阿里平台的局限性思维导图

阿里90%以上的数据来自含淘宝、天猫在内的“大淘宝”，支付宝实名制用户2013年底接近3亿人，但与“大淘宝”高度重叠。阿里只能驾驭自有平台的数据，之外则无优势。

“我们确实在数据采集上存有局限。”前述阿里高管也坦言，他本人就少有网购行为，“数据库中可能找不到我的信息”。

加之京东、1号店等电商崛起，同一客户在不同电商平台的表现是否一致，不同平台的分析结果谁更准确等问题，还有待商榷。并且，阿里的客户群相对单一和同质化，一旦风险袭来则很难把控。相比之下，银行却拥有众多细分市场和细分风险模型，小微业务即便做砸了，也不至全盘皆输。

阿里宣称其具备确认支付宝用户信息的能力，但其实，开设支付宝账户必须链接至少一张银行卡，身份确认的工作和成本，早已由银行付出，阿里只是借力而已。

不仅如此，阿里也不应具有对客户数据的交易和处置权，至少应该在征得被搜集人许可后才能进行买卖。相比之下，银行线上线下的业务办理，均会书面通知客户信息将被部分抓取，行为明显规范得多。

阿里目前呈现的数据产品，不包含细节信息和分析过程，仅是所谓评分系统给出的信用评分，不但真实性、可信度打上了问号，其评分标准亦可能各执其词。

例如，全球银行普遍使用的美国FICO个人信用评分系统，是在依据高达100万的大样本数据进行验证与核对的基础上，才开始使用的。阿里的大数据模型，却尚未经过数据检验和修正。

“金融数据必须足够准确。阿里的产品缺乏标准，如何负起不良率的风险连带责任？”一位有着阿里背景的高盛人士质疑，“一个负责任的银行，绝不会轻易购买。”

是故，一些数据源匮乏的中小银行，就算高价买来阿里数据也难以二次使用。P2P和小贷公司等机构，则往往囊中羞涩，掏腰包也会“货比三家”。

从生产来看，大数据不需要特别的采集过程，因为监管要求、业务逻辑或者技术便利，具有“自生产”特征，比如搜索数据、交易数据等；从存储来看，相对于传统数据库的数据规模，量变引起质变，需要新的数据库技术来支持存储和访问；从使用来看，分析方法从基于概率论的抽样理论过渡到人工智能、统计学习等讲求高维、高效率分析技术。

从行业细分角度，大数据金融业主要有大数据银行金融和大数据证券金融，分别和银行业务、证券业务相关。当然，保险业天然就和大数据相关。

信用卡自动授信是典型的大数据银行金融。从银行角度是否应该对申请者授信、发授多少信用额度，是个重要问题。传统方式是人工审核申请资料，然后根据大致的档位发放额度或拒绝申请。但是当银行积累了足够多的用卡客户数据，可以把是否违约，违约概率，有效使用额度等指标作为被评价对象，然后调用与此相关的各种客户信息建立统计模型，自动计算授信结果。

机器人投资是大数据证券金融的代表形式，股票价格波动受各种因素影响，传统的投资方式一般人工收集信息，手动交易。机器人投资可以建立多因素模型，自动选择股票或寻找交易时机，在适当的风控模型下建立机器人投资云交易模式。