我來說說吧，以芝麻信用為例，當發生電商交易，信用卡還款；亦或是導入領英賬號信息，錄入車輛信息，導入住房公積金信息。以上種種行為體現在信用分上，都會以提高芝麻信用分的形式體現出來。也即，在芝麻信用的體系中，將以上行為定義為好的，正面的行為。那麽問題就在於，此類行為的好與壞，是由何種標準定義的，是否能經過檢驗。當然，以人們常規的認識，上述行為必然是好的行為。但，是否不符合以上行為的人群，其違約風險壹定會高？按照以上的標準將人群進行區分，違約率是否會有顯著差異？其差異是否達到了統計學顯著的標準，從而可以作為結論使用？大數據提供了檢驗的方法，在其背後的所涵蓋的統計學，計量經濟學，以至於神經網絡中，有大量的知識和技能用於驗證上述定義是否有其科學依據。如果——不幸的——上述行為只是基於壹般認識所得出來的結論，不加驗證的將其納入到大數據的信用評分體系中，那麽最終得到的結果，對於大數據來說是可悲的。因為在這壹方法論下，大數據只是作為約定俗稱的慣常思維的眼神，只是相當於海量的信貸專家坐在壹起進行討論。我所希望的大數據，應該要像AlphaGo學習圍棋壹樣，不管定式，不管手筋。從勝率的角度去評價每壹個點位落子的價值，最終找出能夠走向勝利的最優下法。應用在信貸審核中，就是拋掉所有約定俗成的見解，去重新尋找經過大數據驗證的信用風險影響因素，並以此為基礎，重新建立信用風險審核的新體系。