首页
学习
活动
专区
圈层
工具
发布

中诚信征信闫文涛:个人征信和企业征信未来将走向融合

2、企业信用,包括大型企业信用和中小微企业信用。...近年来,中诚信征信在企业信用、个人信用和资产信用三个方面均开展了业务,并通过大数据、人工智能等技术的应用保证各项业务正常运行。...早些年,电子科技尚未普及,数据量相对匮乏,想要对用户进行有效的信用画像可谓是难上加难。...如今,互联网和移动互联网的发展带动了数据量的增长,IDC预测,2022年全球数据量将超过40ZB(ZB的概念就是万亿的GB);大数据、云技术、人工智能等新兴技术的应用,使得行之有效的用户画像可以在较短时间完成...对于中小微企业,征信机构会将个人信用、企业信用进行整合,只有把二者统一起来,才能更好地刻画出小微企业的信用情况。闫文涛说:“之前,个人征信和企业征信泾渭分明,但在未来,二者将走向融合。”

1.9K70
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    12.29 VR扫描:bHaptics发布VR触觉手套TactGlove;Meta收购数据合成公司AI.Reverie

    bHaptics,发布了全新的VR触觉手套TactGlove,售价299美元;Meta已收购数据合成公司AI.Reverie,将其并入AR/VR团队Reality Labs;Meta Quest开启“2022新年特卖...”活动,20多款热门VR游戏低价促销中。...05 Quest开启“2022新年特卖”活动 多款VR游戏低价促销 近日,Quest Store正式开启“2022新年特卖”活动,涉及20多款热门VR游戏,包括《Until You Fall》、《Moss...值得注意的是,还更新了两个新年捆绑包。假如玩家已经拥有了捆绑包中的某一款游戏,就无需为游戏支付两次费用,因为Meta采用灵活的捆绑方式。此外,玩家也可以在oculus.com上查看所有促销游戏。

    6.3K40

    张涵诚:海关大数据平台与应用的场景思考

    5、以智能化、自动化为方向,完善海关执法信息系统,建立预测性的企业信用评估模型和风险分析模型,实现计算机自动采集并形成布控参数,实现处置结果对参数、企业信用的自动调整,提升海关监管的针对性、有效性。...在现实中,世界重量级公司利用情报获胜的实例并不罕见,IBM跟随苹果电脑进入市场,而最终改变IBM业务;微软公司36小时内做出掌上电脑的促销决策而给PALM致命一击;柯达固执地聚焦现有感光胶片而避免同索尼...系统现有145条智能规则,涵盖关税、监管、加工贸易等多个海关业务领域,实现对企业智能“画像”,精确瞄准。...海关工作人员根据系统“画像”对企业实施稽核查、风险预警等差别化处置,贯彻落实强监管、优服务、防风险、堵漏洞的工作思路。...在现实中,世界重量级公司利用情报获胜的实例并不罕见,IBM跟随苹果电脑进入市场,而最终改变IBM业务;微软公司36小时内做出掌上电脑的促销决策而给PALM致命一击;柯达固执地聚焦现有感光胶片而避免同索尼

    2.3K10

    理想中的Web3信誉体系:如何在Web2基础上升级?

    理想中的 Web3 或者新一代信誉体系应当是拥有全面的信用数据、强大的技术支撑以及合理的监管流程: 第一,打造全面立体的信用画像。...未来信誉体系应该包含链下及链上数据,从各个维度来记录个人及企业信用行为。比如在传统金融数据的基础上,链上相关交互数据也应当被包括在信用报告中。...数据完整性和难以篡改性也能够保证个人及企业信用行为得到更好的规范,做到自觉抵制不良行为。 第二,拥有强大且隐私保护的数据存储和技术。...个人用户可以选择将自己的信用分或评级在社媒和 dApp 里露出,在 Web3 社交中展现良好画像,并利用信用报告获得潜在福利。

    1.4K30

    用户画像、用户分群、用户分层,到底有啥区别?

    用户标签、用户画像、用户分群、用户分层、用户细分……很多做用户分析的同学,会被这几个概念绕晕。今天系统讲解一下。...用户画像是底座 大量的用户指标与标签,形成了用户画像。用户画像是一个统称,通常一讲用户画像,大家都知道是在说用户的指标与标签问题。用户画像是数据服务业务的底座,有了用户画像才可以进一步地工作。...这样是有风险的,因为历史消费高不见得意味着未来消费高,特别是这种历史消费高峰是在促销期,或者买耐用品买出来的。这时候用户是很少有未来消费需求的。...暗分,即内部设定好标准,比如A类用户促销敏感度低,B类用户促销敏感度高,之后在抽奖的时候,不给A类用户中奖,只给B类用户中奖。...所以还是需要有一些大规模的宣传/促销做支持,先解决活跃问题再说。 那用户分层和推荐系统又是啥关系? 看到这里,肯定有同学会联想:那推荐系统和用户分层又有啥区别?不都是推个东西给用户吗?

