本站分享:AI、大数据、数据分析师培训认证考试,包括:Python培训Excel培训Matlab培训SPSS培训SAS培训R语言培训Hadoop培训Amos培训Stata培训Eviews培训

用友iUAP马太航:大数据在互联网金融领域的趋势

行业动态 cdadata 3453℃

用友iUAP马太航:大数据互联网金融领域的趋势

    随着互联网带动实体经济的崛起,互联网金融行业也催生出了一波新的发展浪潮。借贷平台P2P平台、交易平台等嫣然以成为互联网金融圈的新载体,虽然无法颠覆传统金融的主导地位,但作为其补充的已有效的扩展了现在人对金融的新认识。

互联网金融领域如果想要平台平稳运转,必须存在一套详细风险控制流程,在此之前还存在一个关键步骤“征信”当借款方出现身份欺诈、逾期不还、P2P跑路等行为,平台就需通过征信手段提前预知其行为。由于借款人负债情况无法统计,数据没有统一的平台处理,审核及监管尺度松,重复借款现象普遍致使征信已成为制约企业发展的关键因素之一。其根本原因在于各互联网金融机构信息封闭,不开放、不共享、评估标准、评估模型、风险模型也不规范,征信数据无法共享进行分析。

从需求方角度推动征信发展机构可以划分为三类:

1、电子商务与O2O企业:目的为构建属于自己的金融体系,同时可以推送小额贷款业务发展。

2、互联网P2P金融机构:征信涉及到了其核心业务的稳定发展,应包含在其风控模型中去。

3、第三方征信机构:通过平台化发展方式,为从事互联网金融行业客户提供专业垂直服务。

征信数据源也包含5个部分:

1、政府机构:中央机构(如公安部数据、户籍信息、学历、车辆、身份、护照等基础数据)、地方数据(含地方平台数据信息)、工商经营类行业。

2、民生型企业:央企、国企、大型企业(如电力企业,通讯企业、医疗机构数据)。

3、金融机构:传统银行(交易流水、支付情况、商户数据)、小额贷款(信贷额度、违约情况等)、信用卡(信用额度、授权信息、刷卡记录)、第三方支付公司(线上线下数据)、投资公司(股票、基金、期货、保险等)、支付平台数据(支付信用情况、分期支付、支付源)。

4、专业征信机构:企业征信机构、个人征信机构、征信系统等。

5、互联网行业公司:大型IT公司、电商&O2O公司(交易情况、虚拟货币、物流数据)、社交网站(互联网行为),垂直网站和移动应用公司(位置信息)

推动机构与数据源为构成互联网金融征信平台创造条件,通过数据共享形式为互联网金融企业(2015年P2P金融企业超过1000家)提供征信服务。同时结合央行征信系统(无个人详细信息,只有有贷款行为人的贷款信息,《征信业管理条例》中规定有贷款行为的机构都必须接入到央行征信系统,目前接入比例相当低。)的信息进行数据互补。大中小型互联网金融机构分别将数据汇总到平台中,平台基于用户线下与线上行为进行挖掘分析,制定信用等级和分数(类似支付宝钱包中的信用评分),数据源的准确程度则依靠各互联网金融机构自控,其质量受数据量规模、数据维度指标、数据分析模型、数据挖掘算法四个因素影响。所有分散在互联网上的金融平台将数据汇总后可以针对征信建立多维分析主题,当新的风险出现时,迭代调整分析主题,进行主题升级,最终形成“央行征信数据 + 互联网金融行业数据 + 社交行为数据 = 征信平台分析数据”的模式。

针对社交行为数据,互联网中小金融公司及初创金融公司,通常无社交行为数据积累,只能单纯从自身业务中分析用户信用状况。而BAT类的互联网企业,进入互联网金融领域后,可以将自身长期积累的社交行为数据结合伙伴与生态圈公司数据整合构建社交行为库,这方面传统互联网企业占据较大优势。

