多数美国银行对个人信用评估时，会在该基础上再添加本行的其他一些侧重指标。　　可以看出传统模型需要的输入信息主要是金融、财务、借贷类数据（以下简称为金融数据），输出信息是金融风险评分，输入和输出同属金融信息。欧美国家金融产业发达，征信体系也已经发展了数十年，金融数据相对充足，传统模型在欧美还是比较有效的。模型输入的约10多个变量都来自于金融行业自身，对于预测违约风险是比较有效的，属于强变量。　　据人民银行征信中心统计，我国只有3亿多人以前和银行发生过借贷关系，也就是说全中国只有20%多的人口拥有相对可靠的金融数据，针对这20%多的人口，传统模型可以相对可靠地预测他们的信用风险。而对超过70%的历史上尚未与银行发生借贷关系的人口，传统模型就无法有效地评判了。　　这个问题如果无法解决，就会严重制约中我国金融业的发展，进而制约消费，影响到我国经济结构的转型。　　那么经过不断的尝试和探索，我们是如何做到呢。　　从2013年开始，我们依托自身的数据能力逐渐推出了我们的百融用户评估报告和百融信用评分　　百融的用户评估报告非常丰富，包括以下数据维度　　百融的数据价值也是非常高的，包含：　　我们的百融评分是基于我们众多维度的数据和先进的构建出来的
　　经过实践，我们对比传统评分，优势明显　　目前，百融评估报告和百融评分已经在很多金融机构中进行广泛应用　　并得到良好效果反馈和用户好评　　我们提出的线上、线下融合的大数据风险建模，已经被越来越多的金融机构逐步认可　　我再给各位朋友详细介绍一下百融用户评估报告和百融评分的实践效果：　　百融金服与国内排名前十的多家全国性股份制商业银行及多家排名前十的P2P公司分别开展了多轮实测。其中，商业银行A个人风险评估：经过2轮共50万真实用户的测试，基于百融金服用户评估报告，可以将该行线下发展的个人用户的不良率（M3不良率，下同）降低至之前的1/2，将线上发展的个人用户的不良率降低至之前的1/3。　　某领先的P2P公司个人以及小微企业风险评估：线上客户整体匹配率66.77%，线下客户整体匹配率43.50%。可以将线上线下客户不良率降低到以前的1/2；　　考虑到我们与客户签订的保密协议，在这里我就不便透露客户名称了，请见谅。如果大家有兴趣，我们可以私下交流。　　商业银行B个人风险评估：经过1轮共30万真实用户的测试，基于百融金服用户评估报告，可以将该行线下发展的个人用户的不良率降低至之前的1/1.6。　　商业银行C个人风险评估：经过2轮共20万真实用户的测试，基于百融金服用户评估报告，可以将该行线下发展的个人用户的不良率降低至原来的1/1.4；对于没有人行征信报告的用户，百融金服将风险评估模型的KS值从之前的0.28提高到0.45。　　某领先的P2P公司个人以及小微企业风险评估：线上客户整体匹配率66.77%，线下客户整体匹配率43.50%。可以将线上线下客户不良率降低到以前的1/2；　　某小贷公司个人风险评估：基于百融金服用户评估报告，已经将该公司不良率降低至原来的1/3。　　我们发现，借贷申请人在某些变量上的表现具有很好的风险识别度和区分度，比如对某商业银行3、4线城市的个人用户来讲，用户在游戏、娱乐类活动上花费的时间费用越多，其信用评分越低（36分）；相反，用户在教育、科学类活动上花费的时间费用越多，其信用评分越高（56分）。　　基于此，百融金服与B银行展开了联合建模。模型显示不同分数段的人数基本成正态分布，随着信用得分的升高，该分数段人群的不良率也基本成一条下行线。　　