近日，八家民營徵信公司終於收場央行佈置的大考。這就象徵著，個人徵信牌照將在近日頒發。一旦牌照正式頒發，就將打破央行徵信中心一家獨大的格局，我國徵信行業也將呈現「百花齊放」，而各大徵信機構推出的個人徵信產品必將成為群眾關注的新焦點。截至目前，阿里旗下的芝麻信用分、騰訊信用分、拉卡拉的「考拉分」、中誠信徵信的「萬象分」、華道徵信的「豬豬分」、前海徵信的「好信度」等都已陸續上線或者開始內測，並且開始嘗試與機構合作測試。百家爭鳴的徵信行業是否能長驅直入，大步邁進，如何評價徵信產品價值，未來行業將如何發展，其中趨勢尚待探究！
對照中看懸殊，民營徵信補全場景金融資料
金融市場的大小不僅取決於人口市場規模的大小，也受消費者信用引起的金融系統風險的大小影響，而徵信體系則是金融業的根基以及保障。我國的金融發展較早，央行建成的金融信用訊息基礎資料庫更是迄今為止世界上規模最大、籠蓋面最廣的徵信系統，但一家獨大的央行中心也表現出顯然的軟肋：採集的徵信訊息在使用者多樣性，場景碎片化的當下愈來愈狹小變得不合時宜。芝麻信用分作為我國首個個人信用評分，成為徵信機構市場化運作的前驅，隨後其他民營徵信機構紛繁推出自己的徵信產品以及評分軌制，他們都是通過對海量訊息資料的綜合處理以及評估為客戶評分或者評級從而直觀呈現使用者信用水平，其中評判的標準以及維度大同小異。以芝麻信用為例，形成芝麻分的五個維度是：
1)信用歷史：過往信用賬戶還款記錄及信用賬戶歷史
2)行為偏好：在購物、繳費、轉賬、理財等流動中的偏好及安定性
3)履約能力：享用各類信用服務並確保及時履約
4)身份特質：在使用關聯服務過程中留下的足夠豐碩以及可靠的個人基本訊息
5)人脈關系：好友的身份特徵以及跟好友互動程度
這以及傳統徵信資料主要來源於借貸領功能變數有所不同，脫胎於網際網路背景的民營徵信體係數據資源更為豐碩，各家除了基礎的個人基本訊息、貸款訊息、信用卡訊息、信貸領功能變數之外的信用訊息等金融資料外，也在採集來自日子、電商等其他資料，此外民營徵信機構產品線更為豐碩，譬如還有評分體系，更深層次的模型、精準行銷以及大資料的服務等。但這是否就代表更為科學更為優質的徵信體系以及行業生態，咱們不妨先看看成熟的美國徵信市場。
其實美國徵信機構發展也曾經歷了徵信體系樹立、法律完美、行業整合與壟斷四個階段。從20世紀80年代至21世紀初，美國徵信市場閱歷過一個整合期，機構數量從2000家減至500家。從美國徵信行業的歷史發展路徑來看，先是野蠻生長，最後理智整合。其中信用評分方式也閱歷了大量試錯到通用規範的過程。先是銀行業使用大量基於統計學以及運籌學的定量分析工具作為處理信貸申請的工具，如判別分析法、回歸分析法、數學規劃法、遞歸判別法。後來，為進一步提高了信用評分的科學性，美國銀行業又將一些非參數模型以及人工智慧模型引入信用評分中來，如神經網路法、專家系統法、基因演算法以及近鄰方式等。1956年，專案師BillFair以及數學家EarlIsaac成立了FairIsaac公司，共同發明了有名的FICO評分方式。時至今日，FICO評分依然是美國最通用的個人信用評分模式。此評分模型蘊含如下五個方面：
1）以往支付歷史。佔總影響因素的35%，主要內含：各種賬戶的支付訊息；負面公共記錄以及諸如破產、典質等講演事項，賬戶及應付款的違約情況以及公共記錄的細節；支付賬戶未泛起延期的天數。
2）信貸欠款數額。佔總影響因素的30%，主要內含：各種不同類型賬戶的欠款數額、有信貸餘額的賬戶的數目等。
3）立信時間長短。佔總影響因素的15%，主要內含：信用賬戶開立的最先時間、平均時間；該客戶使用某個賬戶的時間等。
4）新開信用賬戶。佔總影響因素的10%，主要內含：新開立賬戶的數目、帳齡；貸款方查詢客戶信用狀況的次數、間隔時間等。
5）信用群組合類型。佔總影響因素的10%，主要內含：客戶擁有的信用賬戶類型、數目，各種類型的賬戶中新開立賬戶的數目及比例；不同信用機構的信用查詢次數、間隔時間等。
對照中美徵信體系可以發現，我國徵信資料來源更為廣泛，譬如網購、轉賬、理財、水電煤繳費、租房訊息、住址搬遷歷史、社交關系等等資料成為參考指標，甚至有人猜測，淘寶差評記錄、滴滴打車爽約、騙取保費時偽造個人訊息等都將成為個人徵信講演中的「污點」。再者資料採集也從線下轉移到線上，使用者訊息呈現立體化、多元￥化、碎片化趨勢，當然個人線上日子痕跡更易被記錄。而這暗地裡剛好是集社交、購物大成者的騰訊、阿里等支撐。假設把FICO評分方式看作是運用數學模型對個人信用講演蘊含的訊息進行量化分析，那我國徵信評分體系則是用豐碩多樣的「社交資料」或者「電商資料」去交融「金融資料」從而全面展示使用者信用資料降低風險，這剛好搬移互聯大資料下的場景資料對金融資料的補充以及完美。
