首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

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。”

1.1K70

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。

67630
您找到你想要的搜索结果了吗?
是的
没有找到

数据告诉你:面对双11,线下商机何在

芝麻科技联合阿里巴巴大数据平台、意略明市场营销咨询带来了实体商业(以服装与化妆品为代表)的线下客流分析和消费者大数据画像报告。...研究数据涉及北京、武汉、深圳重点商圈的男装、女装、化妆品店在“双11”前一个周末(11月7日、11月8日)的客流及客群画像与“双11”前三周的对比。由芝麻科技的客流分析系统有数提供研究所需数据。...芝麻科技的大数据消费者画像除了有近500项标签刻画消费者画像外,还能够提供品牌受众地理位置分布热力图,了解品牌受众的逛街习惯、集中地理位置等,可作为品牌新店选址、基于地理位置广告投放策略参考等。...双11前,女装店吸引了大量老顾客,她们对品牌熟悉,更愿意在门店里长久停留选购(从平均5.3分钟提升至8.5分钟),或是为即将到来的线上抢购做准备,品牌如果能满足老客们已有的购买意愿,将有可能促成她们的线下购买...双11不是实体商业的黑色周,相反,无论是客流数据,还是客群画像,都证明了旺盛的购物意愿会为实体商业带来大量销售机会。

6.8K60

干货:如何构建用户画像

一、什么是用户画像? 男,31岁,已婚,收入1万以上,爱美食,团购达人,喜欢红酒配香烟。 这样一串描述即为用户画像的典型案例。如果用一句话来描述,即:用户信息标签化。 如果用一幅图来展现,即: ?...二、为什么需要用户画像 用户画像的核心工作是为用户打标签,打标签的重要目的之一是为了让人能够理解并且方便计算机处理,如: 可以做分类统计:喜欢红酒的用户有多少?喜欢红酒的人群中,男、女比例是多少?...所以,用户画像,即:用户标签,向我们展示了一种朴素、简洁的方法用于描述用户信息。 3.1 数据源分析 构建用户画像是为了还原用户信息,因此数据来源于:所有用户相关的数据。...因为是昨天的行为,假设衰减因子为:r=0.95 行为类型:浏览行为记为权重1 地点:品尚红酒单品页的网址子权重记为 0.9(相比京东红酒单品页的0.7) 假设用户对红酒出于真的喜欢,才会去专业的红酒网选购...,而不再综合商城选购

1.8K40

干货 ▏如何构建用户画像

一、什么是用户画像? 男,31岁,已婚,收入1万以上,爱美食,团购达人,喜欢红酒配香烟。 这样一串描述即为用户画像的典型案例。如果用一句话来描述,即:用户信息标签化。...二、为什么需要用户画像 用户画像的核心工作是为用户打标签,打标签的重要目的之一是为了让人能够理解并且方便计算机处理,如: 可以做分类统计:喜欢红酒的用户有多少?喜欢红酒的人群中,男、女比例是多少?...所以,用户画像,即:用户标签,向我们展示了一种朴素、简洁的方法用于描述用户信息。 3.1 数据源分析 构建用户画像是为了还原用户信息,因此数据来源于:所有用户相关的数据。...因为是昨天的行为,假设衰减因子为:r=0.95 行为类型:浏览行为记为权重1 地点:品尚红酒单品页的网址子权重记为 0.9(相比京东红酒单品页的0.7) 假设用户对红酒出于真的喜欢,才会去专业的红酒网选购...,而不再综合商城选购

1K50

【数据分析】用户画像,这么构!

伴随着对人的了解逐步深入,一个概念悄然而生:用户画像(UserProfile),完美地抽象出一个用户的信息全貌,可以看作企业应用大数据的根基。 一、什么是用户画像?...二、为什么需要用户画像 用户画像的核心工作是为用户打标签,打标签的重要目的之一是为了让人能够理解并且方便计算机处理,如,可以做分类统计:喜欢红酒的用户有多少?喜欢红酒的人群中,男、女比例是多少?...所以,用户画像,即:用户标签,向我们展示了一种朴素、简洁的方法用于描述用户信息。 3.1 数据源分析 构建用户画像是为了还原用户信息,因此数据来源于:所有用户相关的数据。...因为是昨天的行为,假设衰减因子为:r=0.95 行为类型:浏览行为记为权重1 地点:品尚红酒单品页的网址子权重记为 0.9(相比京东红酒单品页的0.7) 假设用户对红酒出于真的喜欢,才会去专业的红酒网选购...,而不再综合商城选购

