来源于建原数科 作者郑建贤

本想写篇简单的文章，通俗易懂的讲述笔者近期对数据信用的感悟，顺带把数据信用类产品的开发应用现状和逻辑讲清楚，但写完后发现，竟然又是洋洋洒洒的1万多字。金融不只是借贷和息差，要想专业透彻的把一款金融产品的风控逻辑讲清楚，确实是颇费文字的。

2022年笔者参与了2家商业银行和5家商业保理公司关于数据信用产品风控逻辑的研讨与咨询，产品类型上主要包括经销商信用融资和供应商信用融资两大类，研讨内容涉及数据应用、流程设计、风控报告、数字技术和系统实现。笔者发现，在业内对数据信用应用充满期待的同时，对“什么是数据信用”以及“如何实现数据信用”仍然存在一些模糊的、片面的认知。

(相关资料图)

数据信用是风险管理在理念上、方法上和机制上的创新。关于数据信用的提法最早可追溯到2020年央行等八部委颁布的226号文，226号文在“防范供应链金融业务操作风险”部分提出“交易信息产生的‘数据信用’”，但我们从中能解读的信息非常有限。 其后央行在2022年的29号文关于“ 提升风险管控能力 模块” 中再次提及了“数据信用”， 与226号文相比， 29号文关于 数据信用的内涵和范围明显得到扩张，数据范围突破了“交易信息”的范畴，而且明确提出金融机构“可基于真实交易背景和大数据信息建模”。从先后两个文件看，监管对数据信用的理解也是从狭隘到广泛、从单点到整体逐步深入的，但仍然过于笼统，以至于我们很难基于这样的描述来开展任何产品的设计。当然，政策的目的是发挥引领作用，具体到落地，还要依赖各机构的理解。

与“主体信用”和“物的信用”的具象性不同，“数据信用”过于抽象，这种抽象导致我们在风控上没有抓手。这也是市场上部分所谓的数据信用产品只是套了一层数据的壳、仍然没有脱离核心企业主体信用的原因。

关于数据信用，大多人把复杂的问题想简单了。

通常来说，我们对一个事物的理解程度取决于我们能够用多少种词汇或专业术语来界定和描述它。“在风险管理中数据的价值是什么”和“在信用评估中数据信用的价值是什么”，这两个问题是存在差异的。我们将数据应用于信用评估，并不意味着数据信用的应用。

数据作为一种资产类型，既可以单独对其授信，又可以为融资主体增信，还可以建立数学模型对企业做信用评价，数据信用究竟指的是哪一种？抑或皆有之？数据信用是否已脱离了经典的信用评价方法，作为一种独立的信用体系，而进入一个全新的信用评价时代？

数据信用的初衷是减少对核心企业的依赖，那么减少多少才是不依赖主体信用？如何精确的衡量？在实践中，我们还得面对更复杂的状况，在同时存在数据信用、主体信用和物的信用（资产信用）的供应链金融场景内，常常出现三者叠加的情况，在主体信用叠加数据信用的信用叠加组合中，我们又该如何进行风控设计和产品研发？

这些数据信用的问题涵盖了从微观层面的“数据信用应该基于哪些数据”到宏观层面的“数据信用与主体信用的关系”的方方面面，

只有解决这些问题，我们才能 避免 ：

1 、耗费巨资，打通了内外部数据搭建了大数据平台，却不知道如何应用于风险控制；

2 、数据库里沉淀了海量的上下游交易数据，但除了输出一些可视化的图表外，仍然不知道如何去评估供应商的信用；

3 、研讨会、同行交流、借助外部的咨询公司，兜兜转转一大圈，可最终还是不得不重新回到借助核心企业主体信用的老路上；

4 、费尽脑汁也无法清晰的向管理层和风控委讲述数据信用的内在逻辑；

5 、好不容易迈出历史性的一步，放款之后胆战心惊，有一种裸奔的感觉，担心会出现逾期甚至坏账；

6 、资产方和资金方各说各话，既影响了交易逻辑的设计又影响了双方系统的对接。

基于此，笔者撰写本文，期望能够全面的、体系的在 概念上 清晰的界定数据信用和主体信用的边界与区别；在 方法上 总结过往经典的信用评价方法并将其应用于数据信用产品的风控管理；在 机制上 厘清数据信用与金融机构风险偏好、风险容忍度的关系，为数据信用产品的落地奠定基础。并最终帮助金融机构真正实现数据信用产品的落地与运营，在响应国家号召的同时通过精细化的风控来提升盈利能力。

