【正文】 體系的建設(shè)應(yīng)當(dāng)關(guān)注大數(shù)據(jù)技術(shù)的應(yīng)用和發(fā)展，并加大投入，勇于實(shí)踐。這些海量而且豐富的互聯(lián)網(wǎng)數(shù)據(jù)資源可以被國(guó)內(nèi)征信體系建設(shè)很好地利用，通過分析互聯(lián)網(wǎng)上這些信用主體的基本信息、交易行為信息和金融或經(jīng)濟(jì)關(guān)系信息，同樣可以挖掘出這些信用主體的信用模式。ZestFinance的大數(shù)據(jù)實(shí)踐的重要方面就是大量地利用互聯(lián)網(wǎng)上的數(shù)據(jù)作為征信的數(shù)據(jù)源。國(guó)內(nèi)目前真正發(fā)揮作用的征信體系主要是央行的征信系統(tǒng)，所覆蓋的人群還是非常有限，遠(yuǎn)遠(yuǎn)低于美國(guó)征信體系對(duì)人口的85%的覆蓋。而國(guó)內(nèi)關(guān)于個(gè)人隱私方面的保護(hù)目前處于空白，已經(jīng)出現(xiàn)國(guó)內(nèi)一些互聯(lián)網(wǎng)金融公司為了進(jìn)行信用評(píng)估，忽視個(gè)人消費(fèi)者的知情權(quán)和隱私保護(hù)。傳統(tǒng)的基于FICO的信用評(píng)估方法，處理的變量比較少，對(duì)每一個(gè)變量進(jìn)行細(xì)致地處理，并且可以給出合適的解釋，模型的透明性可以方便地在銀行的不同部門之間進(jìn)行溝通，而且便于個(gè)人消費(fèi)者對(duì)分?jǐn)?shù)的理解。另外，生活在互聯(lián)網(wǎng)時(shí)代，面對(duì)大數(shù)據(jù)技術(shù)的發(fā)展，美國(guó)三大征信機(jī)構(gòu)以及FICO也已經(jīng)開始大數(shù)據(jù)征信方面的研發(fā)（作為常規(guī)的數(shù)據(jù)源更新的一種方式），但截至目前，尚未形成獨(dú)立的信用評(píng)估手段。 （1）ZestFinance的大數(shù)據(jù)征信是完善和更新傳統(tǒng)征信系統(tǒng)的積極嘗試，而不是替代品。目前互聯(lián)網(wǎng)金融處于快速的發(fā)展過程中，根據(jù)銀監(jiān)會(huì)的統(tǒng)計(jì)，目前國(guó)內(nèi)可查的P2P網(wǎng)貸公司已經(jīng)達(dá)到1200家。 （3）從關(guān)注的側(cè)重點(diǎn)來看，傳統(tǒng)的信用評(píng)估模型更關(guān)注授信對(duì)象的歷史信息，致力于深度挖掘。 近年來，這種基于大數(shù)據(jù)的信用風(fēng)險(xiǎn)評(píng)估框架（遠(yuǎn)不能稱為主流的信用評(píng)估方法）被國(guó)內(nèi)外多家互聯(lián)網(wǎng)金融機(jī)構(gòu)采用，如德國(guó)的Kreditech、美國(guó)的Kabbage，以及國(guó)內(nèi)最近獲得IDG公司A首輪4000萬元投資的閃銀（Wecash）等，對(duì)傳統(tǒng)的信用體系形成了沖擊。最后，將每一個(gè)模型輸出的結(jié)論按照模型投票的原則，形成最終的信用分?jǐn)?shù)。首先，數(shù)千種來源于第三方（如電話賬單和租賃歷史等）和借貸者的原始數(shù)據(jù)將被輸入系統(tǒng)。 最后，直接詢問用戶。只有充分考察借款人借款行為背后的線索及線索間的關(guān)聯(lián)性，才能提供深度、有效的數(shù)據(jù)分析服務(wù)，降低貸款違約率。另一方面，將能夠影響用戶信貸水平的其他因素也考慮在內(nèi)，如社交網(wǎng)絡(luò)信息、用戶申請(qǐng)信息等，從而實(shí)現(xiàn)了深度和廣度的高度融合。國(guó)外三大征信機(jī)構(gòu)和FICO公司都已經(jīng)開始了如何利用大數(shù)據(jù)技術(shù)來完善傳統(tǒng)信用評(píng)估體系的前瞻性研究，如益百利（Experian）投入研究團(tuán)隊(duì)關(guān)注社交網(wǎng)絡(luò)數(shù)據(jù)對(duì)信用評(píng)分的影響，F(xiàn)ICO公司多年前就開始了在線評(píng)估的信息工具和基于互聯(lián)網(wǎng)的信用評(píng)估系統(tǒng)的項(xiàng)目研究。