产品服务

大数据对金融征信行业带来的变革和机遇

来源：重庆数锋科技有限公司发布时间：2019-04-29 16:39:57

在互联网金融的大潮下，大数据征信好像成为了一种趋势，互联网金融企业的风控大致分为两种模式，一种是类似于阿里的风控模式，他们通过自身系统大量的电商交易以及支付信息数据建立了封闭系统的信用评级和风控模型。另外一种则是众多中小互联网金融公司通过贡献数据给一个中间征信机构，再分享征信信息。下面为大家介绍几种现在常见的金融大数据评估的模式：

（一）芝麻信用
以芝麻信用所构建的信用体系来看，芝麻信用分根据当前采集的个人用户信息进行加工、整理、计算后得出的信用评分，分值范围是350 到 950，分值越高代表信用水平越好，较高的芝麻分可以帮助个人获得更高效、更优质的服务。芝麻分综合考虑了个人用户的信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度的信息，其中来自淘宝、支付宝等“阿里系”的数据占 30-40%。

征信机构分析数据之后，给个人一个分数或者授信额度。比如，芝麻分702 分，蚂蚁花呗额度 22000 元。其实，这不科学。信用是相对的，跟身高不一样。身高是绝对的，姚明身高二米二六，只要测量方法正确，无论观察者高矮胖瘦、亲疏远近，他都是二米二六。信用则不然，人具有多面性：“爸爸赖皮，说好周末带我去公园玩的。”“我老公答应过的事情，都办到了。”“他说过会永远爱我，大骗子。”“他工作时非常守时，从未耽误。”“该交物业费了，都拖了两年了！”同样是借钱，可能还村长的，赖同学的，还京东白条，赖 P2P 债务。重庆大数据公司大数据公司重庆大数据大数据技术征信大数据金融大数据

1）信用历史：过往信用账户还款记录及信用账户历史。目前这一块内容大多来自支付宝，特别是支付宝转账和用支付宝还信用卡的历史。
2）行为偏好：在购物、缴费、转账、理财等活动中的偏好及稳定性。比如一个人每天打游戏 10 小时，那么就会被认为是无所事事；如果一个人经常买纸尿裤，那这个人便被认为已为人父母，相对更有责任心。
3）履约能力：包括享用各类信用服务并确保及时履约，例如租车是否按时归还，水电煤气是否按时交费等。
4）身份特质：在使用相关服务过程中留下的足够丰富和可靠的个人基本信息。包括从公安、学历学籍、工商、法院等公共部门获得的个人资料，未来甚至可能包括根据开车习惯、敲击键盘速度等推测出的个人性格。
5）人脉关系：好友的身份特征以及跟好友互动的程度。根据“物以类聚人以群分”的理论，通过转账关系、校友关系等作为评判个人信用的依据之一。其采用的人脉关系、性格特征等新型变量能否客观反映个人信用，但目前还没有将社交聊天内容、点赞等纳入参考。

（二）腾讯信用
腾讯信用主要是基于社交网络。通过QQ、微信、财付通、 QQ 空间、腾讯网、 QQ 邮箱等社交网络上的大量信息，比如在线时长、登录行为、虚拟财产、支付频率、购物习惯、社交行为等，利用其大数据平台 TDBank，在不同数据源中，采集并处理包括即时通信、 SNS、电商交易、虚拟消费、关系链、游戏行为、媒体行为和基础画像等数据，并利用统计学、传统机器学习的方法，得出用户信用得分，为用户建立基于互联网信息的个人征信报告。
腾讯信用评分以星级的方式展现。信用星级一共7 颗星，亮星颗数越多代表信用越良好，星级主要由四个维度构成：
1）消费：用户在微信、手机 QQ 支付以及消费偏好。
2）财富：在腾讯产品内各资产的构成、理财记录。
3）安全：财付通账户是否实名认证和数字认证。
4）守约：消费贷款、信用卡、房贷是否按时还等。