数据信用的资产属性

跟数据信用相关的第一个概念是数据资产，数据信用在形式上体现成一种数据资产。经济学上将所有能够提高企业价值实现效果并带来直接或间接经济利益的数据资源，都可以称之为数据资产。而金融学的视角会更狭义，作为一种资产形态，数据资产是预期会带来现金流的数据资源。

作为资产，数据资产跟股票、债券等金融资产和房地产等固定资产一样，理论上来说可以作为质押物，由金融机构授信后做质押贷款。但数据资产无法独立创造价值，必须要嵌入到企业的经营过程中才能实现价值创造。而企业对数据资产在使用中采取的方法、策略、模式和能力的差异都会影响数据资产最终价值的实现。加之 国内数据资产交易市场尚处于初始阶段，难以通过重复市场交易博弈形成均衡的市场价格， 因此很难精准量化真实价值。近期国家层面在推动数据资产作为无形资产或存货计入资产负债表，遇到最大的困难就是 数据资产的估值方法。

如果一项资产无法估值，那么通过资产实现抵质押授信也是不现实的，如果有，那么大多有挂羊头卖狗肉的嫌疑。

我们重新回到本章的主题：数据信用。 多年前市场上曾有一家商业银行曾提出过“ 数据质押” 类融资产品，我们看看该行是如何描述数据质押融资的：

“ 数据质押 是本行面 向小微企业提供 的一项创新 贷款 业务， ...... 小微企业 将自身 经营过程中真实 的现金 流、信息流、商品流以及物流数据 的 使用权质押 于我行， ...... 由我行作为 风险控制的方式 来为 小微企业 提供融资服务。 ”

这样的描述模棱两可，我们很难识别出信用在哪里以及是如何产生的，后来笔者曾与该行负责信审的专家沟通过这个产品，给出的答复是：

“ 不使用传统抵押形式 .. .... 运用大数据 技术 ， 对小微企业长期 完整的 （ 3 年以上） 交易数据和行为数据 进行 挖掘 分析，交叉验证后对其 评级和授信...... ”

这是不是又有似曾相识的感觉？互联网上或金融机构文宣上关于数据信用的描述大多与此相似。显然我们可以看出这家银行的“数据质押”是运用数据模型将小微企业的经营数据纳入企业的 信用评价中 ，本质上仍然是对小微企业主体信用的评价，而非前述的数据资产作为一种资产形式（财产权）质押后获得融资。

数据信用的价值表现形式可以分为财产权信用和增信价值两种

表 1 数据信用的两种形式

但在未来的很长一段时间内，我国数据资产交易参与的主体主要以政府、金融机构、医疗机构和大型企业集团为主，小微企业无论是数据质量，还是数据规模，都不足以参与这样的交易，更无法实现借助数据资产的信用而实现融资。

因此，无论是226号文、29号文为代表的监管机构的观点，还是业内的实践，数据信用都应该特指第2种： 基于数据的增信 ，通过对主体信用或资产信用的增益来体现数据的价值。这种增信的外在就体现在融资业务风控管理部门对融资企业信息尽可能、无穷尽获取的诉求。

银行的一位老友认为这段关于数据信用概念的辨析有点生涩难懂。但正如文中这家从事数据质押业务的银行的案例所显示的那样，如果不从信用起源的属性来清晰的界定数据信用的载体，则后期任何关于数据信用应用的逻辑和方法都是突兀的，甚至会成为无本之木。

我们或许无须搞清楚关于数据资产的众多概念，只要知道 数据信用是依附于企业主体的，仍然是主体信用评价框架内的一套方法。

数据信用的前提是数据理念与数据思维

数据信用的基础是数据资产，但数据资产未必能成为数据信用。在数据信用产品的开发中，笔者经常听客户抱怨数据规模不足、数据质量低等问题。但实际上数据信用产品的开发更多依赖金融机构的数据理念以及产品和信审团队的数据思维，数据本身反而是其次的。

数据思维是一个多年来老调常谈的问题，但这个问题确实真真切切的涉及到数据信用的应用。拥有数据是一回事，把数据应用到风险度量和风控决策则是另一回事。数据信用既涉及数据思维问题，又涉及方法问题，本节重点阐述思维问题，方法问题我们留到下一节。