    3.3K61

    通过大数据接口API构造企业风险画像过程

    本文将从技术实践的角度,详细介绍企业风控API的集成应用,重点关注API的调用方式、数据结构以及风险维度的划分,帮助开发者快速构建企业风险画像系统。...关键词:企业风控API、风险画像、企业信用评估、供应链风控、商业尽调、企业征信、风险预警、企业风险报告、天远APIAPI概述企业风控API是一套基于大数据的风险评估接口,通过标准化的HTTP协议提供企业风险数据查询服务...API代码:ENTX0V4BAPI名称:企业风险画像(详版)请求端点:https://api.tianyuanapi.com/api/v1/ENTX0V4BAPI调用示例Python SDK示例class...司法与合规风险维度数据项包含信息业务价值司法案件统计案件类型分布- 涉案金额- 案件状态评估企业涉诉风险失信与限高风险失信记录- 限制高消费- 执行情况判断企业信用状况法定代表人风险个人涉诉- 关联企业风险

    71600

    用户画像、用户分群、用户分层,到底有啥区别?

    用户画像是底座 大量的用户指标与标签,形成了用户画像。用户画像是一个统称,通常一讲用户画像,大家都知道是在说用户的指标与标签问题。用户画像是数据服务业务的底座,有了用户画像才可以进一步地工作。...这样是有风险的,因为历史消费高不见得意味着未来消费高,特别是这种历史消费高峰是在促销期,或者买耐用品买出来的。这时候用户是很少有未来消费需求的。...暗分,即内部设定好标准,比如A类用户促销敏感度低,B类用户促销敏感度高,之后在抽奖的时候,不给A类用户中奖,只给B类用户中奖。...因此如果要公布分群规则,最好直接把这种分群当成促销活动。考核额外给到的资源、新拉动的消费数量,评估分群效果。 注意,这么做也是有限制的。 1、分群规则不能复杂,否则用户看不懂,一切白搭。...所以还是需要有一些大规模的宣传/促销做支持,先解决活跃问题再说。 那用户分层和推荐系统又是啥关系? 看到这里,肯定有同学会联想:那推荐系统和用户分层又有啥区别?不都是推个东西给用户吗?

    1.4K10

    RocketMQ实战—9.营销系统代码初版

    大纲1.基于条件和画像筛选用户的业务分析和实现2.全量用户促销活动数据模型分析以及创建操作3.Producer和Consumer的工程代码实现4.基于抽象工厂模式的消息推送实现5.全量用户促销活动消息推送的流程和缺陷分析...、缺陷和削峰12.XXLJob驱动定时推送模式的运行原理13.不活跃用户领取优惠券流程14.热门商品根据用户画像定时推送以及MQ削峰15.营销的四大业务场景MQ削峰方案经验总结接下来实现营销系统四大促销场景的代码初版...:全量用户推送促销活动、全量用户发放优惠券、特定用户推送领取优惠券消息、热门商品定时推送1.基于条件和画像筛选用户的业务分析和实现(1)获取全部⽤户信息接⼝(2)根据条件获取⽤户信息接⼝(3)查询画像匹配的用户接口一般进行...这样该用户就有了一个在APP里的用户画像,user profile就是对一个用户的描述。当每个用户都有一个自己的用户画像后,在进行活动推送时,可以直接根据用户画像的标签来筛选用户。...:会员等级和会员积分 private Integer memberLevel;//会员等级 -> 用户画像标签 private Long memberPoint;//会员积分 -> 用户画像标签

    1.2K00

    供应商准入公开信息核查的工程化设计:问题建模、五维模型与分级核查体系

    近年来,企业信用信息公示系统、裁判文书公开平台等渠道陆续开放,企业信用信息、涉诉记录与行政处罚数据大量可查,采购方由此具备了在签约之前开展独立验证的条件。...下表整理了各维度对应的核查要点、常见公开渠道与需要警惕的信号:维度核查要点常见公开渠道警惕信号主体资质注册时间、注册资本实缴情况、经营范围、行业资质证书企业信用信息公示系统、官方认证平台成立不久却承接大额长期订单司法与信用涉诉记录...一种常见的分级方式如下:A类·深度核查:关键物料独家供应、单笔金额较大或合作周期较长的对象适用此档,核查需在五个维度之外补充深度背调,覆盖实际控制人履历、关联企业风险与舆情历史,最终形成结构化画像并留档...从具体执行来看,专业的开源情报服务机构通常将深度核查拆分为多源信息采集、交叉验证与风险研判三个环节,依托结构化的数据采集工具批量处理人物与机构的多字段公开信息,A类供应商的画像因而能够在准入阶段初步成形...涉及A类供应商或跨境合作时,深度环节的工作量与专业要求明显上升,不少企业会将这部分工作交由外部开源情报分析团队承担,以获得更系统的画像与研判支持。

