大数据运用,银行和互联网机构谁才是专家
有人曾这样评价,对大数据的运用,银行和“大理王子”段誉的风格类似,空有一手好牌,却不会使用,只知道傻傻得守着一个“王姑娘”,至于互联网机构,则过于“乔峰”,有些鲁莽,不仅亲手害死了心上人阿朱,最终也跳崖自尽。
应该说,这两个比喻虽然牵强,但也大致描述出了银行与互联网机构在大数据运用上的特点,在前两天的普惠金融CRO全球峰会上,来自银行、互金以及第三方机构的多为专家给出了自己的观点。
针对银行与互联网的数据,孰优孰劣的问题,积木盒子首席风控官谢群表示:“银行虽然掌握了大量优质数据,但却没有能够将这些数据尽其用。”
一方面,数据管理的样本较少,模式比较单一。前者很好理解,许多银行在与客户交互的过程中,获得了许多优质信息,比如最基本的还贷信用,还有账户的流水等情况,但绝大多数时候,却只知道紧紧抱着一个“还贷信用”对客户进行评价,这类单一监控目标对象“历史状况”的方式,会很难预测到改变的发生。比如流水,就是一种即时、连续性的跟踪监控,能够比较迅速的反映出借款人、借款企业目前所处的收支状况,并可以在一定程度上预测未来可能暴露的风险。
对此,平安银行风险管理部首席风险专家张京也强调:“谈大数据前,银行首先要学会使用自己的小数据。”
张京表示,道德风险是银行大数据需要解决的重要问题。例如平安银行某个客户,在申请信贷的时候,提交的流水表看起来十分完美,数据也十分健康,但平安银行却发现了一个细节:该份流水表使用的农行的表单,但却是建行的格式!换句话说,这份流水表是伪造的。
张京介绍,每个银行自己的流水等重要表项,格式都是“加密”的,即有着自己的特征,而这是绝大多数银行都有能力发现但并未去主动校对的,倘若平安银行也没有进行此种检查,那么上述贷款即被“骗”出去了。
而诸如此类被遗忘的“小数据”银行还有很多,倘若能够真正利用好,毫无疑问,将避免很多损失。
另一方面,谢群直言,“银行毕竟有监管,有些数据不方便用,不合适用。”当然,这是每个国家都存在的问题,特别是金融体系逾发达的国家,对银行等相关机构数据使用的监管逾严密。因为这些机构拿到的往往是用户特征十分明显的核心数据,少有不慎便有可能触碰隐私的红线。
与银行相比,互联网机构之所以存在更大的空间去进行“自由组合”,创意出新的征信产品,在于它们拿到的数据比较模糊,可以、也不得不这么做。
正如笔者在曾经引用FICO中国区总裁陈建观点,大数据同样有贫矿富矿之分,银行毫无疑问掌握着最为丰富的资源,而互联网机构,则要在剩下的茫茫大地中“淘金”。当然,在这一大浪淘沙的筛选过程中,留下的除了少量金子外,更多的,则是铜铁锡等价值较低但同样有用的东西,互联网公司们的工作,正是对这些东西进行加工再挖掘。
比如目标对象的借记卡记录,日常缴费记录,多平台购物消费记录,生活习惯,兴趣爱好,甚至朋友们对他的评价,等等等等。
银行与互联网两个途径获得的数据,特别是征信数据,存在很强的互补性,最直接的,他们覆盖的人群不同。
拍拍贷首席风险官章峰给出了一个生动的例子:“中国有许多亿的人群属于次级客户,收入较低,无房无车,这类人群没有被银行覆盖。假设一个富士康工人,他如果要去平安或者光大等银行借五千块钱,我想是借不到的,银行根本没有这个业务。而包括拍拍贷、积木盒子在内的新兴互联网公司,正是瞄准了这样一批蓝海,跟银行进行互补。”
平安银行张京则给出了一组数据,“中国14亿人口,6亿人拥有信用卡(也拥有借记卡),4亿人拥有借记卡,那么这接近十亿人即有一定授信基础,且6亿人的基础高于4亿人。”
相比银行,互联网金融公司在有一定基础,但不是非常强的“只有借记卡”的四亿人这部分群体身上,可以发挥更大的作用。
正如上文提到,互联网机构所获得的数据都是“非标数据”。益博睿全球分析与策略咨询大中华区总监黄健铭给出过几个有趣的案例:“有些公司采纳的征信数据很有意思,比如飞机的里程数、移动电信联通的申请。”当然,一个同样有意思的问题是,这些数据真的能够作为征信的基础么?
