大数据模型过于严苛，信用贷款筛掉好多资质好的无辜人

       大数据模型在现代社会的许多领域中扮演着至关重要的角色，它们能够帮助我们处理和分析海量的数据，从而做出更加明智的决策。然而，当大数据模型过于严苛时，确实可能会导致一些资质好、无辜的人被错误地筛掉。

这种情况可能由多种原因造成。首先，大数据模型的算法可能过于复杂或过于敏感，导致它们对某些细微的差别或异常值反应过度。其次，模型的训练数据可能存在偏差或不足，这可能导致模型无法准确地反映真实世界的情况。此外，模型的参数设置也可能过于严格，使得只有极少数人能够满足其要求。

以下是收入比较稳定，有还款能力的人群，征信上只是小小的瑕疵都被大数据模型筛下来而做不了信用贷款的：

案例一，征信上五年内都没有逾期，也是非常诚信的人，工作稳定，有社保，有公积金，想贷十几万，竟贷不下款来，挺悲催的。其中的原因，公积金社保缴费基数未达到一万，像这样诚信的人，既然能借肯定能还得起。除了工资，还有余外的收入，这是被大数据模型筛掉的资质算好的，只检测到社保公积金，检测不到第三方收入。企业为了实发工资多些，让员工收入多些，多以奖金的方式年底发给员工的，社保，公积金缴费基数都设置挺低。

  案例二、社保，公积金缴费基数还算挺高，但学历不是全日制的本科学历，各别银行大数据模型也限制了进件。筛学历，不太客观！市场上中产阶级，有大部分是七零后，四十来岁，还是家庭的中流砥柱呢，抚养着小的，照顾着老的，这一批人曾经吃过苦，几十年的工作积累，有人脉，有资源，收入稳定，但学历不一定很高，征信上也没有逾期的，这种被大数据模型筛下去，实属可惜。

 实例三，社保，公积金缴费基数达标，征信上五年内没有逾期，但体现了三笔消费贷，被大数据模型判为负债高，贷不出来了，这种情况，客户还是有还款能力的。一般除了基本的工资，都会有额外的收入，这个额外大数据确抓取不到。

 实例四、大数据五年内没有逾期，有一天突然不小心出现一个逾期，金额也不大，各银行的信用卡就分分降额，降分，都说是不连三累六就行，但就这一处，信用类额度就分分降额。无疑是给一些用户雪上加霜。大数据模型过于敏感。

 实例五、查询过多。

 实例六、有些网贷消费贷，常有人问，消费贷那么高你都用。说明你太缺钱。不缺钱还贷款吗？如果银行好贷，还至于弄消费贷吗？还有消费贷的利息那么高，都没逾期，何况银行的，还担心客户还不上款，真不知什么逻辑。

 实例七、曾经有逾期有代偿之类的，筛整五年，无论有多少资产，有这类信息就被筛掉。