某金融机构的销售终端（POS）商户贷款风险评估。不少金融机构通过分析商户的POS机刷卡流水数据来给商户进行授信，销售终端流水数据可以看做是商户的收入数据。　　根据台湾征信中心的量化建模经验，小微企业的企业信用40%的权重取决于小微企业主个人信用，20%的权重取决于该小微企业合作上下游企业企业主个人信用。不诚信的小微企业主可能会通过故意做大刷卡流水数据的方法进行“刷信用”，从而达到骗贷目的。　　通过“POS流水数据商户户主个人数据”两类数据联合建模来预估商户的套现风险以及销售终端贷款违约风险，均发现百融金服模型具有较强的指示作用，主要体现在信息的真实性和商户行为特征上。　　列举两个有趣而且有效的发现（即小微企业信用与小微企业主的个人行为有较强的关联）：如果显示商户在游戏、动漫、娱乐等类目上消费级别高，则风险很高；如果显示商户在经管、科技等类目上活跃度较高，则风险较低。　　某小贷公司手机端小额授信风险评估：该小贷公司的某几款产品只通过手机应用程序接受用户申请，贷款额度在500元至5000元之间，主要瞄准3、4线甚至4、5城市。　　与上面介绍的其他案例相比，该案例的独特性在于：一是手机应用程序能够获取手机的硬件编号，如果模型发现该编号的手机在一段时间内变换申请人身份信息在本机构或数家机构之间多次申请贷款，则该手机对应的申请者存在较高的欺诈嫌疑；　　二是手机应用程序能够获取申请者的地理位置，如果模型发现申请者在申请时的位置与他在申请表上填写的地址距离较大，那么该申请者风险较高。　　以上是我们在实践应用中得到的一些经验，希望向各位朋友学习、请教。　　最后，我还要在此呼吁！　　随着大数据时代的到来，未来征信业发展要从制度设计、技术进步、信息共享、监督管理、隐私保护等方面不断创新，促进征信业在大数据背景下更快更好地发展。尽快建立符合大数据的征信法律制度和业务规则体系，本着兼顾制度保障和鼓励创新的原则，指导和确保大数据时代征信业发展有法可依。　　尽快打破政府以及各个垄断资源、机构间的信息孤岛，规范和统一数据标准和格式，推进建立数据融合、共享以及对外开放的机制，降低金融行业乃至整个商业社会的征信成本进一步推动政府与社会各界公开失信人、失信机构信息，推动全社会对失信人与失信机构进行联合惩戒，提高失信成本。　　今天我的分享就是这些，谢谢大家！　　互动交流：　　刘政-SAS：有p2p公司考虑使用你们的风控模型吗？@张韶峰　　百融金服CEO张韶峰：@刘政-SAS 有的，已经有多家金融机构在使用百融评分了，我们也推出了《百融信贷审批系统》，用以帮助更多的P2P使用我们的风控模型　　赵晓庆 联动优势：@百融金服CEO张韶峰现在在市场上还有芝麻分，考拉分等，您怎么看众多分数未来的发展　　百融金服CEO张韶峰：@赵晓庆联动优势关于众多的评分都是需要在市场中进行验证的，我们的评分已经经过多家金融机构的验证，证明了有效性　　一个牛仔：其实我更关心具体的算法　　百融金服CEO张韶峰：具体的算法，因为时间有限，欢迎大家来我们公司，和我们的算法团队详细交流　　海贼的世界赵星星：想问一下刚才提到的台湾征信中心的建模经验，可有比较正式的文本或者出处在哪里？我想有更细致的了解　　百融金服CEO张韶峰：@海贼的世界这个是我们听台湾征信中心的朋友介绍的，详细我们可以线下沟通　　老梅：请问张总: 百融的风控服务模型能否用于保险投保人风险评估？　　