【正文】 一個重要的研究領(lǐng)域。（6）． 分析思維的改變。我們從統(tǒng)計分析、實證分析、推斷分析三個方面論述大數(shù)據(jù)時代傳統(tǒng)統(tǒng)計學(xué)分析思維的改變。第一，傳統(tǒng)的統(tǒng)計分析過程分為三步，定性、定量、再定性。首先通過經(jīng)驗判斷找到統(tǒng)計方向，即目的。 其次對數(shù)據(jù)進行量化、分直接從各種“定量的回應(yīng)”中找出有價值的、為我們所需要的數(shù)據(jù)，并通過分析找到數(shù)據(jù)的特征和數(shù)量關(guān)系，進而據(jù)此做出判斷與決策。第二，傳統(tǒng)的統(tǒng)計實證分析，思路是“假設(shè)—驗析、處理等。 最后根據(jù)結(jié)果得出結(jié)論。大數(shù)據(jù)時代，統(tǒng)計分析過程為“定量—定性”，基礎(chǔ)性的工作就是找到“定量的回應(yīng)”，直接從各種“定量的回應(yīng)”中找出有價值的、為我們所需要的數(shù)據(jù)，并通過分析找到數(shù)據(jù)的特征和數(shù)量關(guān)系，進而據(jù)此做出判斷與決策。第二，傳統(tǒng)的統(tǒng)計實證分析，思路是“假設(shè)—驗證”，即首先提出假設(shè)，接著按照統(tǒng)計方法進行數(shù)據(jù)的收集、分析、展示，最后通過所得到的結(jié)論對假設(shè)進行驗證。事實證明，這種實證分析存在很大誤差。大數(shù)據(jù)時代，實證分析的思路是“發(fā)現(xiàn)—總結(jié)”，為了更全面、深入地了解研究對象，需要對數(shù)據(jù)進行整合，從中去尋找關(guān)系、發(fā)現(xiàn)規(guī)律，然后再加以總結(jié)、形成結(jié)論，這將有助于發(fā)現(xiàn)更多意外的“發(fā)現(xiàn)”。第三，傳統(tǒng)的統(tǒng)計推斷分析過程是以分布理論為基礎(chǔ)，在概率保證的前提下，對總體進行推斷，通常是根據(jù)樣本特征去推斷總體特征，推斷是否正確取決于樣本的好壞?，F(xiàn)在，其過程變成了以實際分布為基礎(chǔ)，根據(jù)總體的特征進行概率的判斷，在靜態(tài)或者動態(tài)的某個時點，大數(shù)據(jù)所需處理的對象為總體數(shù)據(jù)，不需要根據(jù)分布理論推斷總體特征，而要根據(jù)計算方法進行推斷。 （7）． 統(tǒng)計軟件的增多。 傳統(tǒng)統(tǒng)計學(xué)以統(tǒng)計模型和軟件為基礎(chǔ)進行數(shù)據(jù)分析處理，統(tǒng)計模型的作用在于對數(shù)據(jù)間的數(shù)量關(guān)系進行構(gòu)建，統(tǒng)計軟件是分析和處理數(shù)據(jù)的工具，需要研究者自主輸入經(jīng)過處理的數(shù)據(jù)，以及統(tǒng)計模型的公式等。常見的統(tǒng)計軟件有 SAS、R、STATA、SPSS、MATLAB 等。大數(shù)據(jù)所依賴的數(shù)據(jù)分析技術(shù)為非關(guān)系型的，以數(shù)據(jù)中心為基礎(chǔ)。若將統(tǒng)計軟件與大數(shù)據(jù)結(jié)合起來，則統(tǒng)計分析的過程可以在很大程度上簡化。 綜上所述，大數(shù)據(jù)時代的來臨，對傳統(tǒng)統(tǒng)計學(xué)的變革從樣本的定義方法一直到數(shù)據(jù)分析的思維與技術(shù)均有所體現(xiàn)?？梢钥闯?，大數(shù)據(jù)使我們對數(shù)據(jù)的利用取得了更大的主動權(quán)，將促使傳統(tǒng)統(tǒng)計學(xué)的迅速發(fā)展。2． 實際意義：大數(shù)據(jù)在征信系統(tǒng)中的應(yīng)用近期，美國互聯(lián)網(wǎng)金融公司ZestFinance受到國內(nèi)互聯(lián)網(wǎng)金融專業(yè)人士的熱捧，其基于大數(shù)據(jù)的信用評估模型也越來越受到關(guān)注和效仿。本文結(jié)合美國的金融環(huán)境，對ZestFinance進行簡要介紹，分析大數(shù)據(jù)征信產(chǎn)生的背景，剖析大數(shù)據(jù)征信技術(shù)，并全面客觀地闡述了大數(shù)據(jù)征信技術(shù)對于中國互聯(lián)網(wǎng)金融和征信業(yè)未來發(fā)展的借鑒意義。一、ZestFinance簡介ZestFinance，原名ZestCash，是美國一家新興的互聯(lián)網(wǎng)金融公司，2009年9月成立于洛杉磯，由互聯(lián)網(wǎng)巨頭谷歌（Google）的前信息總監(jiān)道格拉斯梅瑞爾（Douglas Merrill）和金融機構(gòu)Capital One的信貸部高級主管肖恩卜德（ShawnBudde）（曾管理過收益超過10億美元的次級信貸業(yè)務(wù))聯(lián)合創(chuàng)辦。