2.2K90

如何构建用户画像

伴随着对人的了解逐步深入,一个概念悄然而生:用户画像(UserProfile),完美地抽象出一个用户的信息全貌,可以看作企业应用大数据的根基。 一、什么是用户画像?...二、为什么需要用户画像 用户画像的核心工作是为用户打标签,打标签的重要目的之一是为了让人能够理解并且方便计算机处理,如,可以做分类统计:喜欢红酒的用户有多少?喜欢红酒的人群中,男、女比例是多少?...所以,用户画像,即:用户标签,向我们展示了一种朴素、简洁的方法用于描述用户信息。 3.1 数据源分析 构建用户画像是为了还原用户信息,因此数据来源于:所有用户相关的数据。...因为是昨天的行为,假设衰减因子为:r=0.95 行为类型:浏览行为记为权重1 地点:品尚红酒单品页的网址子权重记为 0.9(相比京东红酒单品页的0.7) 假设用户对红酒出于真的喜欢,才会去专业的红酒网选购...,而不再综合商城选购

2.5K61

用户画像数据建模方法

伴随着对人的了解逐步深入,一个概念悄然而生:用户画像(UserProfile),完美地抽象出一个用户的信息全貌,可以看作企业应用大数据的根基。 一、什么是用户画像?...二、为什么需要用户画像 用户画像的核心工作是为用户打标签,打标签的重要目的之一是为了让人能够理解并且方便计算机处理,如,可以做分类统计:喜欢红酒的用户有多少?喜欢红酒的人群中,男、女比例是多少?...所以,用户画像,即:用户标签,向我们展示了一种朴素、简洁的方法用于描述用户信息。 3.1 数据源分析 构建用户画像是为了还原用户信息,因此数据来源于:所有用户相关的数据。...因为是昨天的行为,假设衰减因子为:r=0.95 行为类型:浏览行为记为权重1 地点:品尚红酒单品页的网址子权重记为 0.9(相比京东红酒单品页的0.7) 假设用户对红酒出于真的喜欢,才会去专业的红酒网选购...,而不再综合商城选购

1.7K60

如何构建用户画像

伴随着对人的了解逐步深入,一个概念悄然而生:用户画像(UserProfile),完美地抽象出一个用户的信息全貌,可以看作企业应用大数据的根基。 一、什么是用户画像?...二、为什么需要用户画像 用户画像的核心工作是为用户打标签,打标签的重要目的之一是为了让人能够理解并且方便计算机处理,如,可以做分类统计:喜欢红酒的用户有多少?喜欢红酒的人群中,男、女比例是多少?...所以,用户画像,即:用户标签,向我们展示了一种朴素、简洁的方法用于描述用户信息。 3.1 数据源分析 构建用户画像是为了还原用户信息,因此数据来源于:所有用户相关的数据。...因为是昨天的行为,假设衰减因子为:r=0.95 行为类型:浏览行为记为权重1 地点:品尚红酒单品页的网址子权重记为 0.9(相比京东红酒单品页的0.7) 假设用户对红酒出于真的喜欢,才会去专业的红酒网选购...,而不再综合商城选购

2.2K80

【干货】用户画像数据建模方法

伴随着对人的了解逐步深入,一个概念悄然而生:用户画像(UserProfile),完美地抽象出一个用户的信息全貌,可以看作企业应用大数据的根基。 一、什么是用户画像?...二、为什么需要用户画像 用户画像的核心工作是为用户打标签,打标签的重要目的之一是为了让人能够理解并且方便计算机处理,如,可以做分类统计:喜欢红酒的用户有多少?喜欢红酒的人群中,男、女比例是多少?...所以,用户画像,即:用户标签,向我们展示了一种朴素、简洁的方法用于描述用户信息。 3.1 数据源分析 构建用户画像是为了还原用户信息,因此数据来源于:所有用户相关的数据。...因为是昨天的行为,假设衰减因子为:r=0.95 行为类型:浏览行为记为权重1 地点:品尚红酒单品页的网址子权重记为 0.9(相比京东红酒单品页的0.7) 假设用户对红酒出于真的喜欢,才会去专业的红酒网选购...,而不再综合商城选购

1.7K60

解构Z世代——新时代消费主力军重塑营销新模式

二、Z世代消费意向洞察 1、颜值当道 随着审美的升级,Z世代的对于美的事物的追求愈加强烈,精致生活联动好看主义,高颜值产品赋予生活满满的仪式感,据数据显示,在厨房小家电的选购中,28%的95后消费者就把...“高颜值”列为小家电选购前五的重要因素。...Z世代的圈层文化特色是基于垂直兴趣构成,因此要重点深入Z世代文化圈层,洞悉其产品诉求,搭建精细化的用户画像。...因此绘制bilibili渠道中Cosplay用户画像时,要更加注重Z世代小众圈层的归属感,下沉社区垂直核心,深挖消费者的情感诉求和产品需求细节,深耕其圈层文化,环环相扣共同搭建起圈层营销路径中的真实场景...当收集到用户画像足够全面清晰,就能在营销链路节点中联动相应的场景,提升社群舆论的传播热度,进行市场教育,建立信任锚点,助力品牌破圈营销,触达更广泛的人群。