    16510

    深度解析京东个性化推荐系统演进史

    兴趣主要有性别、品牌 偏好、品类偏好、购买力等级、自营偏好、尺码颜色偏好、促销敏感度、家庭情况等。商品画像主要包括商品的产品词、修饰词、品牌词、质量分、价格等级、性别、年龄、标签等。...数据平台 京东拥有庞大的用户量和全品类的商品以及多种促销活动,可以根据用户在京东平台上的行为记录积累数据,如浏览、加购物车、关注、搜索、购买、评论等行为数据,以及商品本身的品牌、品类、描述、价格等属性数据的积累...通过对这些用户行为及相关场景的分析,构建了京东用户画像,如图10所示。 其中不仅有用户的年龄、性别、购物习惯,更有根据其购物行为分析出的大量数据,例如是否已婚,是否有孩子,对促销是否敏感等。...以秒杀为例,推荐结果会根据当前用户的用户画像中的画像模型(性别、年龄、促销敏感度、品类偏好、购买力)进行加权,让用户最感兴趣的商品排在前面。 用户画像也是场景推荐的核心基础。...如用户选择“包治百病”标签,会按用户画像中的性别、年龄、品类、促销敏感度等画像模型进行推荐商品的重排序。 ? 图10 用户画像示意图 ?

    2.8K71

    深度解析京东个性化推荐系统

    兴趣主要有性别、品牌 偏好、品类偏好、购买力等级、自营偏好、尺码颜色偏好、促销敏感度、家庭情况等。商品画像主要包括商品的产品词、修饰词、品牌词、质量分、价格等级、性别、年龄、标签等。...数据平台 京东拥有庞大的用户量和全品类的商品以及多种促销活动,可以根据用户在京东平台上的行为记录积累数据,如浏览、加购物车、关注、搜索、购买、评论等行为数据,以及商品本身的品牌、品类、描述、价格等属性数据的积累...通过对这些用户行为及相关场景的分析,构建了京东用户画像,如图10所示。 其中不仅有用户的年龄、性别、购物习惯,更有根据其购物行为分析出的大量数据,例如是否已婚,是否有孩子,对促销是否敏感等。...以秒杀为例,推荐结果会根据当前用户的用户画像中的画像模型(性别、年龄、促销敏感度、品类偏好、购买力)进行加权,让用户最感兴趣的商品排在前面。 用户画像也是场景推荐的核心基础。...如用户选择“包治百病”标签,会按用户画像中的性别、年龄、品类、促销敏感度等画像模型进行推荐商品的重排序。 ? 图10 用户画像示意图 ?

    3.5K31

    深度解析京东个性化推荐系统演进史!

    兴趣主要有性别、品牌 偏好、品类偏好、购买力等级、自营偏好、尺码颜色偏好、促销敏感度、家庭情况等。商品画像主要包括商品的产品词、修饰词、品牌词、质量分、价格等级、性别、年龄、标签等。...三、数据平台 京东拥有庞大的用户量和全品类的商品以及多种促销活动,可以根据用户在京东平台上的行为记录积累数据,如浏览、加购物车、关注、搜索、购买、评论等行为数据,以及商品本身的品牌、品类、描述、价格等属性数据的积累...通过对这些用户行为及相关场景的分析,构建了京东用户画像,如图10所示。 其中不仅有用户的年龄、性别、购物习惯,更有根据其购物行为分析出的大量数据,例如是否已婚,是否有孩子,对促销是否敏感等。...以秒杀为例,推荐结果会根据当前用户的用户画像中的画像模型(性别、年龄、促销敏感度、品类偏好、购买力)进行加权,让用户最感兴趣的商品排在前面。 用户画像也是场景推荐的核心基础。...如用户选择“包治百病”标签,会按用户画像中的性别、年龄、品类、促销敏感度等画像模型进行推荐商品的重排序。 ? 图10 用户画像示意图 ?

    2.2K11

    企业如何利用数据打造精准用户画像?

