2．2管理理念相对保守，技术支持升级缓慢
一直以来，海关风险管理的理念是以“稳”为主，设置固定的参数与硬性考核指标。这样的做法在风险管理实施之初，不失为一种从易而难、避免犯错的方法。但是十多年过去了，这种考核模式仍未发生改变值得我们反思。
目前我们的风险管理主要是两种思路。一是在发现某些违规、违法行为后总结其特点，然后在海量的进出口数据中去比对较为类似的记录。例如发现某个商品归类错误后对其他同品名的商品进行归类复核；二是在未知风险的情况下，某些进出口数据违背了正常逻辑或者游离于置信区间时，判定为存在风险的记录。例如在打击虚假贸易时，新成立的企业一旦有较高的出口值，就容易被判定为存在风险。
上述风险管理的基础是管理对象向海关申报的数据，因此提炼出的各类风险参数有滞后性，海关无法主动在第一时间发现风险。
与此同时，海关对风险的处理技术也相对保守。一是内部风险信息平台功能少、升级慢。二是外部风险信息平台建设推进慢、阻力大。三是风险管理手段少，缺乏专业第三方科技支撑。
2．3数据来源口径单一，数据评估缺乏途径
我国海关系统的数据主要来源于H2010，对进出口货物的统计由接受申报的海关负责。这样确实可以保证从总署到隶属海关所拥有的数据是一致的，不存在外界的干扰。但这就导致海关系统的数据来源过于单一，与“多口径”统计的地方政府数据相比，海关数据缺乏评估验证。例如出口贸易中的虚假贸易，因特殊关系而低报的价格、涉及退税而高报的价格，虽然均在海关统计的数据库中，但是由于缺乏相关的法律法规，目前海关几乎无法对进出口货物的数据进行全面审核，也没有技术支持来剔除无效数据样本，这就使得海关数据的科学性大打折扣。
大数据目前在海关风险管理中的运用已相对普遍，但其带来的管理效益却越来越值得商榷。显然，这就为将“厚数据思维”引入到海关的风险管理中提供了机会。
3 “厚数据”概念新解与大数据之比较
简言之，厚数据是指针对被研究对象显著特征的，体现其更深层次的、对其内涵更精确定位的数据。它是由已故人类学者Clifford Geertz最早提出的。它强调用定性研究的方法来阐释数据，旨在揭示数据背后的感情、故事及意义。大数据是以宏大的量为支撑，不具有深刻性，所以又称其为“薄数据”。而“厚数据”则是在揭示大数据背后的更深刻的场景与故事。二者的关系是大数据是面，范围广；厚数据是点，范围相对较窄；厚数据包含在大数据内，只是层次与角度不同罢了。二者的区别如下表所示。
4 “厚数据”思维在海关风险管理中的优势分析
“厚数据”是一个全新的数据挖掘理念，未来在我国海关管理中其优势不可小觑。
4．1“厚数据”思维已在欧美国家的风险管理中成功运用
KeyCrime是一家意大利软件预测公司，它们主要服务于米兰警方。利用“厚数据”算法，针对商店的抢劫和偷窃做预测。这套系统用了几年后，有了大量的数据和神经网络学习算法，在不同罪案中建立联系也变得更加方便，目前在意大利很多家警局推广使用。PredPol是一家加州圣克鲁兹的警力软件公司，运用“厚数据”思维编程，供部分警局进行风险预测。芝加哥警局表示，用了PredPol程序几个月后，枪击案件发生概率下降了 13%，谋杀案件数量降低了49%。洛杉矶警局也表示，使用这套提高效率的模型，一年光一个分局就能省下 200 万美元。“厚数据”在发达国家执法机关的成功运用，表现出了低成本、高效率等优势，这样的尝试为我国海关引入厚数据思维，提供了良好的参考与借鉴。