美國東部時間12月14日，美國50個州及華盛頓特區的538位選舉人，分別代表本州選民在各州州府投出選票。民主黨當選總統拜登獲得了預期306張選舉人票，超過獲勝所需的270票。
回顧起來，2020美國大選就像一場跌宕起伏的足球比賽，意外不斷：意想不到的開局、大熱門丟失領先優勢、被逼到懸崖邊上的絕地反擊、終場前的接連反殺、富有爭議的判決、賽後雙方的撕X大戰……
拋開政治因素不談，一場精彩的比賽往往是最好的談資，遠在它正式開場之前，圍繞著「誰是最後勝利者」的話題，便已延伸出各式各樣的解讀版本。傳統民調、知名學者、大數據AI公司等各逞其能，五花八門的預測分析層出不窮，熱鬧程度不亞於兩位候選人之間的唇槍舌戰。
現在塵埃落定，再將那些推論翻出來復盤，才發現誰真正站在高樓上盡收風景，誰只是趴在樓梯上憑欄自語。傳統民調預測錯了大部分搖擺州的結果；「四十年未看走眼」的美國教授，再次證明經驗的力量，成功預測；更多的大數據公司則加入了預測遊戲，證明自家技術實力。
為何民調再次失準？
先說一下比較靠譜的，有一個被譽為「四十年未看走眼」的美國歷史教授艾倫·李奇曼，這哥們曾成功預測九屆美國大選，今年大選之前他表示看好拜登勝出。加上今年這次，連續十次成功命中，艾倫·李奇曼靠的不是運氣，而是使用「13個關鍵指標」的預測模型，涵蓋經濟預期、社會動蕩、外交軍事成就等關鍵數據。
說到預測，很難不提到美國大選民調數據。有人開玩笑說，川普到現在還不承認是輸家，但美國大選的另一個輸家卻是顯而易見——民調。
在愛荷華、佛羅裡達、密西根、德克薩斯等州，大多數民調都低估了川普的實力。拜登並沒有像民調顯示的那樣，壓倒性地贏過川普，多數僅以不到2個百分點的優勢擊敗川普；而在佛羅裡達州，川普以51%比48%的得票率擊敗拜登，更是一度讓選情陷入膠著。
而這並不是民調在美國大選中的第一次失利，2016年在各種民調中遙遙領先的希拉蕊輸給川普，已是人盡皆知。
為什麼民調的表現如此差勁呢？
從統計學上來說，民調使用抽樣概率只能在結果上儘可能貼近真實情況，若是要在95%的置信水平下達到3%的抽樣誤差，每州需要抽選600-2000人不等。並且，抽選的樣本既要有一定的隨機性、又要能夠反映一定的人口特徵，這其中就涉及到了種族、年齡、性別、宗教、受教育情況等。
2016年民調的最大失誤是對受訪者教育程度的忽視。當時的民調以電話和網絡調查的形式為主，使得高等教育人群應答率較高，而該類人群更傾向支持民主黨；受到民調忽視的藍領白人，則更多支持川普。
鑑於2016年的教訓，2020年大選民調大多對教育背景進行了加權處理，為什麼還會出現表現不佳的現象？首要的因素來自未定選民的變數。每次大選前，仍有大量選民還未決定其選票的歸屬，這部分人群的極高不確定性將持續影響民調結果的準確性。
換言之，民調並不能如所有人期待那樣，覆蓋到影響大選的所有因素，而往往一兩個被忽視的因素，就可能成為影響最終結果的變量。
大數據預測脫穎而出
既然民調嚴重失準，那還有什麼辦法可以準確預測美國大選結果呢？從《華爾街日報》報導來看，AI公司有著不錯的「戰績」。
例如，義大利的NLP公司的Expert.ai根據過去選舉的數據和相關的數百萬社交網絡內容，比較準確地預測了拜登贏得 50.2% 的選票，而川普為47.3%。
美國加州的智能公司Unanimous.ai則通過收集不同群體（諸如大宗商品投資者）的預測和決策來做判斷，準確地預測了8個搖擺州的結果，而且預測到了哪些州的競爭更為激烈。
國內也有不少研究機構利用數據建模，對美國大選結果進行預測。例如，復旦大學複雜決策研究中心採用ABM仿真模擬模型(Agent Based Modeling)來預測選舉，其顯著特點是依賴真實數據並運用基於行為主體的決策模型，而非依賴於民調結果和專家的個人判斷。
為什麼通過數據模型進行大數據預測，會比民調來得精準？原則上來說，大數據的數據量會比民意測驗的數據量高几個量級，所能得到結果將更貼近真實情況。好比2016年，多數傳統民調預測希拉蕊將獲勝，但有些數據分析人員根據推特情緒大數據的分析結果，認定最後的贏家將是川普。
當然，大數據也是有局限性，並不是只要通過大數據處理，得到的預測就一定準確，還取決於數據量、數據相關性、數據維度等多種因素，以及所採用的策略和分析方法。
有些研究同樣是通過數據模型進行預測，但跟上述案例不同的是，這些研究基於原始民調數據調整，結合其他因素對各州大選日支持率進行預估，以得到修正後的民調數據，但預測結果與實際情況並不相符。
