(電子商務(wù)研究中心訊) 隨著《征信業(yè)管理?xiàng)l例》出臺(tái)，至2014年底，有50多家企業(yè)征信機(jī)構(gòu)完成備案，到2015年初，央行又批復(fù)8家個(gè)人征信機(jī)構(gòu)，這其中有互聯(lián)網(wǎng)巨頭開(kāi)設(shè)的、有保險(xiǎn)公司等金融機(jī)構(gòu)開(kāi)設(shè)的，有老牌征信公司，以及擁有數(shù)據(jù)資源的新興公司，第一批持牌經(jīng)營(yíng)征信業(yè)務(wù)的機(jī)構(gòu)正式誕生，我國(guó)征信市場(chǎng)步入多元化發(fā)展。
全球征信行業(yè)發(fā)展各異，市場(chǎng)自然壟斷
全球征信行業(yè)的發(fā)展道路不一，沒(méi)有統(tǒng)一范式。如：法國(guó)、德國(guó)、意大利屬于政府驅(qū)動(dòng)型模式，借助于中央銀行建立的“中央信貸登記系統(tǒng)”，強(qiáng)制金融機(jī)構(gòu)定期提供金融數(shù)據(jù)；美國(guó)、加拿大、英國(guó)是市場(chǎng)驅(qū)動(dòng)型模式，民營(yíng)征信機(jī)構(gòu)來(lái)收集、加工個(gè)人和企業(yè)的信用信息，為需求方提供產(chǎn)品和服務(wù)；日本采用的是行業(yè)協(xié)會(huì)會(huì)員制模式，銀行行業(yè)協(xié)會(huì)建立征信機(jī)構(gòu)“日本個(gè)人信用信息中心”，負(fù)責(zé)對(duì)消費(fèi)者個(gè)人或企業(yè)進(jìn)行征信，會(huì)員銀行可以共享信息。
以上三種模式，在市場(chǎng)特征呈現(xiàn)自然壟斷，行業(yè)外溢效應(yīng)突出，表現(xiàn)為行業(yè)規(guī)模孝社會(huì)效益大。(以美國(guó)為例，Experian，TransUnion、Equifax及FICO模型提供商作為征信核心機(jī)構(gòu)，覆蓋85%左右的美國(guó)公民率，90%的金融機(jī)構(gòu)使用其作為授信重要參考標(biāo)準(zhǔn)。)
國(guó)內(nèi)征信機(jī)構(gòu)模式單一，競(jìng)爭(zhēng)壓力劇增
中國(guó)的企業(yè)和個(gè)人征信發(fā)展是典型的市場(chǎng)需求驅(qū)動(dòng)型的發(fā)展模式，在沒(méi)有健全的法律法規(guī)、沒(méi)有優(yōu)秀的實(shí)踐先例的情況下，國(guó)內(nèi)征信機(jī)構(gòu)均是根據(jù)市場(chǎng)需求和國(guó)際經(jīng)驗(yàn)，以傳統(tǒng)的“信用報(bào)告+增值服務(wù)”的商業(yè)模式來(lái)運(yùn)營(yíng)的(以央行征信中心為例：個(gè)人和企業(yè)征信報(bào)告+動(dòng)產(chǎn)融資質(zhì)押登記和應(yīng)收賬款融資服務(wù)等增值服務(wù))。
同時(shí)，一批狼性十足、不按常理和規(guī)則出牌、以領(lǐng)先技術(shù)與征信相結(jié)合的市場(chǎng)新入者正在進(jìn)入征信行業(yè)。他們以互聯(lián)網(wǎng)新金融、大數(shù)據(jù)新業(yè)態(tài)進(jìn)入行業(yè)，最慣用的策略是靠炒作去忽悠公眾，博眼球賺名頭掙市場(chǎng)份額；同時(shí)，通過(guò)股權(quán)聯(lián)盟、兼并重組、技術(shù)革新占領(lǐng)市場(chǎng)，獲取市場(chǎng)優(yōu)勢(shì)。我們的很多行業(yè)，如汽車(chē)、零售、支付等都經(jīng)歷過(guò)或正在經(jīng)歷這些變革。