在借贷市场中,往往存在这一一个“诡异”的现象,某家公司通过正常途径在银行得到了10万贷款,然后凭借着10万贷款的证明到小贷公司继续贷款。
小贷公司之所以会将“银行贷款单”作为一种征信工具,在于他们认为银行调查过的客户,肯定是优质客户,却往往忽略了一个事实——该企业的资信的确可以承受10万元的贷款,但如果金额增加的话,风险暴露的可能也会急剧加大。当然,这一现象也说明了市场对银行数据的过分依赖,对“非标”的不信任。
而且,第三方征信的效果到底怎样,也值得商榷。某保险集团负责人曾给出几个数字:“在接受了某第三方征信机构的筛选标准后,损失率可能下降30%,但却需要拒绝60%的客户。”孰轻孰重,很难抉择。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 8-1 Pandas 数据重塑 - 数据变形 数据重塑(Reshaping) 数据重塑,顾名思义就是给数据做各种变 ...
2024-11-26统计学基础 - 理解统计学的基本概念和方法是数据分析师必备的技能之一。统计学为他们提供了处理数据、进行推断和建模的基础。 数 ...
2024-11-25数据分析师在如今信息爆炸的时代扮演着至关重要的角色。他们不仅需要具备扎实的数据分析技能,还需要不断学习和适应不断发展的技 ...
2024-11-25数据分析师的工作职责涉及多个关键方面,从数据的获取到处理、分析再到可视化,旨在为企业的决策提供有力支持。让我们深入了解数 ...
2024-11-25数据分析师:洞察力量的引擎 数据分析师的兴起 数据分析师行业目前正处于快速发展阶段,市场需求持续增长,薪资水平也有所提升。 ...
2024-11-25数据收集与整理 - 从各种来源收集数据,清洗和整理以确保数据质量和可用性。 数据分析与建模 - 运用统计学方法和机器学习模型对 ...
2024-11-25数据分析是当今社会中不可或缺的一项技能,涵盖了广泛的工具和技术。其中,掌握各种数据处理函数对于数据分析师至关重要。本文将 ...
2024-11-25“大数据治理”是一个涵盖广泛的复杂概念,其核心在于确保大规模、多样化的数据资源能够被有效管理和利用。不仅涉及数据的采集、 ...
2024-11-25一、引言 背景介绍 随着信息技术的快速发展和互联网的普及,大数据已经成为现代社会的重要资产。大数据的兴起不仅推动了各行各业 ...
2024-11-25《Python数据分析极简入门》 第2节 7 Pandas分组聚合 分组聚合(group by)顾名思义就是分2步: 先分组:根据某列数据的值进行 ...
2024-11-25数据分析需要学习的内容非常广泛,涵盖了从理论知识到实际技能的多个方面。以下是数据分析所需学习的主要内容: 数学和统计学 ...
2024-11-24数据分析师需要具备一系列多方面的技能和能力,以应对复杂的数据分析任务和业务需求。以下是数据分析师所需的主要能力: 统计 ...
2024-11-24数据分析师需要学习的课程内容非常广泛,涵盖了从基础理论到实际应用的多个方面。以下是根据我搜索到的资料整理出的数据分析师需 ...
2024-11-24《Python数据分析极简入门》 第2节 6 Pandas合并连接 在pandas中,有多种方法可以合并和拼接数据。常见的方法包括append()、conc ...
2024-11-24《Python数据分析极简入门》 第2节 5 Pandas数学计算 importpandasaspdd=np.array([[81,&n ...
2024-11-23数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22