来自 资讯 2021-11-08 01:08 的文章

香港高防ip_bgp高防_超稳定

香港高防ip_bgp高防_超稳定

"每当我提起另类数据的话题时,我们董事会的第一个问题就是‘我们在使用Facebook的数据吗?’?’ "在我们最近的EMEA风险领导力论坛上,一位参与者的这句话引起了很多人的笑声和点头。在评估信用风险时,每个人都想知道贷款人是否、何时以及如何开始调查他们的Facebook账户。出于对放款人来说显而易见的原因,这种诱人的可能性实际上并没有排在需要挖掘的数据源列表的首位。事实上,在论坛上,我们探讨了一些可以增加消费者信用状况的数据来源。多种替代数据类型什么是替代数据?在信用发放中,一般指与消费者信用行为没有直接关系的任何数据。传统数据通常是指来自信贷机构、信贷申请或贷款人自己的现有客户档案的数据。替代数据就是一切。另类数据是一个热门话题,部分原因是过去几年数据爆炸式增长,部分原因是金融包容性的推动。据估计,全世界大约有30亿成年人没有信用记录,因此也没有信用记录。开放这一市场是放贷者的首要任务。尽管这些人中的许多人都在信用基础设施尚不成熟的发展中市场,但在最成熟的信贷市场中,也有所谓的"信用隐形人",他们没有信用,也不为信用局所知。考虑到这一点,让我们看看一些替代数据的来源,以及它们对信贷决策的用处。交易数据。这通常是关于客户如何使用信用卡或借记卡的数据。这似乎不是"另类选择"——大多数贷款机构已经掌握了这些数据,经常被操纵成月度总结——但它并不是为了提取最大的预测值而挖掘出来的。它可用于生成广泛的预测特征,如过去X周的现金与总支出的比率或过去X周至上周Y周的支出比率,甚至基于不同零售商类型的交易数量、频率和价值的特征。处理它可能很耗时,ddos防御效果分析,但数据本身通常是干净的。电信/公用事业/租赁数据。这些数据基本上是信用历史数据,但它是可选的,因为它实际上并没有出现在大多数信用报告中。FICO已经为美国的FICO®Score XD挖掘了这些数据。社会概况数据。挖掘Facebook、LinkedIn、Twitter、Instagram、Snapchat或其他社交媒体网站是可能的,但很少有银行愿意冒着监管障碍,率先行动。虽然可能不是从人们在这些频道上说的话,而是从元数据(例如,帖子的数量、频率或社交图的大小)中获得价值,但这仍可能引发隐私问题。此外,尽管一些有进取心的金融科技公司可能会说,这些数据的价值将远远低于信用关系较强的数据的价值。消费者也可以操纵这些数据。单击流数据。客户如何浏览你的网站,他们在哪里点击,他们在网页上花了多长时间,这些都是可以预测的。音频和文本数据。这些数据的形式是信贷申请、记录的客户服务或托收电话中的信息。它可以补充"瘦文件",并且已经证明了它在收藏中的价值。社会网络分析。新技术使我们能够用两种重要的方式来描绘消费者的网络。首先,这种技术可以用来识别单个客户的所有文件和帐户,即使这些文件的名称或地址略有不同。这样可以更好地了解消费者及其风险。第二,我们可以确定个人与其他人的联系,临时高防cdn,比如他们家里的人。当评估一个没有或几乎没有信用记录的信用申请人时,DDos防御方案有哪些,申请人网络的信用等级可以提供有用的信息。然而,这并不能满足所有市场的监管要求。调查/问卷数据。一个创新的新方法,评级信用风险的人很少或没有信用记录是通过心理测量。这一领域的领导者,EFL,根据他们在哈佛大学10年的研究成绩。FICO已经与EFL合作,让更多的人在全球市场上变得可耻。价值多少?FICO的研究表明,这些数据来源确实增加了基于传统数据的信用风险模型保证金的预测价值。下表列出的预测值应视为相对指标,而非绝对值,因为数据源的附加值基于许多参数,如现有模型的预测能力、与贷款人的客户关系强度等。请注意,用作基线的传统模型是应用程序模型,而不是信用局评分模型(如FICO®评分)。下表显示了FICO为个人贷款发放组合所做的一个项目的结果。传统的信用特征比替代数据特征捕捉到更多的价值(替代数据捕获了约60%的预测能力),两者之间存在高度重叠。然而,通过结合传统数据特征和替代数据特征(并理解重叠以避免过度权衡某些变量的贡献),我们能够生成一个更强大的模型。机器学习和可解释性如果不讨论不同的分析技术和机器学习,比如神经网络、随机森林和随机梯度提升,就不可能谈论替代数据。对于大型的非结构化数据集,巧妙地使用这些技术可以识别与信贷风险相关的数据模式,并使模型开发过程更易于管理。然而,与一般人工智能一样,数据科学家扮演着重要的角色。他们需要检查输出的准确性,确保模型不会过度拟合数据,确保模型提供稳定的输出,并确保发现的模式强大、相关和可解释。在处理人工智能和机器学习时,可解释性是一个挑战。贷款机构需要解释消费者是如何被评分的——当然是向监管者解释,而且往往是消费者自己。FICO使用一种我们称之为记分器的技术,它将人工智能、机器学习和其他技术中识别的模式转化为易于理解和实现的记分卡,并产生与机器学习模型类似的预测能力提升。有关这些技术的更多信息,ddos攻击与防御电子书,请参阅FICO首席分析官Scott Zoldi的博客文章,介绍如何使用人工智能和机器学习构建信用风险模型。FICO的分析团队将在8月30日至9月1日在爱丁堡举行的2017年信用评分和信用控制会议上介绍其中一些概念。我们有六个关于广泛主题的演讲-如果你喜欢分析,请过来看看我们。阅读更多的FICO专家关于替代数据的帖子。

,云高防cdn