央行征信中心作為目前行業(yè)基礎(chǔ)和先行者，以及作為“金融信用信息基礎(chǔ)數(shù)據(jù)庫(kù)”專業(yè)運(yùn)行機(jī)構(gòu)的天然優(yōu)勢(shì)毋庸置疑(截至2014年10月底，征信系統(tǒng)收錄1963萬(wàn)戶企業(yè)及其他組織和8.5億自然人)。而且央行征信中心也絕不會(huì)僅僅滿足于面向社會(huì)征信機(jī)構(gòu)開(kāi)放數(shù)據(jù)，只做“數(shù)據(jù)批發(fā)商”。在依法行政和社會(huì)治理、經(jīng)濟(jì)管理轉(zhuǎn)型發(fā)展的大環(huán)境下，他們不可避免地面臨著去行政化、去壟斷化、去專營(yíng)化的態(tài)勢(shì)，面臨市場(chǎng)競(jìng)爭(zhēng)的壓力會(huì)與日俱增。
僅有數(shù)據(jù)難以形成核心競(jìng)爭(zhēng)力
縱觀國(guó)外情況，在激烈的競(jìng)爭(zhēng)環(huán)境下，經(jīng)過(guò)長(zhǎng)期的博弈和兼并，市場(chǎng)形成自然壟斷，而生存下來(lái)的機(jī)構(gòu)都有很強(qiáng)的競(jìng)爭(zhēng)力。在我國(guó)，最終可能也只會(huì)有少數(shù)幾家大型征信機(jī)構(gòu)，但僅以“信用報(bào)告+增值服務(wù)”這種單一的商業(yè)模式是很難在競(jìng)爭(zhēng)中取得優(yōu)勢(shì)的，那么征信機(jī)構(gòu)在未來(lái)的發(fā)展憑什么安身立命？
有很多聲音說(shuō)是數(shù)據(jù)，數(shù)據(jù)是征信機(jī)構(gòu)的核心，數(shù)據(jù)質(zhì)量是征信機(jī)構(gòu)的生命線。央行坐擁8億多個(gè)人、近2000萬(wàn)企業(yè)數(shù)據(jù)，但是他們的服務(wù)能力、響應(yīng)市場(chǎng)需求的速度、服務(wù)平臺(tái)是和互聯(lián)網(wǎng)企業(yè)完全不能比較的。而互聯(lián)網(wǎng)巨頭公司所謂的大數(shù)據(jù)征信停留在“看上去很美”的階段，海量的網(wǎng)上交易流水?dāng)?shù)據(jù)和網(wǎng)絡(luò)社交平臺(tái)行為信息，也是對(duì)征信系統(tǒng)數(shù)據(jù)的“注水”過(guò)程(《征信業(yè)管理?xiàng)l例》明確征信系統(tǒng)已經(jīng)定位為“金融信用信息基礎(chǔ)數(shù)據(jù)庫(kù)”，這一定位決定了征信系統(tǒng)服務(wù)的核心在金融領(lǐng)域)。如網(wǎng)上交易頻次、交易爽約次數(shù)、網(wǎng)購(gòu)假貨差評(píng)、網(wǎng)購(gòu)?fù)素浻涗?、網(wǎng)上社交行為等記錄，無(wú)論描述性的、紀(jì)實(shí)性的還是屬于“污點(diǎn)”性的記錄，很難被主流金融機(jī)構(gòu)所運(yùn)用。
在數(shù)據(jù)被所有機(jī)構(gòu)都重視并開(kāi)始沉淀數(shù)據(jù)、把控?cái)?shù)據(jù)質(zhì)量時(shí)(法律允許所有征信機(jī)構(gòu)都可以依法獲得納入征信數(shù)據(jù)分析維度的信息，就意味著目前所有的征信機(jī)構(gòu)，都有獲得這些信息的權(quán)利)，征信機(jī)構(gòu)在市場(chǎng)競(jìng)爭(zhēng)中憑什么生存？
美國(guó)新興機(jī)構(gòu)ZestFinanc的“服務(wù)能力和應(yīng)用場(chǎng)景”
ZestFinance是美國(guó)一家成立于2009年的專門(mén)提供信用評(píng)估服務(wù)的機(jī)構(gòu)，服務(wù)人群定位比較清晰，一是信用記錄不完整或者不夠完善的人群(約占總體15%)，二是信用分?jǐn)?shù)低而借貸成本高的人群。ZestFinance利用大數(shù)據(jù)技術(shù)重塑審貸過(guò)程，為這些難以獲得傳統(tǒng)金融服務(wù)的個(gè)人創(chuàng)造可用的信用，降低他們的借貸成本。