（三）信用卡
信用卡主要是基于用户信用卡电子账单历史分析、电商及社交关系强交叉验证。根据用户的信用卡数据、开放给平台的电商数据所对应的购买行为、手机运营商的通话情况、登记信息等取得多维信息的交叉验证，确定用户的风险等级以及是否贷款给该用户。
信用卡风险等级由五个维度构成：
1）账单管理时间：信用卡有效存续时间越长，用户风险越低。
2）账单表现：根据用户的授信卡数、授信额度，以及还款比和账单完整度判断用户的还款能力和诚信程度。
3）手机入网期限：手机入网期限越长，用户风险越低。
4）运营商：通过近 4 个月有效通话记录以及通讯录中是否存在负面联系人判断用户自身的可靠程度。
5）淘宝：主要看常用收货姓名及电话号码是否与申请人预留号码一致。
对舆情和公司风控、技术都很清楚，可以负责任的说所谓大数据信用评估，尤其是通过什么社交网络数据进行评估的纯属扯淡，来十个人给九个人的额度都是零或者至多几百块钱，说好的机审都是骗人的，根本摆脱不了人审.
人审是谁来审核呢？很多人会觉得起码是有些经验的风控师对吧，错，完全没任何经验，很多甚至是没毕业的学生！所以他们给的额度低了没必要惊奇，看你微博发的少，或者你微博里可能发了一些哭穷的内容，他们就会给你极低的额度，完全的随性，无数据分析可言。数据安全性上，根本没法想象创业公司对数据安全上的把控有多差，几乎从市场到运营到技术到客服的每个人都可以接触到用户数据，敢把淘宝、支付宝等的账号密码给出去的脑子真的是很秀逗，有时候内部员工还会讨论哪个客户、谁谁谁的资料，这点在P2P平台里也一样。
至于说未来，我刚开始做那家平台的时候完全避开借贷这个词，全说前端的大数据信用评估，至于现在，他们已经发展成小贷平台了，对外已经很少说大数据了，大数据只是他们在融资时的骗钱把式罢了，谁真的信了谁就输了。事儿是好事儿，但是现在的技术水平，人工智能分析完全达不到要求，行业纯属胡闹，行业闭着眼睛到处乱给的坏账差不多20%以上，认认真真审核的坏账结果比这更高（数据来自真实测试结果），所以有多不靠谱，知道了吧！
再有，比如知道这个时间点哪些重要的客人会申请授信，平台内部就会打好招呼，让评估师给一个高额度，屡试不爽！而且任职的时候也跟京东白条的同事们有过接触，坏账控制也并不好，行业都处于相同的水平。
要判断一个人是不是正常人，不用这么麻烦，熟人一眼就看出来了。大数据征信机构要的数据越来越多，用户感觉越来越麻烦、屈辱，这会导致逆淘汰：越要脸的用户越排斥大数据征信，留下来的用户质量越来越差，这导致坏账率上升、借款利率上升，机构索要更多数据，正常用户逃离……恶性循环。你最多愿意借多少钱给某人？熟人最清楚，而且每个人答案都不一样。
大数据技术也有局限性，适用于对准确度要求不太高的领域。天气预报可以，明天中午12 点下雨概率 80%，到时没有下雨，后果也不严重。商品推荐可以，根据消费记录，推荐三星手机，不感兴趣不点、不买就是。可是，坏账率高于 10%，一般借贷平台就会崩溃，大数据征信准确度够吗？大数据适合用来排除可疑用户，但是很难给正常用户准确授信。
（四）人行的征信系统
人行的征信系统是通过商业银行、其它社会机构上报的数据，结合身份认证中心的身份审核，提供给银行系统信用查询和提供给个人信用报告。但对于其它征信机构和互联金融公司目前不提供直接查询服务。2006年1月开通运行的央行征信系统，至2013年初，有大概8亿人在其中有档案。在这个8亿人当中，只有不到3亿人有过银行或其他金融机构发生过借贷的记录，其中存在大量没有信贷记录的个人。
而这些人却有可能在央行征信系统外的其它机构、互联网金融公司自己的数据系统中，存有相应的信贷记录。市场上一些线下小贷公司、网络信贷公司对于借贷人的信用评级信息需求非常旺盛，也因此催生了若干市场化征信公司，目前国内较大的具有代表性的市场化征信公司有几家：如北京安融惠众、上海资信、深圳鹏元等等。
从P2P网贷公司和一些线下小贷公司采集动态大数据，为互联网金融企业提供重复借贷查询、不良用户信息查询、信用等级查询等多样化服务是目前这些市场化的征信公司正在推进的工作。而随着加入这个游戏规则的企业越来越多，这个由大量动态数据勾勒的信用图谱也将越来越清晰。