1.4K30

用户群体画像那些事儿

伴随着对人的了解逐步深入,一个概念悄然而生:用户画像(UserProfile),完美地抽象出一个用户的信息全貌,可以看作企业应用大数据的根基。 什么是用户画像?...用户群体画像应如何使用? 群体画像除了帮助我们查看产品用户的特点,更重要的作用是发现产品问题的背后的原因。...第三步:对问题指标的相关人群进行画像分析,探究问题背后的可能原因 找到较为精确的问题点及相关指标后,可以围绕这些指标做背后人群的画像分析,看能不能找到潜在的原因。...因为是昨天的行为,假设衰减因子为:r=0.95 行为类型:浏览行为记为权重1 地点:品尚红酒单品页的网址子权重记为 0.9(相比京东红酒单品页的0.7) 假设用户对红酒出于真的喜欢,才会去专业的红酒网选购...,而不再综合商城选购

2.5K110

看手机APP大数据如何解析中国女性汽车消费者

奥美中国与易观国际日前联合发布了调研报告《新手相之捕获女车主》,从208万女性样本中进行APP数据分析,描绘了一组中国女性汽车消费者的人物画像。...通过数据分析和定性调研,我们将这些丰富的数据转换成与7组APP相呼应的7类女性人物画像,类型如下:潮流体验型、学习求进型、精明购物型、随波逐流型、享乐至上型、潮流社交型、生活实用型。...正如以上视频所示,从大数据分析得到7类人物画像提供了丰富的信息和细节。市场营销人员能够将其应用在不同的APP内容以及互动场景中去。...她们用淘宝不仅是为了下单选购,或是跟踪订单,更多是查看和确认购物车内物品,确保自己做了最精明选择。从选购到交付过程中,当今的营销人员更多是在强调订单物流速度。...上述的调研方法不但能提供准确的定量数据,并且还能产生层次丰富的人物画像。 用APP改变网购体验 如今,手机与APP只是协助购物的工具。

99670

金融行业如何用大数据构建精准用户画像

为了精准地描述用户特征,可以参考下面的思路,从用户微观画像的建立→用户画像的标签建模→用户画像的数据架构,我们由微观到宏观,逐层分析。 首先我们从微观来看,如何给用户的微观画像进行分级呢?...4.用户画像工作坚持的原则 ? 市场上用户画像的方法很多,许多企业也提供用户画像服务,将用户画像提升到很有逼格一件事。...金融企业是最早开始用户画像的行业,由于拥有丰富的数据,金融企业在进行用户画像时,对众多纬度的数据无从下手,总是认为用户画像数据纬度越多越好,画像数据越丰富越好,某些输入的数据还设定了权重甚至建立了模型,...因为是昨天的行为,假设衰减因子为:r=0.95 行为类型:浏览行为记为权重1 地点:品尚红酒单品页的网址子权重记为 0.9(相比京东红酒单品页的0.7) 假设用户对红酒出于真的喜欢,才会去专业的红酒网选购...,而不再综合商城选购

1.9K10

ADX广告交易平台广告的交易模式

“ ADX广告交易平台(AdExchange)整合广告资源和网络,通过不同的交易方式对广告资源进行售卖,支持程序化直采、优选购买和公开竞价等多种交易方式,DSP可以对接ADX以不同的交易方式更加透明地购买媒体的广告曝光...01 交易模式 传统采买(线下合同)、程序化直采(Programmatic Direct Buying,PDB)、优选购买(Preferred Deal,PD)和公开竞价(Real Time Bidding...一份流量给到内部广告引擎,可以有效降低请求延时,且避免浪费广告位; 国外广告的程序化保量采购(Programmatic Guaranteed Buying,PGB)在国内目前所说指的是PDB,两个等同; 03 优选购买...当广告投放过程中,用户访问媒体产生曝光机会时,ADX将流量的请求发送到所有DSP,DSP根据用户唯一标识、上下文、用户画像等数据评估曝光价值选择出价(出价价格)或者不出价返回到ADX,ADX经过比价后最终获胜的广告主赢得曝光机会

3.3K10
领券