百融金服CEO张韶峰：@老梅目前我们的百融评分模型主要用于借贷人群的风险评估，对于保险投保人的风险评估也在探索中　　老梅：第二个问题: 现在有些小贷公司找保险公司，希望能购买信用保证保险产品，但保险公司普遍苦于这类产品也缺乏精算依据，难以定价，那么百融的数据是否能帮助保险公司呢？　　百融金服CEO张韶峰：@老梅 可以啊，我们正在与保险公司和金融机构来建立模型　　豫章文：主要是获取数据的可靠性，您公司咋个样分辩？　　百融金服CEO张韶峰：@豫章文我们通过对众多不同机构数据源的交叉匹配来验证数据的可靠性　　羊羊羊：请问对于目前创始人背景参差不齐的p2p公司，有没有尝试去对这一块进行风险评估呢　　百融金服CEO张韶峰：@羊羊羊我们主要针对于信贷领域的风险评估，对于P2P企业评级也还在探索中　　海鸥 西部资信：@百融金服CEO张韶峰 有基于企业数据的信用模型吗？　　百融金服CEO张韶峰：@海鸥西部资信有的，我们已经拿到企业征信牌照，并且有合作案例　　王恺 ：@百融金服CEO张韶峰 如何做好数据资产的合理使用和客户信息有效保护　　百融金服CEO张韶峰：@王恺我们从系统层面，公司流程层面，法律层面等共同来保证我们数据资产的合理使用和有效保护　　王绪刚-时趣 socialtouch：@百融金服CEO张韶峰之前推荐引擎的经验对于你们做风控服务有什么帮助吗？　　百融金服CEO张韶峰：@王绪刚-时趣 social touch 有啊，在推荐引擎的应用当中我们积累了大量丰富的数据采集、数据处理和数据存储、挖掘能力，这些能力同样用于金融风险数据当中　　易炜林：@百融金服CEO张韶峰第一个问题；百融金服在做个人风控服务时，数据加工处理过程中的主要权重项有哪些？第二个问题：如果另有一个机构给出的分数和百融不同，消费者应该如何去评价这种横向对比差异？有没有想着去做一个风控行业标准？谢谢。　　百融金服CEO张韶峰：@易炜林第一个问题：我们主要基于用户的行为数据来做风控服务。　　百融金服CEO张韶峰：@易炜林第二个问题：不同的机构的评分是需要通过市场来验证的，不能说有完美的评分，是需要开放的心态来看待的　　韩笑Sean：@百融金服CEO张韶峰张总，你们现在和运营商合作的数据中哪些是相对比较好用的?　　百融金服CEO张韶峰：@韩笑Sean 目前来看运营商的数据中移动运营商的数据更有价值　　刘达广大银行：张总，为什么说移动运营商的数据更有价值？　　百融金服CEO张韶峰：@劉達首先，移动运营商覆盖广，并且反应的行为较真实，举个例子来讲，我们一合作银行，要基于移动app发卡，那么我们就可以通过这个移动设备的行为数据来判断申请人的情况。　　韩笑Sean：@百融金服CEO张韶峰互联网数据数据想起来确实诱人，但在具体处理时，如何在数据噪音过滤和数据连续性中找到平衡。另外数据稳定性问题也是个令人困惑的问题。　　百融金服CEO张韶峰：@韩笑Sean 您这个问题非常好，这也是我们在数据处理过程中尽力去完善的事情　　韩笑Sean：@百融金服CEO张韶峰谢谢，有机会线下交流。
注册会员, 积分 75, 距离下一级还需 125 积分
论坛徽章:4
收藏下慢慢看
扫一扫加入本版微信群听说的多，见过的少：大数据征信怎么做的？_凤凰财经
听说的多，见过的少：大数据征信怎么做的？
用微信扫描二维码分享至好友和朋友圈
一家在eBay上运营的商户，在授权宜信获得其相关经营数据后提交贷款申请，随后，几乎以实时的速度获得宜信十万元的授信额度。
