专题课程
事件背景：6月29日，京东消费金融业务高级总监许凌在媒体沟通会上透露，京东金融场景已布局京东白条、校园白条、旅游白条、租房白条、首付白条、农村金融、进攻的那个金采、京东钢蹦8类金融产品。并在会上首次向外界宣布：“京东生态大数据、京东用户信用等级体系和国际顶尖的数据分析团队三个核心构建了互联网大征信体系。”
艾瑞快评：
饱受争议的大数据
大数据概念自其被提出以来，被社会各界寄予厚望，仿佛在互联网时代找到了解答一切未知疑问的万能钥匙，但是由于其研究难度较大，导致迟迟没有相关成果对外输出，使得社会预期落空，市场逐渐出现了反大数据的声音，而利用大数据做信贷的风险控制也有逐渐变成伪命题的趋势。
在大数据领域，有一个故事广为流传：某家书店有A和B两本书，这两本书分开摆放售卖，销售都不理想，但是把AB摆在一起售卖，两本书的销量同时增加。店员和其他书店都不知道为什么，仅仅是复制了这一做法，各家书店AB两本书的销量都有所增加。
在此尚不讨论这个故事的真伪，但是这个故事的确说出了大数据技术所面临的问题和它有限的应用方式。即：难以认知和被迫跟随。
难以认知是因为人类大脑的生物学极限，我们在关注一件事时，最多只能关注有限的几条逻辑线，所以当大数据构建起一个数据神经网络时，以我们的常识很难解释所有数据和事件之间的关联，当这种情况发生时，我们本能的就会拒绝这种关联，这也是大数据迟迟难有成果问世的主要原因。
被迫跟随是基于难以认知这个前提，而做出的一种妥协，这种妥协使得大数据技术的应用逻辑呈现出成果导向性，在以逻辑推论为主要决策依据的商业圈，很难将重要的决策和事件利用成果导向性的方式展开大数据的被迫跟随战略。
大数据解决了什么问题
从经济学原理上讲，商业的本质是平衡供需，而从一个商业机构的角度出发，开发和培育用户的需求是商业能够延续的基础，因此利用经济学原理解释用户需求，就可以窥见大数据所解决的问题，公式如下：
用户需求=基础需求+影响用户需求的强相关因素+影响户需求的弱相关因素
强相关因素在商业运营中数量有限（以三个为例X、Y、Z）但是影响力占主导地位，而弱相关因素众多，但是影响力较小。转换成公式如下：
用户需求=基础需求+AX+BY+CZ+(ax1+bx2+……+cxn)
在传统商业运营过程中强相关因素已被广泛熟知，比如：用户总资产、可支配收入等等。因此大数据在这一方面对于用户需求的支持非常有限，在这些领域，大数据技术应用价值也自然很小。但是在一些现有商业环境尚未覆盖的领域，或者传统商业环境无法服务的用户群体，强相关因素或无法预估，或干脆没有，导致这些领域和用户形成了一个亚商业圈，在这个亚商业圈中，存在大量用户需求，比如中小微企业融资问题，个人消费信贷问题等……这时，就需要利用大数据技术，对所有弱相关因素进行汇总，由于数据量庞大，虽然每一条数据对用户需求的开发确认所起的作用不大，但大量弱相关因素一起发挥作用时，就可以媲美X、Y、Z这些强相关因素。
当把用户需求转变成用户信用时，大数据技术在信贷领域应用的理论基础便随之成立。
京东金融如何应用大数据
京东作为电商平台有其独特的优势，在其庞大的用户群体中，存在大量传统金融机构无法服务的“亚金融圈用户”，按照前文的理论，这些用户并不能提供银行信贷所需要的各类资料，从理论上解释，也就是不能提供银行需要的强相关因素。而这类人群或企业群却在京东的电商生态内积累了大量社交、评论和交易数据。
除此之外，还有一类被广泛忽略的数据——用户在网站上的行为轨迹数据。比如：A用户是通过搜索栏购买某商品，还是在购物车中比价之后再购买某类商品；是先看优惠券再消费，还是先消费再看优惠券等等看似和个人信用无关的弱相关数据。然后从大量弱相关数据中汇总，综合评估授信对象的额度，进而开展白条类信贷业务。
京东内部的风控模型构建，利用这些弱相关因素的汇聚实现风控的创新，据称其坏账率低于银行等传统金融机构。
京东大数据风控的借鉴方法
首先、互联网金融网站要充分利用本网站上所积累的所有数据，并按照网站核心利益点，归纳总结出几条典型的用户行为轨迹。比如：用户浏览项目的轨迹、用户付费的轨迹、用户注册登录的轨迹等……
其次、利用信用较好的优质客户行为轨迹，与所有客户进行对比。如果”亚金融圈客户“有相似的行为轨迹，则尝试着对其授信。
最后、授信后观测坏账结果，定期分析成功信贷的”亚金融圈客户“最新的行为轨迹，进而完善原有的风控模型。
收藏(0)
赞 
粤公网安备44010602001432号