ZestFinance的研發(fā)團隊主要由數(shù)學(xué)家和計算機科學(xué)家組成，前期的業(yè)務(wù)主要通過ZestCash平臺提供放貸服務(wù)，后來專注于提供信用評估服務(wù)，旨在利用大數(shù)據(jù)技術(shù)重塑審貸過程，為難以獲得傳統(tǒng)金融服務(wù)（Underbanked）的個人創(chuàng)造可用的信用，降低他們的借貸成本。ZestFinance起 初是為傳統(tǒng)的發(fā)薪日貸款（PaydayLoans）提供在線替代的產(chǎn)品。發(fā)薪日貸款因借款人承諾在發(fā)薪日還款而得名。由于美國傳統(tǒng)的信用風(fēng)險評估體系無法覆蓋全部的人群，大約15%的人因沒有信用評分而被銀行排斥在外，無法獲得基本的信貸需求。 ZestFinance引起國內(nèi)的關(guān)注始于2013年7月，當(dāng)時全球第三方支付平臺PayPal聯(lián)合創(chuàng)始人、美國知名投資人彼得泰爾（PeterThiel）領(lǐng)投了ZestFinance的2000萬美元融資。 二、為什么要進行大數(shù)據(jù)評估傳統(tǒng)的信用評估服務(wù)無法覆蓋全體人群，特別是弱勢群體？大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國互聯(lián)網(wǎng)金融公司 wbrZestFinance為例圖1展示了美國FICO評分與其對應(yīng)的人口分布情況，初始每個人的分值基數(shù)為850分，信用評分模型利用征信數(shù)據(jù)從多個評分因素考察消費者的信用風(fēng)險，從850分中減分。大致來看，美國個人消費者信用評分人群分布狀況呈現(xiàn)兩頭小中間大的形態(tài)，信用分?jǐn)?shù)處于750～850的人群有40%之多，其中信用分?jǐn)?shù)在800～850大約占總?cè)藬?shù)的13%，在750～799超過總?cè)藬?shù)的25%，這是整個信用社會的中間階層，對應(yīng)于美國的中產(chǎn)階級。其中，美國個人消費者的平均FICO評分為678。從圖1可以看出，還有大量的人群遠(yuǎn)低于平均的678分，如FICO評分在550～549的占8%，在500～549的占5%，小于499分的占2%。根據(jù)FICO的標(biāo)準(zhǔn)，如果人們未能如期還款，或者缺乏借貸經(jīng)歷，他們就會自動被視為風(fēng)險人士，他們的貸款也就會被懲罰性地給以更高的利率。還有一種可能，那就是他們的貸款申請會被拒，無論是否事出有因。比如，遇到了醫(yī)療緊急事故，或者最近剛剛移民美國。表1根據(jù)FICO評分將服務(wù)人群分為四個區(qū)間，并對應(yīng)不同的金融服務(wù)機構(gòu)。信用記錄不完整或者不夠完善的個人消費者，依據(jù)傳統(tǒng)信用評估體系（FICO評分），往往很難被傳統(tǒng)金融服務(wù)機構(gòu)所覆蓋，即使在金融體系發(fā)達的美國也無法獲得常規(guī)的金融服務(wù)，或者需要付出很大的代價才能獲得常規(guī)的金融服務(wù)。大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國互聯(lián)網(wǎng)金融公司 wbrZestFinance為例 三、傳統(tǒng)信用評估模型信息維度比較單一 傳統(tǒng)的FICO評分模型的基本思想是比較借款人信用歷史資料與數(shù)據(jù)庫中的全體借款人的信用習(xí)慣，檢查借款人的發(fā)展趨勢跟經(jīng)常違約、隨意透支，甚至申請破產(chǎn)等各種陷入財務(wù)困境的借款人的發(fā)展趨勢是否相似。如圖2所示，它主要從五個方面考察用戶的信貸資質(zhì)。但隨著信貸業(yè)務(wù)的進一步開展，F(xiàn)ICO信用評分由于單一的標(biāo)準(zhǔn)、嚴(yán)苛的門檻和片面的評估結(jié)果而飽受詬病。大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國互聯(lián)網(wǎng)金融公司 wbrZestFinance為例傳統(tǒng)的信用評估模型雖然在進行信用風(fēng)險管理過程中發(fā)揮了很大的作用，如曾經(jīng)促進了美國房貸市場的飛速發(fā)展。但在大數(shù)據(jù)背景下個人消費者出現(xiàn)許多信息維度，如電子商務(wù)、社交網(wǎng)絡(luò)和搜索行為等，傳統(tǒng)信用評估模型解決問題的能力越來越受限。 四、傳統(tǒng)信用評估模型時間上比較滯后 雖然FICO評分仍然體現(xiàn)風(fēng)險排序，但其預(yù)測絕對風(fēng)險的能力和在20