4月2日，北京温特莱大厦，宜信大数据创新中心副总经理雷鹏向记者演示了宜信大数据授信的成果。 一家在eBay上运营的商户，在授权宜信获得其相关经营数据后提交贷款申请，随后，几乎以实时的速度获得宜信十万元的授信额度。 雷鹏演示的是宜信基于大数据的信用贷款产品&&商通贷，通过与知名电子商务平台eBay合作，面向eBay上的中国商户发放信用贷款，这一点与阿里小贷的模式比较相似。 互联网技术的发展，让大数据成为&风口上的那头猪&，但是有关大数据的应用多存在方面，大数据在现实生活的应用尚处于探索阶段。对于业至关重要的征信领域，大数据能够发挥多大的作用？以互联网金融公司为代表的新兴金融业率先对这一领域进行探索。 宜信自去年以来组建大数据创新中心，重点研究大数据征信的应用。商通贷是宜信探索大数据征信的一次尝试，于2014年9月开始运营。据宜信公司高级副、大数据创新中心总经理张小沛透露，通过与eBay等电商平台的合作，宜信已经通过商通贷发放数亿量级的贷款，贷款逾期率几乎为零。而在此之前，宜信P2P业务宜人贷已经通过大数据征信开发出极速放贷模式，同样可以实现实时放贷，并保持相当低的逾期率。 现在的问题是：作为&听说的人多，看见的人少&的大数据征信的在现实生活中如何应用？通过宜信商通贷的研发或许可以得到一些答案。
宜信商通贷大数据征信样本 宜信在大数据上的投入可谓大手笔，为组建大数据创新中心，唐宁从美国找来一直致力于大数据研究的张小沛，此前，张小沛在美国HULU等平台负责大数据广告精准投放，对于大数据有多年实操经验，而其团队的多位科学家均来自HULU和国内科研机构。 去年9月份，宜信大数据创新中心推出商通贷，其目标客户是中小型电商。 以商通贷的合作伙伴eBay为例，在eBay上的中国商户多从事出口，对流动资金需求较高。 &在华南、华东有十几万外贸电商在eBay开店，然后将产品卖到全球去，这些人去银行融资挺难的，因为很多人是80后，可能房等固定资产在手里头，银行就挺难去衡量他的信用的。&张小沛谈到宜信商通贷的目标客户时表示。 商通贷接入eBay平台后，商户只要授权宜信获得自己的经营数据以及社交等数据，宜信便可综合评估店铺经营数据，评价数据和其他互联网数据，结合自己独特的信用风险评分模型，在30秒内即可完成对申请者的授信，并作出付款判断，申请者最高可获得100万的授信。 欲在30秒内完成授信，大数据征信是核心，而数据采集正是难点所在。 数据采集最重要的是需要数据的真实性，这也是商通贷一开始选择eBay、亚马逊等国际电商合作的主要原因，以避免国内电商存在的刷单行为。 宜信在与eBay谈数据开放时，eBay法务部大约对这一合作审核了三个月的时间，其中很重要的原因是担心商户数据泄露。
&像这种合作都要在eBay美国审批，对一个美国公司在合作中要把数据分享给一家中国的实体来说，有非常多的问题和挑战，我们中间做了大量的工作，提供公司资质、各方面的良好的记录。& 雷鹏表示。 获得eBay同意和商户授权后，宜信商通贷才能接入商户后台进行大数据分析。其基本的原理是：宜信从eBay平台获取商户过去2年到4年的连续经营的记录，这些记录反映了商户的交易情况，包括退换货、客户满意度、物流，当这些信息被传递回来后。宜信再将这些数据放入大数据分析模型去判断，然后给商户一个合理的额度。 那么哪些数据是宜信大数据分析模型中所必须的变量呢？雷鹏认为可以分为四个方面： 第一，要确定借款人身份的真实性。首先确认借款人是真实的，在eBay业务的业务也得是真实的，这就需要商户开放数据给宜信。所以在申请材料中，店铺注册人与实际经营人是中国籍公民（港澳台除外），22-55周岁（含）； 第二，要确认借款人的社交关系。