数据思维上，我们面临两个常见的误区：一是等积累足够的数据后再使用数学方法；二是越复杂的模型输出效果越好。当然，这两个问题本身高度相关且互相影响。但数据模型的效果并不完全取决于数据规模和数据质量，而是看是否能解决实际的风控需求。实际上，作为正规的金融机构，银行沉淀的数据远比专家想象的多，而数据建模所需要的数据却比我们想象的要少，即便只有有限的数据资源，在风控管理中仍然能够创造价值。

无论数据积累的多少，我们都可以使用数学方法。金融机构可以边使用边积累，逐步完善模型，因为数据数量永远都是不足的 。 在一家商业银行的风控建模咨询项目中，笔者向银行客户提议使用数学模型，现场有位银行的专家当场表示“样本量不够，无法建模，应该继续使用专家经验来评审”。当笔者询问其了解哪些数学模型时，这位专家只是一味的否定数学模型的准确度。当我们都不知道要用什么方法时，怎么能得出样本不足这个结论？实际上，只有经过严谨的数学计算后，我们才能得出是否有足够数据样本的结论，而不是本能或者潜意识的就认为所有的数学模型都需要海量的样本。

当要应对高风险业务时，为计量这种风险，我们其实不需要很多数据，恰恰相反，风险越高，所需要的数据样本就越少，且这种计量方法不会依赖诸如树类、神经网络等复杂的算法模型，而是一些简单的、普通的概率统计模型。

在估计小微企业财务指标的各项阈值时，只要我们随机抽出5个样本，我们都有93.75%的信心确定阈值的中位值位于这5个样本的最大值和最小值之间。当我们有15个样本时，我们就能使用T分布，当样本超过30个时，我们使用正态分布的理论，能在95%的置信度下计算这些阈值的均值、最大值和最小值，这些数据在建模时的精度远超银行专家的个人经验，而且具备坚实的数学基础。

现实中，阻碍数据信用应用的最大障碍是金融机构中的专家们的认知。专家经验的局限性在笔者过往多篇介绍风控模型的文章中都有过总结。绝大多数专家普遍阅历丰富、身经百战，对自己的判断信心十足，不太相信数学模型，他们认为自己对企业违约判断的经验随着时间和实践会不断积累而变得更加准确，最终将这些经验和知识融为一种直觉。但实际上，专家的判断能力存在天花板，当出现信息过载时很难继续提高。而数据恰恰不同，信息量越大，数据模型输出的结果越准确，当样本量超过300个时，专家判断的准确度很难超过简单的数学模型。而更重要的是对企业违约的判断存在一些反直觉的情况，在专家依赖直觉无法做出正确的判断时，数据模型输出的结果却是准确的，笔者对此深有体会。

概率思维是数据信用的底层逻辑，数据风控并不能识别单一客户的风险，而是依靠大数法则来实现同类群体的风险度量。我们感兴趣的是总体模拟结果所展示的违约的可能性，而不是个体的可能性。企业违约概率（PD）是我们在数据信用中必然会计算的一个风控指标，一家企业违约概率（PD）为5%是一个很常见的数字，我们或许没有任何感觉，这家企业当年可能违约，也可能不违约。但如果放在5年的观察期里，这个数字意味着这家企业的违约概率（PD）高达23%，如果放在10年的观察期里，这一数字高达40%，当我们将这个数字套用在2012年的房地产行业，再看看今天的这一片躺平的企业，专家是否还会维持过去几年对这些企业的评级？

按照常理，我们认为企业经营年限与破产风险高度负相关，企业生存年限越长，稳定性越强，违约概率自然越低。因此在风险分析时，我们一定会将小微企业的经营年限作为关键风险因子。而实际上，我们拥有充足的数据推翻这个专家结论，在笔者所做的两个风控建模案例中，逻辑回归模型输出结果表明，经营年限对企业违约概率的影响并不是越长越好，而是在某个时点后（案例中为5年）出现拐点，经营年限越长的企业，违约概率反而会越高。

一个更震撼的反直觉的案例是关于风险敞口时间的。按照专家经验，传统上我们认为评级相同的两个主体，风险敞口时间越长，违约概率越高，也就是说9个月的贷款违约率要比6个月的贷款违约率更高，但是笔者在为一家城商行的建模分析时发现，这个结论并不成立，至少在笔者所服务的这家城商行中，有充足的数据来推翻这个结论。

