【正文】 一個重要的研究領域。（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據時代傳統(tǒng)統(tǒng)計學分析思維的改變。第一，傳統(tǒng)的統(tǒng)計分析過程分為三步，定性、定量、再定性。首先通過經驗判斷找到統(tǒng)計方向，即目的。 其次對數據進行量化、分直接從各種“定量的回應”中找出有價值的、為我們所需要的數據，并通過分析找到數據的特征和數量關系，進而據此做出判斷與決策。第二，傳統(tǒng)的統(tǒng)計實證分析，思路是“假設—驗析、處理等。 最后根據結果得出結論。大數據時代，統(tǒng)計分析過程為“定量—定性”，基礎性的工作就是找到“定量的回應”，直接從各種“定量的回應”中找出有價值的、為我們所需要的數據，并通過分析找到數據的特征和數量關系，進而據此做出判斷與決策。第二，傳統(tǒng)的統(tǒng)計實證分析，思路是“假設—驗證”，即首先提出假設，接著按照統(tǒng)計方法進行數據的收集、分析、展示，最后通過所得到的結論對假設進行驗證。事實證明，這種實證分析存在很大誤差。大數據時代，實證分析的思路是“發(fā)現(xiàn)—總結”，為了更全面、深入地了解研究對象，需要對數據進行整合，從中去尋找關系、發(fā)現(xiàn)規(guī)律，然后再加以總結、形成結論，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，在概率保證的前提下，對總體進行推斷，通常是根據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。現(xiàn)在，其過程變成了以實際分布為基礎，根據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，大數據所需處理的對象為總體數據，不需要根據分布理論推斷總體特征，而要根據計算方法進行推斷。 （7）． 統(tǒng)計軟件的增多。 傳統(tǒng)統(tǒng)計學以統(tǒng)計模型和軟件為基礎進行數據分析處理，統(tǒng)計模型的作用在于對數據間的數量關系進行構建，統(tǒng)計軟件是分析和處理數據的工具，需要研究者自主輸入經過處理的數據，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。大數據所依賴的數據分析技術為非關系型的，以數據中心為基礎。若將統(tǒng)計軟件與大數據結合起來，則統(tǒng)計分析的過程可以在很大程度上簡化。 綜上所述，大數據時代的來臨，對傳統(tǒng)統(tǒng)計學的變革從樣本的定義方法一直到數據分析的思維與技術均有所體現(xiàn)。可以看出，大數據使我們對數據的利用取得了更大的主動權，將促使傳統(tǒng)統(tǒng)計學的迅速發(fā)展。2． 實際意義：大數據在征信系統(tǒng)中的應用近期，美國互聯(lián)網金融公司ZestFinance受到國內互聯(lián)網金融專業(yè)人士的熱捧，其基于大數據的信用評估模型也越來越受到關注和效仿。本文結合美國的金融環(huán)境，對ZestFinance進行簡要介紹，分析大數據征信產生的背景，剖析大數據征信技術，并全面客觀地闡述了大數據征信技術對于中國互聯(lián)網金融和征信業(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)網金融公司，2009年9月成立于洛杉磯，由互聯(lián)網巨頭谷歌（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)聯(lián)合創(chuàng)辦。ZestFinance的研發(fā)團隊主要由數學家和計算機科學家組成，前期的業(yè)務主要通過ZestCash平臺提供放貸服務，后來專注于提供信用評估服務，旨在利用大數據技術重塑審貸過程，為難以獲得傳統(tǒng)金融服務（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引起國內的關注始于2013年7月，當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）領投了ZestFinance的2000萬美元融資。 二、為什么要進行大數據評估傳統(tǒng)的信用評估服務無法覆蓋全體人群，特別是弱勢群體？大數據征信應用與啟示 wbr——以美國互聯(lián)網金融公司 wbrZestFinance為例圖1展示了美國FICO評分與其對應的人口分布情況，初始每個人的分值基數為850分，信用評分模型利用征信數據從多個評分因素考察消費者的信用風險，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)，信用分數處于750～850的人群有40%之多，其中信用分數在800～850大約占總人數的13%，在750～799超過總人數的25%，這是整個信用社會的中間階層，對應于美國的中產階級。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FICO的標準，如果人們未能如期還款，或者缺乏借貸經歷，他們就會自動被視為風險人士，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FICO評分將服務人群分為四個區(qū)間，并對應不同的金融服務機構。信用記錄不完整或者不夠完善的個人消費者，依據傳統(tǒng)信用評估體系（FICO評分），往往很難被傳統(tǒng)金融服務機構所覆蓋，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，或者需要付出很大的代價才能獲得常規(guī)的金融服務。大數據征信應用與啟示 wbr——以美國互聯(lián)網金融公司 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據庫中的全體借款人的信用習慣，檢查借款人的發(fā)展趨勢跟經常違約、隨意透支，甚至申請破產等各種陷入財務困境的借款人的發(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。但隨著信貸業(yè)務的進一步開展，F(xiàn)ICO信用評分由于單一的標準、嚴苛的門檻和片面的評估結果而飽受詬病。大數據征信應用與啟示 wbr——以美國互聯(lián)網金融公司 wbrZestFinance為例傳統(tǒng)的信用評估模型雖然在進行信用風險管理過程中發(fā)揮了很大的作用，如曾經促進了美國房貸市場的飛速發(fā)展。但在大數據背景下個人消費者出現(xiàn)許多信息維度，如電子商務、社交網絡和搜索行為等，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)風險排序，但其預測絕對風險的能力和在20