    1 用户画像的阶段和准则 首先就是将自己企业的用户画像做个白描,告诉他这些用户“都是谁”“从哪来”“要去哪”。...这些包括了用户的基础属性 消费标签:消费习惯、购买意向、是否对促销敏感。这些统计分析用户的消费习惯 行为标签:时间段、频次、时长、访问路径。...竞争对手、需求变化等,通过预测用户的流失率可大幅降低用户留存运营成本 3 抽象能力,繁杂事务简单化 上述“用户消费行为标签”都是基于一般情况考虑,此外,用户行为也会随营销节奏产生异常值,如双十一,如商家都在促销就产生突发的大量订单...促销敏感度:是否对折扣、满减、优惠券等促销活动敏感,可通过历史订单数据进行判断。 外卖/堂食比例:分析用户更偏好外卖还是堂食,帮助店铺优化配送服务或堂食体验。...流失用户:长时间未下单的用户,通过促销或推送激活其消费行为,减少流失率。 7. 饮食偏好标签 口味偏好:辣味、清淡、偏咸等,根据用户对不同调味的偏好进行区分。

    1.5K10

    架构师视角:如何从数据底座到策略应用构建可复用的人群分析引擎?

    为了从根本上降低数据资产的维护成本,并提高计算效率,我们需要构建一套动态群组、策略画布与群体画像“三位一体”的用户分析引擎。...例如,需要找出“参与促销活动但至今沉默未转化的客群”,需要使用交集逻辑(促销 ∩ 沉默);需要找出“高价值中未流失的客群”,需要使用差集逻辑(高价值 - 已流失)。...三、 画像引擎与 TGI 特征计算用户特征画像之所以常被视为数据花瓶,是因为常规的静态分布(如性别分布、地域占比)无法反映出该客群相较于大盘的核心特征差异。...在画像引擎的设计中,我们需要引入 TGI(特征显著指数) 算法来解决这一问题。...”这一长计算链路沉淀为可复用的模板,后续面对同类业务问题,直接替换输入群组即可秒级产出画像结论。

    26910

    一线互联网智能推荐系统架构演进

    兴趣主要有性别、品牌 偏好、品类偏好、购买力等级、自营偏好、尺码颜色偏好、促销敏感度、家庭情况等。商品画像主要包括商品的产品词、修饰词、品牌词、质量分、价格等级、性别、年龄、标签等。...三、数据平台 京东拥有庞大的用户量和全品类的商品以及多种促销活动,可以根据用户在京东平台上的行为记录积累数据,如浏览、加购物车、关注、搜索、购买、评论等行为数据,以及商品本身的品牌、品类、描述、价格等属性数据的积累...通过对这些用户行为及相关场景的分析,构建了京东用户画像,如图10所示。 其中不仅有用户的年龄、性别、购物习惯,更有根据其购物行为分析出的大量数据,例如是否已婚,是否有孩子,对促销是否敏感等。...以秒杀为例,推荐结果会根据当前用户的用户画像中的画像模型(性别、年龄、促销敏感度、品类偏好、购买力)进行加权,让用户最感兴趣的商品排在前面。 用户画像也是场景推荐的核心基础。...如用户选择“包治百病”标签,会按用户画像中的性别、年龄、品类、促销敏感度等画像模型进行推荐商品的重排序。 ? 图10 用户画像示意图 ?

    6.7K110

    深度解析京东个性化推荐系统演进史

    兴趣主要有性别、品牌 偏好、品类偏好、购买力等级、自营偏好、尺码颜色偏好、促销敏感度、家庭情况等。商品画像主要包括商品的产品词、修饰词、品牌词、质量分、价格等级、性别、年龄、标签等。...数据平台 京东拥有庞大的用户量和全品类的商品以及多种促销活动,可以根据用户在京东平台上的行为记录积累数据,如浏览、加购物车、关注、搜索、购买、评论等行为数据,以及商品本身的品牌、品类、描述、价格等属性数据的积累...通过对这些用户行为及相关场景的分析,构建了京东用户画像,如图10所示。 其中不仅有用户的年龄、性别、购物习惯,更有根据其购物行为分析出的大量数据, 例如是否已婚,是否有孩子,对促销是否敏感等。...以秒杀为例,推荐结果会根据当前用户的用户画像中的画像模型(性别、年龄、促销敏感度、品类偏好、购买力)进行加权,让用户最感兴趣的商品排在前面。 用户画像也是场景推荐的核心基础。...如用户选择“包治百病”标签,会按用户画像中的性别、年龄、品类、促销敏感度等画像模型进行推荐商品的重排序。

    2K100
    领券