ZestFinance以大數(shù)據(jù)技術(shù)為基礎(chǔ)采集多源數(shù)據(jù)，一方面繼承了傳統(tǒng)征信體系的決策變量，重視深度挖掘授信對(duì)象的信貸歷史。另一方面，將能夠影響用戶信貸水平的其他因素也考慮在內(nèi)，如社交網(wǎng)絡(luò)信息、用戶申請(qǐng)信息等，從而實(shí)現(xiàn)了深度和廣度的高度融合。這里要強(qiáng)調(diào)的是，作為一家新興互聯(lián)網(wǎng)金融公司，ZestFinance并不是完全擺脫傳統(tǒng)征信體系，在ZestFinance進(jìn)行信用評(píng)估時(shí)，傳統(tǒng)征信數(shù)據(jù)要占到至少30%。
ZestFinance的數(shù)據(jù)來(lái)源十分豐富，依賴于結(jié)構(gòu)化數(shù)據(jù)的同時(shí)也導(dǎo)入了大量的非結(jié)構(gòu)化數(shù)據(jù)。對(duì)于ZestFinance進(jìn)行信用評(píng)估最重要的數(shù)據(jù)還是通過(guò)購(gòu)買(mǎi)或者交換來(lái)自于第三方的數(shù)據(jù)，既包含銀行和信用卡數(shù)據(jù)，也包括法律記錄、搬家次數(shù)等非傳統(tǒng)數(shù)據(jù)。另外，它還包括大量的非傳統(tǒng)數(shù)據(jù)，如借款人的房租繳納記錄、典當(dāng)行記錄、網(wǎng)絡(luò)數(shù)據(jù)信息等，甚至將借款人填寫(xiě)表格時(shí)使用大小寫(xiě)的習(xí)慣、在線提交申請(qǐng)之前是否閱讀文字說(shuō)明等極邊緣的信息作為信用評(píng)價(jià)的考量因素。多維度的征信大數(shù)據(jù)可以使得ZestFinance能夠不完全依賴于傳統(tǒng)的征信體系，對(duì)個(gè)人消費(fèi)者從不同的角度進(jìn)行描述和進(jìn)一步深入地量化信用評(píng)估。
ZestFinance的信用評(píng)估分析原理，融合多源信息，采用了先進(jìn)機(jī)器學(xué)習(xí)的預(yù)測(cè)模型和集成學(xué)習(xí)的策略，進(jìn)行大數(shù)據(jù)挖掘。首先，數(shù)千種來(lái)源于第三方(如電話賬單和租賃歷史等)和借貸者的原始數(shù)據(jù)將被輸入系統(tǒng)。其次，尋找數(shù)據(jù)間的關(guān)聯(lián)性并對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換。再次，在關(guān)聯(lián)性的基礎(chǔ)上將變量重新整合成較大的測(cè)量指標(biāo)，每一種變量反映借款人的某一方面特點(diǎn)，如詐騙概率、長(zhǎng)期和短期內(nèi)的信用風(fēng)險(xiǎn)和償還能力等。然后將這些較大的變量輸入到不同的數(shù)據(jù)分析模型中去。最后，將每一個(gè)模型輸出的結(jié)論按照模型投票的原則，形成最終的信用分?jǐn)?shù)。
ZestFinance打造了一個(gè)“以傳統(tǒng)征信體系+大數(shù)據(jù)技術(shù)”的服務(wù)平臺(tái)，為難以獲得傳統(tǒng)金融服務(wù)的個(gè)人提供信用評(píng)估服務(wù)，同時(shí)，也正在向信用風(fēng)險(xiǎn)管理的其他領(lǐng)域縱深擴(kuò)展，創(chuàng)造一個(gè)又一個(gè)的應(yīng)用場(chǎng)景，如ZestFinance推出的收債評(píng)分(CollectionScore)，具體應(yīng)用在汽車(chē)金融、學(xué)生貸款和醫(yī)療貸款。
ZestFinance的體量雖然不大，目前僅為10萬(wàn)美國(guó)人提供了服務(wù)，在美國(guó)的影響力也有限，但是為征信業(yè)的變革注入了活力，特別是對(duì)于中國(guó)的征信體系的建設(shè)會(huì)有一定的啟示作用。
中國(guó)式的“大數(shù)據(jù)征信+FICO評(píng)分”
