大数据文摘原创干货系列，根据美国房地美同事电话访谈整理
数据分析团队有上百人，按照公司产品不同而有模型和分支模型，团队包含有研发团队和实现团队（implementation）。
分析团队基本全部是博士和硕士学位，且都拥有丰富的建模经验。这样的团队是不靠“KPI"、"流程化"和工序化的，而是更多依靠分析者本身的素质、对数据的理解、建模的经验，以及对最前沿数据分析方法的学习和掌握。例如做一个信贷风险的评估模型，可能会从多个维度去分析，每个维度也许都需要经过一个验证的过程。但是前沿的分析方法+建模经验+数据直观理解可能会更快速的找到有效模型。最后通过模型和分支模型团队的合作，公司便可以进行分析和测试实践。
模型建立之后的事情就会交给进行落地的团队，这些团队将对经过研究的模型进行实现，应用的于生产实践中，为其企业进行利润最大化。同时，模型建立之后，还有模型检测团队对模型的正确性，有效性以及稳定性进行测试。
有的看官可能会说，这样的团队我也能搭一个！呵呵，那看看我下面的问题，您就知道挑战有多大。
1. 高学历的团队。上面说的研发团队，基本全部是博士和硕士。且大部分是数学，物理，或者金融工程专业，有很深厚的建模经验。
2. 可利用的数据有很多。做一个风控模型，需要多个维度的数据来构建，但是在那边，可用的数据有几十年的存量！美国不光有自己的多家信用评级公司（FICO，WestUnion等），还有国家层面的数据保全机制。比如信用数据，交易记录等等，通过官方渠道都有获取路径（涂子沛先生的著作中已有论述，此处不赘述）。这个也是我觉的我们差距最大的地方。
举个例子，就拿最近最热门的互联网金融来说，官方能够有信用记录的只有人行征信中心，剩下的大多都是通过各家自己的交易记录来计算生成得来。由于本身不具备权威性，产出数据的有效性有待检验。做中小企业小额贷款可以，但是大额还是做不了。哦，当然，还有那些所谓用外部数据进行信用评估的，我就不多说了，数据带来10000个评分项（像什么申请时间，申请人社交关系），能给每个评分项多少权重？每个0.0001不还是没意义？权重最大的是不是仍然是FICO的那几项？
我们应该做点什么？
我觉的首先还是管理好自己的数据。可以做的事情很多，改造或升级现有的系统，建立以数据为核心的机制，更长周期的数据在线等等。特别是那些金融行业的公司或朋友，上面的案例还是很有借鉴意义的。
其次，建立自己的数据分析和运营团队。在管理自己已有的数据的同时，自建团队无疑成本最低。没有全博士的团队，可能会少了天赋，但是一分辛苦一分才，只要做，办法总比问题多，做不到最短路径，但是可以快速迭代。短期不要在搞KPI了，这么长期的生意，毁在短期KPI 的手里，岂不可惜！
最后，结个尾吧。还没关注自己公司数据的朋友们，你们还等啥呢？
注：房地美（Freddie Mac），是美国政府监管企业（GSE, Government Sponsored Enterprise）中第二大的一家，商业规模仅次于房利美（Fannie Mae）。主要业务是在美国房屋抵押贷款二级市场中收购贷款，并通过向投资者发行机构债券或证券化的抵押债券，以较低成本集资，赚取利差。
原文发布时间为：2014-01-01
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