（五）互联网海量大数据中与风控相关的数据
互联网大数据海量且庞杂，充满噪音，哪些大数据是互联网金融企业风险控制官钟爱的有价值的数据类型？下图为大家揭示了互联网海量大数据中与风控相关的数据，以及哪些企业或产品拥有这些数据。
利用电商大数据进行风控，阿里金融对于大数据的谋划可谓非一日之功。在很多行业人士还在云里雾里的时候，阿里已经建立了相对完善的大数据挖掘系统。通过电商平台阿里巴巴、淘宝、天猫、支付宝等积累的大量交易支付数据作为最基本的数据原料，再加上卖家自己提供的销售数据、银行流水、水电缴纳甚至结婚证等情况作为辅助数据原料。所有信息汇总后，将数值输入网络行为评分模型，进行信用评级。
信用卡类网站的大数据同样对互联网金融的风险控制非常有价值。申请信用卡的年份、是否通过、授信额度、卡片种类；信用卡还款数额、对优惠信息的关注等都可以作为信用评级的参考数据。国内最具代表性的企业是成立于2005年，最早开展网上代理申请信用卡业务的“我爱卡”。其创始人涂志云和他的团队又在2013年推出了信用风险管理平台“信用宝”，利用“我爱卡”积累的数据和流量优势，结合其早年的从事的FICO（费埃哲）风控模型，做互联网金融小微贷款。
利用社交网站的大数据进行网络借贷的典型是美国的Lending Club。Lending club于2007年5月24日在facebook上开张，通过在上面镶嵌的一款应用搭建借贷双方平台。利用社交网络关系数据和朋友之间的相互信任聚合人气。分为若干信用等级，但是却不必公布自己的信用历史。
在国内，2013年阿里巴巴以5.86亿美元购入新浪微博18%的股份，其用意给人很多遐想空间，获得社交大数据，阿里完善了大数据类型。加上淘宝的水电煤缴费信息、信用卡还款信息、支付和交易信息，已然成为了数据全能选手。
（六）P2P风险与机遇
小贷类网站积累的信贷大数据包括信贷额度、违约记录等等。但单一企业缺陷在于数据的数量级别低和地域性太强。还有部分小贷网站平台通过线下采集数据转移到线上的方式来完善信用数据。这些特点决定了如果单兵作战他们必定付出巨大成本。因此，贡献数据，共享数据的模式正逐步被认可，抱团取暖胜过单打独斗。其中有数据统计的全国小贷平台有几百家，全国性比较知名的有人人贷、拍拍贷、红岭和信用宝等。
第三方支付类平台未来的机遇在于，未来有可能基于用户的消费数据做信用分析。支付的方向、每月支付的额度、购买产品品牌都可以作为信用评级的重要参考数据。代表产品为易宝、财付通等。生活服务类网站的大数据如水、电、煤气、有线电视、电话、网络费、物业费交纳平台则客观真实地反映了个人的基本信息，是信用评级中一类重要的数据类在数据原料方面，越来越多的互联网在线动态大数据被添加进来。例如一个虚假的借款申请人信息就可以通过分析网络行为痕迹被识别出来，一个真实的互联网用户总会在网络上留下蛛丝马迹。对征信有用的数据的时效性也非常关键，通常被征信行业公认的有效的动态数据通常是从现在开始倒推24个月的数据。通过获得多渠道的大数据原料，利用数学运算和统计学的模型进行分析，从而评估出借款者的信用风险，典型的企业是美国的ZestFinance。这家企业的大部分员工是数据科学家，他们并不特别地依赖于信用担保行业，用大数据分析进行风险控制是ZestFinance的核心技术。他们的原始数据来源非常广泛。

上一篇：政府行业的互联网大数据技术领域应用的匮乏以及创新拓展思路（一）下一篇：大数据云计算机房的系统架构与建设

产品服务

大数据对金融征信行业带来的变革和机遇

解决方案