金融信息服务将从“大数据”走向“智数据”

未央网

简单地说,”大数据”就是指大量的数据搜集。它远比传统的信贷资料服务机构要深入生活。“大数据”通常被认为是协助贷款决策的一种手段,因为人们相信大数据用户可以深挖了解潜在借款人的还款能力。如果一个人的传统信用评分低于某一标准,那银行和建筑协会通常都不会为这个人提供任何的服务。而作为大数据的忠实用户,在线贷款商则可以通过这些数据点开辟新的细分市场。

数据的使用似乎是有周期性的。目前的信用评估主要关注做出贷款决定时考虑的数据量。在线贷款商(包括交易市场和直接贷款人)会考察很多的数据,从Experian分数到潜在客户的社交媒体数据都会涉及。不过,最近这种“由量到质”的转变趋势已经变得越来越明显了。换句话说,这是一个从“大数据”向“智能数据”的转变

Creamfinance是坚定的“智能数据派”。这家公司以“创新信用评分法”为五个欧洲市场提供快速信用解决方案,其中包括波兰、拉脱维亚、捷克、斯洛伐克和格鲁吉亚。Creamfinance会直接从自己的资产负债表上贷款给借款人,而不是像其他人一样经营一个借贷平台。这家公司在多个不同地方开设平台,比如拉脱维亚的crediton.lv和ladyloan.lv。不久前,Creamfinance联合创始人Davis男爵向我们描述了Creamfinance这种“少即是多”的贷款风格所带来的影响。

Davis表示,较少的模型变量数量反而会带来更加稳定的测算结果。在他看来,所有的数据都带有“信息价值”。就一个借款人偿还贷款的能力来说,如果一组数据的信息价值不高,那么它的预测能力也就更低,并且在许多情况下决策过程中将不提供价值。这也会降低数据评估最终结果的一致性。这里他借用了Zopa新任CEO Jaidev Janardana关于“用户体验一致性”的看法。在线平台都十分看重这一点,因为他们正是依靠这种高水准的客户服务,才得以与银行进行“抗争”。

此外Davis还指出,贷款人审查的数据量越大,贷款申请的任务就会越繁重。智能数据可以帮助降低这样的障碍,从而提高客户转换率。当然,另一个问题就是如何无缝地获得借款人数据。显然,单纯让借款人手工逐条上传个人数据的方法是行不通的。大数据的评估只能通过收集大量无缝有效的解决方案,而不是通过手动输入。

成本问题自然也不能忽视。收集数据必然要产生成本。在线借贷商需要有重点地进行数据收集,否则就是在浪费自己的时间和金钱。并且这浪费可能会对盈利或者可能对投资者回报产生负面的影响,。

目前来看,Creamfinance的智能数据转换似乎已经平稳运行了。Davis告诉我,过去两年中,平台业务覆盖的国家的贷款违约率已经大幅下降。目前80%的公司决策是自动的,而后续还有客观的上涨空间。Creamfinance目前每月借出450万欧元,平均信用评分计算时间50秒,承兑率15%到40%,预期损失率3到10%。

那么我们该如何定义“智能数据”途径呢?简单来说就是把最初的大规模信贷参考变量缩减到了几百个。但是,与传统信用稳定模型的演化又有何不同呢?这里我们同样可以看到大量数据压缩和杠杆,唯一的不同是它们经常压缩成一个单一的结果(比如FICO评分)。

Creamfinance的首席风险官帕特里克提供了一个答案:

“这之间的区别起于‘服务执行’阶段:银行更为保守,他们会利用传统的数据使用方法进行决策,比如用纸张表格的形式收集部分客户信息,而非银行贷款商则会使用电子数据。方法之间的差异主要体现在风险管理和服务速度:更标准的电子信息让非银行放款更快和更自动化,从而转化为快速交易。”

“银行的信用体系是建立在已经存在了几个世纪的规定的基础上,这样的严格规定不允许银行实施快速变化。决策制定主要是由客户提供的纸质信息支持的。与银行相比,非银行贷款商则主要受数据驱动:多数情况下,服务被自我学习算法支持,收集电子数据的过程中最大限度地减少了决策中人为干扰的需要。这意味着更好的风险评估和决策。通过利用自我学习技术的风险评估,公司正在变得更加自动化,并破坏现有的银行和信贷系统。这就是为什么科技金融有时被称为算法基础的银行。”