专家直觉、专家经验和数据模型间的上述差异，正是数据价值的体现。通过数据，我们可以揭示更多风险，发现更多的业务机会。而数据理念正是来源于对数据价值的认识、尝试和迭代改进。我们不否认现阶段数学模型所存在的不足，也不追求使用数学模型完全取代专家经验的目标，而是将专家经验与数学模型相结合，通过对专家做校准训练，计算专家们的估计值的平均值，将其作为因变量，输入数学模型，以此来实现更精准的估计与评价。

数据信用的本质是数据决策

沉淀了数据资产，培养了数据思维，接下来的重点就是用数据来计量风险并作出决策。数据信用体现的是一套风险计量的方法与风险管理决策的逻辑。

3.1 风险计量的基本逻辑

信用风险计量领域有四个非常重要的参数：预期损失（EL）、违约概率（PD）、违约损失率（LGD）和违约风险暴露（EAD）。大多同仁会对违约概率（PD）有所了解，因为我们常常挂在嘴边的主体评级实际上跟它是一个意思，对其他三个参数可能会相对陌生。接下来笔者会详细讲述这些参数之间的关系以及在供应链金融中的应用，现在我们只需要知道这四个概念就可以了。

一切金融业务的风险计量都是围绕着这个经典的公式展开的：

预期损失（ EL ） = 违约概率（ PD ） x 违约风险敞口（ EAD ） x 违约损失率（ LGD ）

所有风控技术的区别仅仅 体现在对公式中三个变量（违约概率、违约风险敞口以及违约损失率）哪一个最小化的不同选择上 。我们可以将违约损失分解为三个纬度，便于我们对每个纬度建立特定的分析模型，结构化的考虑违约损失问题，每笔业务的预期损失由三个不同的因素造成：

违约概率（ PD ） :衡量企业主体发生违约行为的可能性，是由融资人主体行为触发的事件；

违约风险敞口（ EAD ） ：这是一个数值，取决于融资人停止还款时尚未偿还的本息金额；

违约损失率（ LGD ） ：需要考虑在清算抵质押物并通过法律途径清收后，损失风险敞口的实际损失程度。

信用融资的第一还款来源关注的是融资人基于自身经营的还款能力和还款意愿，也就是我们通常所说的主体信用，由此决定了 违约概率（ PD ）。 当企业发生违约后，金融机构需要考虑第二还款来源，通常包括抵质押物的变现能力或担保人的偿债能力以及在此基础上的违约覆盖率，这就是我们所说的 违约损失率 (LGD) ， 违约损失率也是我们平常所说的债项评级，稍微书面一点的说法就是：计量债项违约时金融机构承担的风险暴露的大小，估计这些承担风险的暴露可能的损失程度。

风险决策的目标是将每笔业务的预期损失（EL）最小化，理论上的最优解是将贷款违约概率、贷款违约损失率和风险敞口均降至零或者其中一个降为零，但实际上这是不可能的。因此我们会看到，当小微企业无法提供抵质押物或外部担保时，金融机构会选择通过降低违约风险敞口来减少预期损失，其实就是拒贷，这也是最理性的决策。

在上述三个纬度中，信用类产品重点关注的是违约概率（PD），无论是纯信贷业务，还是场景金融，分析的目标都是最大限度保证借款人的预期还款意愿和还款能力，从而将违约概率最小化。

在重新回到本文主题数据信用之前，笔者花费了一点笔墨来介绍关于主体信用评级 违约概率（ PD ）的分析框架及其应用 ，借用时下流行的概念，我们可以通俗的将数据信用理解为传统主体信用评价方法的数字化，而数据信用本质上仍然是主体信用。数据的用途和价值在于实现小微企业的经营对标和财务还原，通过数据替代（如税收替代损益表的收入等）和数据叠加弥补传统评级方法在小微企业评级中的不足，而在建模方法上并未有实质性的改变与创新。

虽然数据信用在供应链金融中是一个崭新的提法，但在信贷业务中的应用却已经非常成熟，市场上也涌现出了一批成功的、很有代表性的产品。

3.2 数据信用在信贷业务中的应用由来已久

最早的数据信用产品是税票贷，时间可以追溯至2015年，此后随着互联网的发展互联网企业推出了电商贷，目前市场上的数据信用类产品可以分为七大类： 税票类、政采类、电商类、流水贷、发票贷、 ERP 数据贷、 供应链金融类 。