人是社会动物，社交关系是真实存在的。亲朋好友之间的关系更是一种具有社会约束力的力量。 &孤零零一个人，很难将信用这个事儿变成一个有约束力的事儿。所以社交关系很重要，就是能形成一种社会的约束力。不按信用做事情会有社会压力。&雷鹏表示。他表示宜信可以通过技术手段，运用大数据透过各种网络信息获得个人的各种社交关系。因此，在申请贷款时，商通贷的借款人还要提交三个相应的联系人，包括亲属和同事等。 第三，经济能力和还款能力。宜信可以从平台上和其他数据源上获得借款人的综合信息，包括银行交易流水，退单情况，业务的季节性因素、客户满意度等，这些维度的数据可以用来确认借款人的还款能力的。 第四，还款意愿。有的人有还款能力，但有时候会忘记还款，有的人属于恶意拖欠。因此判断个人的还款意愿难度很大，宜信所做的是通过对借款人既往违约记录和对信用的守约性等额外信息的判断，包括电话欠费记录等。 &所以我们讲起大数据，可大到非常大，但是真的梳理逻辑，基本上就这四个大的维度，然后在这个维度内，逐一提供更丰富的信息，去更精准的判断。&雷鹏表示。 数据模型分析征信应用 要实现雷鹏所说的精准判断，宜信需要通过大数据征信模型对数据进行加工和深度分析，将所有的数据融在一起做成N个模型，然后对借款人的信用进行判断。 在美国做过多年广告搜索引擎的张小沛认为，所有的数据都是信用数据，宜信的大数据开放系统并不是传统金融机构应用的分析模型，在她看来传统金融机构应用的数据分析模型，最多只能放几百个变量，而在互联网广告精确搜索中可以将几十万甚至几百万个变量放进模型里，只需要通过机器学习，便可以对数据进行精准的分析，宜信的大数据征信模型正是将互联网的技术手段应用到了垂直的金融授信额度预估场景里面。 &机器学习没有那么神奇，要得出结论，必须要有一些样本数据，正样本和负样本，正样本是借债还钱的好客户，负样本是借了不还的客户。&张小沛表示。
从这个角度来说，宜信在8年多的时间里已经积累了200多万的客户，有大量的正负样本。而有的P2P企业刚刚起步就开始说自己可以做大数据分析，张小沛认为这种事情不可思议。 &他连正样本、负样本都没有，我都不知道是怎么做出来的。&张小沛表示。在她看来，即使只有正负样本其实也不一定能够做出精确的数据，因为还要有对整同维度领域的知识有深刻理解，这些都是走过弯路、交过很多学费走过来的. 张小沛所说的弯路和学费，其实是指宜信在多年的经营过程中出现的违约现象，而这些违约现在从大数据分析的角度来看，反而可以作为参考样本，加入数据分析模型中，进而实现更为客观的征信判断。同时她并不认为数据模型可以完全的避免出现违约，而是一个不断修正和不断迭代过程。 &如果模型算出来百分之百都是对的，那是有问题的。说明整个金字塔里头你只考虑到尖端人群，所以不管做精准广告还是做信用信贷的审核，当看到每一个都是正确的时候，应该非常谨慎的下探，去探索边界，找到平衡。否则你就漏掉了太多值得服务的人群。& 但是即便如宜信这样在普惠金融领域深耕多年，并积累多年的数据资源，走过很多弯路的互联网金融企业，在应用大数据方面也存在不少掣肘。 &撬动社会多方的资源才可能真正形成大的大数据，所以在这个地方真正难度大的地方不是在技术上，而是在数据的来源上。&雷鹏对凤凰财经表示。 而数据来源的难点也不只是在采集上，雷鹏认为难点是各个利益方怎么样进行合作，自愿地把数据分享出来。实际上真正把这个分享落地的过程中，信用关系是一方面，利益分配是另一方面，技术操作、落地、还有时效性都是可能潜在的挑战。