主要原因在於策略有誤，這些研究沒有充分考慮到2020年「黑天鵝」頻出的時代背景，以及所帶來的衝擊。在利用數據模型進行決策輔助時，大數據、算法和專業判斷缺一不可，專業判斷上出現問題，就算有再好的數據和算法也無濟於事。
具體分析，可借用金融風控原理來解釋。這些研究使用的數據模型更接近於營銷模型，在這種模型下誰更受歡迎，誰獲勝的概率就更高。這類數據模型適用於正常年份下的大選預測，卻不適用於2020年這種非正常年份。在今年的時代背景下，美國大選更像是在選擇一個更不討厭的人，從數據模型角度來看，更接近於一個風控模型，評估誰的潛在風險更低。
這些研究參考其他指標，對數據模型進行調整後認定，民調低估了川普的受歡迎程度，川普的實際得票率將高於民調數據。實際上，若利用風控模型進行預測便會發現，輿情熱度等相關指標並沒有消減川普的失票風險，甚至有加大失票風險的可能性，因此民調不是低估了川普的得票情況，相反有些民調還高估了川普的得票能力。
從這一方面來看，大數據應用就像是一把「利刃」，能不能精準刺中痛點，與「持劍人」自身能力息息相關，畢竟不是每個人都能成為「屠龍的勇士」。
大數據如何解決金融的核心問題
談及金融風控問題，風控一直是金融行業的最為核心和艱難的環節，在實際操作中，為了完成績效，風控專家常常被要求在前端調整風控模型，擴大獲客入口，但這樣又會導致壞帳率提高，貸後管理難度加大，這種現象被稱為「米奇效應」，用以描述風控行業是「風箱裡的老鼠，兩頭受氣」的尷尬狀況。
大數據風控技術的發展在精確度和可控性上讓「米奇效應」得到緩解。舉個最簡單的例子——金融反欺詐。拿常見的信貸行為來說，常見的在線借貸欺詐行為有中介代辦、團夥作案、機器行為、帳戶盜用、身份冒用和串聯交易等。在金融科技快速發展的今天，金融欺詐行為仍未得到有效的控制，反而藉助技術發展不斷滋生出新的欺詐形式，造成金融欺詐風險不斷升級，對金融行業安全構成威脅。
而傳統金融機構的信用風險管理，大多藉助於徵信來判斷，這跟總統選舉使用民調來判斷結果類似，由於所獲取的信息有限，容易導致判斷結果與實際情況存在偏差。前者無法精準識別用戶的信用風險，後者無法準確預見誰是勝利者。
怎麼防範金融欺詐風險呢？可以通過深度學習、遷移學習、知識圖譜、小樣本無監督學習等建模技術，結合嚴格的效果驗證，構建起適用於多類產品及客群的精細化風控模型；同時，依據海量的真實貸後表現特徵，結合拒絕推斷技術及多類金融產品的欺詐風險流程經驗，以有效識別欺詐客群，提高風險的可控性。
簡單來說，你要判斷這個人有沒有欺詐風險，就得採取各種方式從更多維度去了解這個人，最好做到比他自己還了解他自己。這裡面有幾個關鍵點：第一，你要有足夠的信息量以及處理大規模信息量的能力；第二，在信息割裂、小數據場景下，能夠進行基於大樣本建模的基模型遷移學習；第三，有能力確保信息隱私安全，在合規條件下使大數據應用的價值最大化；第四，具備專業判斷能力，能夠精準洞察需求，制定針對性強的策略與解決方案。
前述的預測美國大選也是如此，在精準識別需求、制定有效策略基礎上，能夠獲得更多具有代表性的選民意願信息，具備快速處理這些信息的能力；或者找到不同信息間的關係，能夠將一個場景模型遷移到另一個場景進行使用，所得出的結論準確性便更高。
既然預測美國大選都已經有那麼多具備數據分析背景的專業機構，那麼識別金融欺詐風險上有沒有如此專業的機構，不僅有行業領先的技術，還有豐富的經驗和出色的洞察分析能力，具備「一擊即中」的能力呢？融360|簡普科技旗下的專業數字金融服務平臺——佔融數科便是其中翹楚。
憑藉在金融反欺詐領域深耕多年的服務經驗和產品優勢，佔融數科不僅能幫助金融機構提升精準風控能力，大大提高反欺詐名單的有效識別度，還能對拒絕放貸的每一條維度進行詳細的解釋，有效減少「誤殺」現象的發生。前段時間，佔融數科還因此拿下豐田汽車金融反欺詐項目，成為其合作夥伴。
當然，佔融數科的本事不僅於此。其通過人工智慧、雲計算等技術，為銀行、持牌消費金融公司、保險等金融機構提供行業領先的數字金融服務，貫穿智能營銷、智能信審、貸中監控、貸後管理等全流程業務線條，覆蓋資產對接、流程設計、風險控制、系統實施、運營管理等領域，幫助金融機構持續提升運營能力、加速數位化轉型。
目前，佔融數科已經累計服務數千家金融機構，參與超過億次信貸決策，為千億資金的安全提供有力保障。未來，佔融數科仍將繼續致力於科技創新，幫助金融機構為用戶提供更為健全、安全、便捷的金融服務，實現「讓金融更簡單，成為每個人金融夥伴」的使命與願景。