回歸使用者，徵信產品的價值在哪？
網路時代，資料就是信用，信用就是財富，個人徵信將滲入日子的方方面面，但跟著個人徵信「開閘」，尤其是網際網路公司的加入，個人徵信資料的洩露風險成為不可逃避的話題，尤為連號稱「管理嚴格」的銀行都屢屢失信、公開販賣個人訊息。作為使用者，咱們如何去評判這種變化是進步仍然陷阱，是該進取踴躍擁抱仍然消極旁觀，徵信產品的價值到底在哪？
回答這個問題的前提是先確定評判的標準。徵信產品的價值應該看如下三點：
1、客觀事實性。各家徵信企業個人徵信資料是否全面完總體現個人信用狀況，來源渠道是否有效？民營企業的徵信講演是否能以及央行講演結合，互相參考、印證？評分系統從大量資料中提煉出來的預測訊息以及行為模式是否相符客戶信用表現的普遍性規律？
2、標準一致性。施行過程中是否受審批人員的主觀感受、個人成見、喜好以及情緒等影響？審批人員人工經驗是否會加大審批的隨便性以及不合理性？場景使用者不同的情況下，其評估以及決策的標準是否相同？
3、評價準確性。依託於大資料、應用統計技術科學是否能準確預測客戶各方面表現的幾率？是否能讓金融機構準確地衡量風險、收益等各方面的交流關系，找出適合自身的風險偏好以及收益的最佳平衡點?民營徵信企業中，個別企業之間還存有多種業務交叉點，這種競合關系是否能影響最終評價的準確性，以及如何規避篡改個人資料等不正當競爭？個別監管徵信公司既做基礎資料，又出個人評級講演，即是裁判又是選手，他們的信用如何監管？
曾在Equifax多年任職首席統計學家的George剛好提供了部份結果：「模型的實質是靠找到人的實質特徵來預測行為，咱們在美國做的所有案例都表明金額徵信資料是最能代表人的實質特徵，別的資料達不到這樣的效果。只有演算法而沒有適合建模的資料，由此獲得的模型預測效果不理想」。因而，衡量價值評判有效與否的難點就落在找到適合建模的資料上。正如George從技術角度的解釋：「評價模型效果的指標可以參考KS(Komolgorov-Smirnov)以及LiftChart。模型的好壞以及KS(Komolgorov-Smirnov)指數不是線性關系，KS在25如下基本是隨機模型，KS在70以上實際中基本達不到，FICO在美國的模型差不多在50周圍。
這樣看來8家民營徵信機構給我國帶來的「社交資料」或者「電商資料」至少算是金融徵信體系的新鮮血液，為評價模型提供了新的資料來源。儘管「電商資料」「社交資料」在金融風控中是否有效還需等待驗證，但這在事實上增添了金融資料資源，一是金融資料資源，二是社交等場景資料資源，這樣只要對泛場景大資料的充沛挖掘就可能催生出更為科學的評價體系以及更安全的金融消費環境。
然而光有資料還不夠，就如國內首家網際網路消費金融公司馬上消費金融首席資料官的George說的，如何規避在使用者使用場景中的風險才是考驗金融機構競爭力狀況以及行業健康程度的尺規。第一個是欺詐風險，這是主官預謀的，是犯罪惡為，這種風險的防範要靠事先模式識別以及事後的訊息同享以及執法。第二個是信用風險，這是由人的行為模式抉擇，模式的扭轉需要有主觀的認識以及有意識的糾正。尤為是我國個人徵信起步不久，個人信貸不夠普遍，需要正確的引誘以及教育來讓消費者意識到信用的價值，矯正一些行為模式以增添以及維護信用。此外信用風險的管理癥結在於識別風險以及找到對應措施。識別風險的最佳模式莫過於精確量化每個消費者的信用風險，而措施則在於對消費者有一個全面瞭解，瞭解他們的行為，瞭解他們對消費金融的價值，然後有一個量化的價值以及風險的平衡。這需要各徵信機構樹立公開平台分享場景金融資料，甚至分享有知識產權的資料產品。同時金融機構也可如鵬元￥、馬上消費金融同樣進取踴躍自主開發信用風險模型，樹立完美的信用採集、分析、評估以及監督體系。作為消費金融公司，也應施展自身優勢，應用網際網路以及大資料，加強與網際網路消費金融平台的合作，進取踴躍探索，挖掘內定交易資料訊息，審核落實客戶訊息真實性，準確識別客戶信用風險。總之徵信行業的健康發展不是一家獨大，而是在競合之中找到平衡點，從而降低立異成本，提高徵信準確性並增強使用者體驗。兩岸商貿,在家工作,網路創業,創業賺錢思惟,微商平台,賺人民幣
留言列表