简单地说,”大数据”就是指大量的数据搜集。它远比传统的信贷资料服务机构要深入生活。“大数据”通常被认为是协助贷款决策的一种手段,因为人们相信大数据用户可以深挖了解潜在借款人的还款能力。如果一个人的传统信用评分低于某一标准,那银行和建筑协会通常都不会为这个人提供任何的服务。而作为大数据的忠实用户,在线贷款商则可以通过这些数据点开辟新的细分市场。

数据的使用似乎是有周期性的。目前的信用评估主要关注做出贷款决定时考虑的数据量。在线贷款商(包括交易市场和直接贷款人)会考察很多的数据,从Experian分数到潜在客户的社交媒体数据都会涉及。不过,最近这种“由量到质”的转变趋势已经变得越来越明显了。换句话说,这是一个从“大数据”向“智能数据”的转变

Creamfinance是坚定的“智能数据派”。这家公司以“创新信用评分法”为五个欧洲市场提供快速信用解决方案,其中包括波兰、拉脱维亚、捷克、斯洛伐克和格鲁吉亚。Creamfinance会直接从自己的资产负债表上贷款给借款人,而不是像其他人一样经营一个借贷平台。这家公司在多个不同地方开设平台,比如拉脱维亚的crediton.lv和ladyloan.lv。不久前,Creamfinance联合创始人Davis男爵向我们描述了Creamfinance这种“少即是多”的贷款风格所带来的影响。

Davis表示,较少的模型变量数量反而会带来更加稳定的测算结果。在他看来,所有的数据都带有“信息价值”。就一个借款人偿还贷款的能力来说,如果一组数据的信息价值不高,那么它的预测能力也就更低,并且在许多情况下决策过程中将不提供价值。这也会降低数据评估最终结果的一致性。这里他借用了Zopa新任CEO Jaidev Janardana关于“用户体验一致性”的看法。在线平台都十分看重这一点,因为他们正是依靠这种高水准的客户服务,才得以与银行进行“抗争”。

此外Davis还指出,贷款人审查的数据量越大,贷款申请的任务就会越繁重。智能数据可以帮助降低这样的障碍,从而提高客户转换率。当然,另一个问题就是如何无缝地获得借款人数据。显然,单纯让借款人手工逐条上传个人数据的方法是行不通的。大数据的评估只能通过收集大量无缝有效的解决方案,而不是通过手动输入。

成本问题自然也不能忽视。收集数据必然要产生成本。在线借贷商需要有重点地进行数据收集,否则就是在浪费自己的时间和金钱。并且这浪费可能会对盈利或者可能对投资者回报产生负面的影响,。

目前来看,Creamfinance的智能数据转换似乎已经平稳运行了。Davis告诉我,过去两年中,平台业务覆盖的国家的贷款违约率已经大幅下降。目前80%的公司决策是自动的,而后续还有客观的上涨空间。Creamfinance目前每月借出450万欧元,平均信用评分计算时间50秒,承兑率15%到40%,预期损失率3到10%。

那么我们该如何定义“智能数据”途径呢?简单来说就是把最初的大规模信贷参考变量缩减到了几百个。但是,与传统信用稳定模型的演化又有何不同呢?这里我们同样可以看到大量数据压缩和杠杆,唯一的不同是它们经常压缩成一个单一的结果(比如FICO评分)。

Creamfinance的首席风险官帕特里克提供了一个答案:

“这之间的区别起于‘服务执行’阶段:银行更为保守,他们会利用传统的数据使用方法进行决策,比如用纸张表格的形式收集部分客户信息,而非银行贷款商则会使用电子数据。方法之间的差异主要体现在风险管理和服务速度:更标准的电子信息让非银行放款更快和更自动化,从而转化为快速交易。”

“银行的信用体系是建立在已经存在了几个世纪的规定的基础上,这样的严格规定不允许银行实施快速变化。决策制定主要是由客户提供的纸质信息支持的。与银行相比,非银行贷款商则主要受数据驱动:多数情况下,服务被自我学习算法支持,收集电子数据的过程中最大限度地减少了决策中人为干扰的需要。这意味着更好的风险评估和决策。通过利用自我学习技术的风险评估,公司正在变得更加自动化,并破坏现有的银行和信贷系统。这就是为什么科技金融有时被称为算法基础的银行。”