大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國(guó)互聯(lián)網(wǎng)金融公司 wbrZestFinance為例傳統(tǒng)的信用評(píng)估模型雖然在進(jìn)行信用風(fēng)險(xiǎn)管理過程中發(fā)揮了很大的作用，如曾經(jīng)促進(jìn)了美國(guó)房貸市場(chǎng)的飛速發(fā)展。信用記錄不完整或者不夠完善的個(gè)人消費(fèi)者，依據(jù)傳統(tǒng)信用評(píng)估體系（FICO評(píng)分），往往很難被傳統(tǒng)金融服務(wù)機(jī)構(gòu)所覆蓋，即使在金融體系發(fā)達(dá)的美國(guó)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(jià)才能獲得常規(guī)的金融服務(wù)。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(huì)自動(dòng)被視為風(fēng)險(xiǎn)人士，他們的貸款也就會(huì)被懲罰性地給以更高的利率。 二、為什么要進(jìn)行大數(shù)據(jù)評(píng)估傳統(tǒng)的信用評(píng)估服務(wù)無法覆蓋全體人群，特別是弱勢(shì)群體？大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國(guó)互聯(lián)網(wǎng)金融公司 wbrZestFinance為例圖1展示了美國(guó)FICO評(píng)分與其對(duì)應(yīng)的人口分布情況，初始每個(gè)人的分值基數(shù)為850分，信用評(píng)分模型利用征信數(shù)據(jù)從多個(gè)評(píng)分因素考察消費(fèi)者的信用風(fēng)險(xiǎn)，從850分中減分。發(fā)薪日貸款因借款人承諾在發(fā)薪日還款而得名。梅瑞爾（Douglas Merrill）和金融機(jī)構(gòu)Capital One的信貸部高級(jí)主管肖恩可以看出，大數(shù)據(jù)使我們對(duì)數(shù)據(jù)的利用取得了更大的主動(dòng)權(quán)，將促使傳統(tǒng)統(tǒng)計(jì)學(xué)的迅速發(fā)展。常見的統(tǒng)計(jì)軟件有 SAS、R、STATA、SPSS、MATLAB 等。第三，傳統(tǒng)的統(tǒng)計(jì)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(duì)總體進(jìn)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。大數(shù)據(jù)時(shí)代，統(tǒng)計(jì)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(jià)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(jìn)而據(jù)此做出判斷與決策。首先通過經(jīng)驗(yàn)判斷找到統(tǒng)計(jì)方向，即目的。目前，計(jì)算機(jī)學(xué)界已著手研發(fā)處理非結(jié)構(gòu)化數(shù)據(jù)的技術(shù)，從統(tǒng)計(jì)角度直接處理非結(jié)構(gòu)化數(shù)據(jù)，或?qū)⑵淞炕山Y(jié)構(gòu)化數(shù)據(jù)，這是一個(gè)重要的研究領(lǐng)域。在大數(shù)據(jù)時(shí)代，努力打造統(tǒng)計(jì)數(shù)據(jù)來源第二軌，就顯得尤為重要。