税票类的缺陷在于纳税纳税数据的颗粒度很低，因此对重构资产负债表的价值不是很大，由此导致信用评价准确度不够。流水贷存在同样的问题。相较前两者，发票贷因为能够揭示与核心企业之间业务联系的稳定性和紧密程度，因此可以通过产业链关系更好的评估企业信用。ERP数据贷则更进一步，因为数据获取自核心企业，所以真实性、准确性和数据质量都有足够的保证。如果只从数据的角度来看，ERP数据贷和供应链金融类产品并无区别，唯一的区别在于场景的价值。理想情况下，我们认为供应链金融具备能够资金管控的闭环体系和更高的违约成本两大优势，前者很难落地，后者则能够转化到关于违约概率（PD）的计量之中。

为了更好的理解这些数据信用产品，笔者重点分析了这些产品的差异。实际上，在这些最终落地的产品中，数据都是相互融合的。银税贷产品会叠加发票数据和银行账户流水数据，ERP数据贷会叠加征信数据和电力数据等。由此导致发票贷和ERP数据贷都有向供应链金融类方向发展的趋势，供应链金融类成了强化版的发票贷和ERP数据贷。本质上这一切都是数据“增信”的目标：获取更多的数据从而更好的揭示小微企业真实的经营状况，实现更精准的信用评价。

当我们将 预期损失（ EL ） 结构化的拆分为三个维度后，将供应链金融这个场景的要素带入这些纬度，我们可以更清晰的看到供应链金融这一场景的独特价值，以及数据要素在供应链金融这个场景中是如何发生化学反应的。

表 2 供应链金融的独特价值对三纬度的影响

供应链金融的优势非常明显：在刻画企业经营资质和经营能力等同时，还可以精准的刻画用信金额，合理且安全的管理风险敞口，而且更重要的是核心企业本身或上下游交易对风险有很强的缓释的价值，供应商或经销商债务违约势必影响后续正常业务的开展，这一定程度上也提高了融资企业的违约成本。这些因素我们都可以理解为还款意愿。还款意愿比还款能力更重要，甚至可以这么说，在大多数情况下，还款能力是由还款意愿决定的。实际上，这才是以网商银行为代表的电商系开展小额信用贷款真正的风控抓手。

根据我们前面的分析，之所以在供应链金融场景中提及数据信用，很显然是要将前面讲到的这些数据或数据要素应用于小微企业的风险评价。供应链金融即使优势再大，如果没法将数据或数据要素转化为参数实现数据化的评价，那依然谈不上数据信用。因此我们再重新回到刻画预期损失（EL）最重要的参数违约概率（PD）上来，数据信用最终还是要体现在这个参数的计算上。

在任何金融机构，主体信用的风险计量都是一个逐步发展成熟的过程，有兴趣的读者可以参阅笔者的旧文 《数据风控在供应链金融中的应用》 。

评级和评分模型是计量主体信用的主要工具。市场上有人一本正经写文章区分评级方法和评分技术，笔者认为完全没有必要，两者的目标和结果完全一样，无非方法上有所区别而已，在小微领域使用更多的是评分技术。

与大企业不同的是，小微企业更个性化、数量多且具有很强的C端属性，因此基于数学模型的评分技术确实能够更好的计量风险。而评分模型的逻辑也很简单：分析企业主体的历史行为，寻找与信用风险相关的融资人特征（风险因子），然后判断融资人特征与其信用风险之间的关联关系，进而对其做出信用风险推断。

当然也不能盲信评分模型，因为数据不足时，评分模型的可靠性并不高，但模型识别出的显著风险因子仍然能为风控管理带来很大的价值。

表 3 不同金融机构所处的信用风险计量阶段

我们都知道定性方法的问题很多。但不同的模型方法取决于模型建立时金融机构的自身禀赋，包括数据样本、数据质量、建模经验和模型的使用经验，很难一概而论。

但无论哪种方法，模型化都是趋势，无非是因地制宜的选择哪种模型的问题。模型最大的优点在于量化思维和灵活性。量化思维自不必言，模型输出的是具体的概率或数值，而不是似是而非的定性建议。灵活性体现在结构化的拆分预期损失，并根据违约概率（PD）、违约损失率(LGD)和风险敞口（EAD）分别设计不同的子模型。