大数据运用在处理征信数据上具备了先天的优势,至少3亿互联网用户,3000多万小微企业用户需要征信,PB级数据量,日均处理数据大于万亿规模,同时对数据处理能力要求高,不仅局限于存量和增量,有可能会发生全量计算,也面临支持实时和在线处理的场景。大数据的引入可以有效缓解并优化这些问题的处理。从处理流程上分为4个主要步骤:1、对现有数据进行采集、清洗处理;2、数据分布式存储,满足处理前准备;3、数据挖掘与分析,多维度、多主题;4、个性化数据服务保障,提升用户体验。用友iUAP对大数据的处理完全就是按这样一个过程来进行的。用友iUAP基于内存分析的高性能分析引擎,可存储和管理PB级数据;实现TB级数据的秒级实时分析;基于列存储的自适应压缩技术实现3-20倍的存储压缩比;分析场景下10到50倍性能提升。满足结构化、半结构化和非结构化的多类型数据的全面数据存储管理能力。

用友iUAP马太航:大数据在互联网金融领域的趋势
用友iUAP UDH企业管理器

征信大数据的特征如下:

1、用户基数大:中国互联网用户将近7亿,有一半左右人在央行征信系统没有信用记录,征信需要对互联网用户的行为进行画像,挖掘上网痕迹进行分析,基数决定了分析的样本域,从横向和纵向2个方面提供数据依据。处理基数大的数据,需要从处理稳定性、处理速度、处理准确性三方面约束。

2、实时数据多:相对传统静态数据与离线数据分析,互联网金融征信实时数据处理场景会非常多,很多情况下数据变化不仅仅是通过增量计算可以影响,这里需要大数据处理技术作为技术支撑,用户的每一步操作都可以即时体现在信用体系中。

3、指标多:互联网数据面向的主题或领域多,如金融贷款、汽车租赁、消费信贷等,每个领域的指标数量大、不统一、格式繁琐,如何有效利用指标数据需要通过大数据技术进行处理,10万用户,通过指标化后,要处理的数据量可能过千万。

基于大数据的征信发展前景:

1、推动征信产业升级,互联网金融企业升级,目前正处在风口上。

2、征信差异化趋势,不同的数据来源、数据维度指标、数据分析主题和用户模型,分析算法,组成了征信的差异化。

3、更丰富的数据来源,不仅仅是线上的电商、社交、交易等数据,还可延伸至线下数据,数据种类更丰富。

4、改进当前征信市场现状,优化现有格局,将三类征信机构数据更细分,局部数据形成共享。

大数据征信面临的挑战:

1、相关技术在征信领域有效运用门槛较高,设计的技术点比较多,算法、模型、框架繁杂,对于中小企业构建自己的数据分析平台难度较大。

2、处理能力需要有待提高,之前提到用户基数大,维度信息多,并且很多数据可能非增量,非静态,对数据处理的能力是一个严峻的考验。

3、算法的合理性和标准性,目前没有一个统一个标准,也没有一个类似联盟的机构推出相关草案。

4、需要构建支撑大数据的云平台,如果是构建企业私有云平台或混合云平台,成本高,技术复杂度大。

5、征信业务与大数据业务处理方式需要匹配,涉及到了数据源采集、过滤、处理、分析、挖掘等流程。

6、大数据量带来的安全问题,征信需要对用户隐私保护,并提供数据安全方案。

完善征信监督体系,形成独立组织或平台,监控业务 数据运行风险。提炼大数据安全保障机制,明确各组织或者个人的权利和义务的范围。围绕大数据建立征信体系标准,保障企业商业机密、用户因素、国家信息安全,提供相应法律制度,保障大数据在对数据使用过程中的权益。增强大数据在互联网金融行业应用范围,提升创新度,不仅仅局限于增值服务、信用报告等。创建大数据共享联盟体系,统一标准,使孤立在各机构、公司和互联网的数据按照一定规范共享,这些将是未来大数据在征信领域的发展趋势。

转载请注明:数据分析 » 用友iUAP马太航:大数据在互联网金融领域的趋势

喜欢 (1)or分享 (0)