因此，我們應(yīng)該將傳統(tǒng)方法中有針對(duì)性的收集數(shù)據(jù)的優(yōu)點(diǎn)和現(xiàn)代方法中利用高效率的技術(shù)和廣泛數(shù)據(jù)源的優(yōu)點(diǎn)結(jié)合起來，收集一切相關(guān)數(shù)據(jù)。 其次是數(shù)據(jù)分析，目的為提煉有價(jià)值的信息。 最后，由于大數(shù)據(jù)大部分是指非結(jié)構(gòu)化以及半結(jié)構(gòu)化數(shù)據(jù)，因此對(duì)數(shù)據(jù)的識(shí)別和分類也是多樣的，通常用網(wǎng)絡(luò)信息系統(tǒng)作為識(shí)別工具。（2）． 數(shù)據(jù)類型的擴(kuò)大。在此，本文將從以下 7 個(gè)方面闡述大數(shù)據(jù)時(shí)代下傳統(tǒng)統(tǒng)計(jì)學(xué)的變革。另外依靠小概率事件不可能發(fā)生的參數(shù)估計(jì)和假設(shè)檢驗(yàn)方法就失去了處理大數(shù)據(jù)的意義。結(jié)構(gòu)化數(shù)據(jù)出現(xiàn)，統(tǒng)計(jì)數(shù)據(jù)的收集方式和內(nèi)容將會(huì)改變。 以往的數(shù)據(jù)收集方法主要有統(tǒng)計(jì)調(diào)查和試驗(yàn)方法。 國(guó)內(nèi)專家涂子沛將大數(shù)據(jù)定義為那些大小已經(jīng)超出傳統(tǒng)意義上的尺度，一般的軟件工具難以捕捉、存儲(chǔ)、管理和分析的數(shù)據(jù)。 維基百科的表述是：大數(shù)據(jù)是難以用現(xiàn)有數(shù)據(jù)庫(kù)管理工具處理的兼具海量和復(fù)雜性特征的數(shù)據(jù)集成。隨著云時(shí)代的到來和互聯(lián)網(wǎng)技術(shù)的發(fā)展，大數(shù)據(jù)即大數(shù)據(jù)技術(shù)出現(xiàn)了。大數(shù)據(jù)時(shí)代，統(tǒng)計(jì)數(shù)據(jù)的產(chǎn)生方式呈現(xiàn)多樣化，如有網(wǎng)站瀏覽痕跡、監(jiān)控視頻、GPS系統(tǒng)等產(chǎn)生方式，產(chǎn)生的數(shù)據(jù)多為非結(jié)構(gòu)化數(shù)據(jù)很難用二維表格表示，如所有格式的辦公文檔、文本、圖片、HTML、各類圖像和音頻、視頻信息等。在大數(shù)據(jù)下，樣本集總體，處理數(shù)據(jù)不再僅僅依賴樣本進(jìn)行數(shù)據(jù)的推斷統(tǒng)計(jì)。大數(shù)據(jù)時(shí)代的到來，給統(tǒng)計(jì)學(xué)的發(fā)展帶來了前所未有的機(jī)遇，但同時(shí)，也對(duì)統(tǒng)計(jì)學(xué)提出了更多的挑戰(zhàn)。 二是動(dòng)態(tài)數(shù)據(jù)，比如數(shù)據(jù)是隨著時(shí)間的推移而變化的，此時(shí)，總體表現(xiàn)為歷史長(zhǎng)河中所有數(shù)據(jù)的總和，而我們分析的對(duì)象為“樣本”，這里的“樣本”與傳統(tǒng)樣本的概念不同，因其并非局限于隨機(jī)抽取的數(shù)據(jù)，更可以是選定的與分析目的相關(guān)的數(shù)據(jù)。 其次，大數(shù)據(jù)的存儲(chǔ)不同于傳統(tǒng)的數(shù)據(jù)存儲(chǔ)方式，有固定的格式和結(jié)構(gòu)，對(duì)于大數(shù)據(jù)的數(shù)據(jù)庫(kù)來說，可以直接將所探測(cè)到的信號(hào)自動(dòng)容納到其中。在大數(shù)據(jù)時(shí)代，對(duì)數(shù)據(jù)的收集分為三步，首先是數(shù)據(jù)預(yù)處理，包括識(shí)別與整理。然而，這并不代表大數(shù)據(jù)時(shí)代搜集的數(shù)據(jù)是萬能的，我們?nèi)匀恍枰嗅槍?duì)性地搜集，不僅如此，還存在著安全性和成本的問題。而大數(shù)據(jù)的來源則很難追溯，由于大數(shù)據(jù)的來源一般為信息網(wǎng)絡(luò)系統(tǒng)，不具有很強(qiáng)的目的