为此，在推出商通贷的过程中，宜信并不仅仅介入ebay等电商平台，还和其他数据平台有合作，以获得庞大的数据进行分析。 宜信最希望接入的数据方就是央行征信中心的数据，但是由于互联网金融公司法律地位未明，至今这一需求尚处于探索之中，唐宁认为互联网金融公司接入央行征信系统已经到了临门一脚的时刻了。 在唐宁看来随着互联网金融发展，随之产生了一人多贷，多头负债等问题，如果P2P能够接入到央行征信之中，一方面是从央行那里获取数据，一方面把宜信多年积累的上千万数据能够分享到央行征信体系之中，对于整个的金融体系建设非常重要。 &就我们几年下来积累的话，真正服务过的客户就有真正快两百万，那么真正有申请的话来讲的话，那是上千万，这是非常宝贵的数据。&唐宁表示。 商通贷应用场景探索 商通贷在推广中要解决的是应用场景的问题。当前，国内大型电商如淘宝、天猫、京东均在打造自身的金融体系，阿里旗下的阿里小贷可以为淘宝、天猫上的商户服务，并积累了多年的运营经验，后来者如京东也在不遗余力的打造自己的供应链金融，二者的共同点是打造自己的商业闭环。 目前的情况是，做金融出身的宜信并不具备这种商业闭环的条件，但在唐宁看来专业做金融是自己的优势所在，毕竟随着互联网的发展，电商将成为趋势，而不是几家电商平台高度垄断，而商通贷瞄准的恰是这部分中小电商。另外，他认为随着电子商务的发展，电商与金融的分工会更加明确。 以美国为例，ebay和亚马逊都是巨无霸型的电子商务平台，他们并没有做自己的金融系统，而是专业的做电商，在金融领域选择和其他金融企业合作，而中国实现这种分工还需要一个过程。虽然如此，张小沛认为宜信的第三方身份也有利于其与其他电商合作，而不是向京东与阿里一样互相排斥。 &你专注做你的电商，我来帮你做金融服务，嵌到你的场景里头去，实际上是帮你提高转化率的，帮你把你的闭环做得更顺畅这样子的，我这个中间各自有各自的价值，最后是共赢的关系。&张小沛表示。 此外，相对于阿里与京东的闭环模式，宜信商通贷还面临着对商户掌控能力的挑战。 以阿里小贷为例，阿里巴巴掌握了天猫与淘宝上的商户的经营数据，一旦这些商户出现借贷违约情况，阿里小贷具有较强的主动性，可以减少自身的损失。而商通贷主要通过与其他电商平台的合作，获得授权方能获得用户数据，而且对商户不具备强制性。这要求宜信必须在大数据分析上拥有更强的竞争力，而这对刚刚起步的大数据征信是一个挑战。 在唐宁看来，宜信已经在大数据征信上处于领先地位，一旦把这个挑战解决了，宜信商通贷就可以面向所有电商平台和数据伙伴提供服务，并不局限于某一个体系之中，这需要宜信在大数据征信中不断的探索。&(李磊/文) 作者：李磊，凤凰财经imoney专栏主编，资深媒体人。 （本文为作者向imoney独家供稿，未经imoney同意，严谨转载。更多精彩内容请关注imoney微信公号，ID：myimoney。）
[责任编辑：yangxw]
用微信扫描二维码分享至好友和朋友圈
免责声明：本文仅代表作者个人观点，与凤凰网无关。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。
预期年化利率
凤凰点评：凤凰集团旗下公司，轻松理财。
凤凰点评：业绩长期领先，投资尖端行业。
凤凰点评：进可攻退可守，抗跌性能尤佳。
同系近一年收益
凤凰点评：震荡市场首选，防御性能极佳且收益喜人，老总私人追加百万。
凤凰财经官方微信
播放数：497040
播放数：1867803
播放数：1443930
播放数：5808920
48小时点击排行}