如果只是基于专家的理性判断，而未经统计验证，我们无法评估这种判断的准确性，所以只能通过实际业务来测试与检验，试错成本很高，因此很难应用于中高风险的业务。

但直接应用数学模型也是不可行的。因为数学模型需要基于数以千计的坏样本（违约企业），绝大多数金融机构都不具备这个条件。

对于想开展数据信用产品又缺少违约数据的金融机构，笔者通常建议使用专家改良模型，有些机构将其称作混合模型：专家模型+数学模型（概率模型）。两者结合的优点不言而喻，最重要的是模型结果避免了诸如“高或低”“严重”等很抽象的定性描述，而是能够得出一个违约概率的预测数字。这种模型有别于市场上常见的专家模型，主要的区别在于后者会使用概率工具尽可能实现结果的量化。

通过专家判断、概率统计和基准测试，我们基本可以实现对单个风险因素的分布及相关性分析、档位划分调整、权重调整及分数优化、分数与违约概率的校准曲线的设计，最终形成评分，并与违约概率实现映射。

如果想了解更多小微企业主体信用建模的方法，可查阅笔者的系列文章 《小微企业主体信用评分模型》 ，里面的场景包含了供应链金融，此处不做过多介绍。

违约概率（PD）的一大价值在于可以依此计算风险调整资本回报率（RAROC），使得风险定价真正可行。因为当我们可以准确计算违约概率（PD）、违约损失率（LGD）和违约风险暴露（EAD）后，我们可以较为准确的得出此类资产组合的预期损失，进而确定这笔业务的风险价格。

通俗一点说就是每个融资企业都应该为其特殊的预期损失（EL）承担对应的成本。如果存在3%的预期损失，那么这家融资企业就承担大约3%的信用风险溢价。

但更大的问题是，3%的预期损失究竟是高还是低？金融机构是否可以接受这样的预期损失？

风控管理机制是数据信用赖以生长发芽的土壤

3%的预期损失是否可以接受取决于金融机构的风险容忍度，而风险容忍度又由风险偏好决定，风险偏好和风险容忍度都是金融机构自上而下风控管理的成果， 是从单一的合规功能向支持公司战略目标转向的产物 ：

风险偏好决定公司层面对每笔业务愿意承担多少风险；

风险容忍度用数值对风险偏好进行具体的描述，是一种针对风险敞口的量化指标。

讲的更通俗一点，风险偏好限定了公司的业务边界，建立的是公司评估商业机会的风险的方法。公司是否能够开展数据信用业务最终取决于公司的风险偏好，需要在风险偏好陈述书中明确下来，而不是某个人或某个领导拍板能定的，否则后期出现的损失就成了说不清道不明的事。

风险偏好从哪来？由金融机构风险战略决定，风险战略又由党委会、董事会、主管领导和风险管理委员会决定，需要一份正式的、严谨的红头文件。这一切都是自上而下的结果，自下而上万不可行。

在金融行业，最忌讳的就是“先上车后买票”“边想边干”的风格。以数据信用产品为例，涉及到的功能或职能包括信用风险评级、产品设计与开发、限额管理、信用风险监控与担保、信用风险政策、交易审批权限、信用质量分析、定价、预测与压力测试和模型开发与验证等，横跨了金融机构4-5个部门，如果没有顶层设计和制度保障，完全依靠前台去组织推进，显然是不太可能的。

写到这里，本文行将结束。这世上其实并不存在所谓的数据信用，更准确的讲，我们所表达的应该是数据化的主体信用。最后，笔者想从个人的实践经验出发给供应链金融中的数据信用下个定义： 数据信用不是一项技术，也不是一个数据集合，更不是一个落地应用，而是金融机构基于供应链上下游之间的交易信息，而非核心企业信用，结合经典的评级评分技术，构建的一种数据化、模型化的主体信用评价方法 。

图 1 数 据信用产品的保障体系

数据信用产品的落地有赖于一系列从数据资产到风控管理机制的配套与保障，我们最终看到的数据信用产品，只是这些措施保障的结果，用冰山一角来形容也毫不为过。期望本文对业内所有计划开发数据信用类产品的同仁有所帮助。