在中國(guó)，雖然沒(méi)有像美國(guó)那樣完善的征信體系做支撐，但同樣有傳統(tǒng)征信與大數(shù)據(jù)征信技術(shù)相結(jié)合并且發(fā)揮很強(qiáng)化學(xué)作用的實(shí)例。北京宜信致誠(chéng)信用評(píng)估有限公司(簡(jiǎn)稱：致誠(chéng)征信)作為互聯(lián)網(wǎng)金融“一哥”宜信的子公司，在從事征信領(lǐng)域有著顯著優(yōu)勢(shì)。致誠(chéng)征信打造了一個(gè)金融云平臺(tái)為自身的大數(shù)據(jù)采集和分析所服務(wù)。
金融云平臺(tái)打通了宜信及其合作伙伴的數(shù)據(jù)。宜信在P2P行業(yè)有9年積累，用戶已過(guò)百萬(wàn)。實(shí)際上，只要與宜信有過(guò)接觸的用戶，他們?cè)峤贿^(guò)的信用報(bào)告、聯(lián)系人信息、教育水平、工資單、銀行流水等一系列傳統(tǒng)征信數(shù)據(jù)。同時(shí)，還有線上和線下的合作伙伴所提供的數(shù)據(jù)源。同時(shí)，通過(guò)金融云平臺(tái)，致誠(chéng)征信專門(mén)做了一個(gè)搜索引擎，在獲得個(gè)人授權(quán)許可的情況下，搜索引擎會(huì)抓取個(gè)人在互聯(lián)網(wǎng)上留下的電商購(gòu)買(mǎi)數(shù)據(jù)、搜索引擎數(shù)據(jù)、社交數(shù)據(jù)等多個(gè)維度的數(shù)據(jù)。除此之外，還有大量散落在網(wǎng)上的公開(kāi)數(shù)據(jù)，這些數(shù)據(jù)也會(huì)被抓取。
與ZestFinance一樣，致誠(chéng)征信所采集的數(shù)據(jù)也是結(jié)構(gòu)化的數(shù)據(jù)以及大量非結(jié)構(gòu)化的數(shù)據(jù)，而要通過(guò)相應(yīng)的數(shù)據(jù)分析和挖掘技術(shù)輸出每個(gè)人的信用評(píng)估結(jié)果，就要賴以致誠(chéng)征信金融云平臺(tái)的機(jī)器學(xué)習(xí)智能化分析。致誠(chéng)征信開(kāi)發(fā)了十余個(gè)基于機(jī)器學(xué)習(xí)的分析模型，對(duì)每個(gè)人的超過(guò)1萬(wàn)條數(shù)據(jù)信息進(jìn)行分析，并得出超過(guò)7萬(wàn)個(gè)可對(duì)其行為做出測(cè)量的指標(biāo)，在5秒鐘內(nèi)就能全部完成。在此基礎(chǔ)上預(yù)設(shè)一些規(guī)則引擎(可以理解為一些基礎(chǔ)的算法)，引導(dǎo)系統(tǒng)做出一些基本的判斷和決策。這種機(jī)制的決策性能遠(yuǎn)遠(yuǎn)好于業(yè)界的平均水平。未來(lái)，收集和整理數(shù)據(jù)的門(mén)檻會(huì)降低，而利用機(jī)器學(xué)習(xí)進(jìn)行數(shù)據(jù)分析和挖掘的能力會(huì)成為關(guān)鍵。
在金融云平臺(tái)強(qiáng)大支持下，致誠(chéng)征信首席科學(xué)家鄭茂林博士(曾在美國(guó)FICO公司工作多年，負(fù)責(zé)決策優(yōu)化、信用評(píng)分模型技術(shù)的研究和開(kāi)發(fā)，由其發(fā)明的大規(guī)模決策優(yōu)化算法獲美國(guó)專利，每年為FICO公司帶來(lái)數(shù)千萬(wàn)美元的收入)利用其在FICO的經(jīng)驗(yàn)，結(jié)合中國(guó)國(guó)情及金融云平臺(tái)大數(shù)據(jù)分析結(jié)果設(shè)計(jì)專有預(yù)測(cè)模型，能夠挖掘出歷史數(shù)據(jù)關(guān)聯(lián)性，用以對(duì)未來(lái)事件進(jìn)行預(yù)測(cè)，最終用分?jǐn)?shù)來(lái)表示事件發(fā)生的可能性。同時(shí)，以社交網(wǎng)絡(luò)分析技術(shù)，進(jìn)行身份識(shí)別和社交網(wǎng)絡(luò)分析，理清不同組織、個(gè)人、事件等實(shí)體之間的關(guān)系，在這個(gè)基礎(chǔ)上能長(zhǎng)出很多應(yīng)用場(chǎng)景，比如獲客、實(shí)時(shí)授信、產(chǎn)品個(gè)性化推薦、貸后管理等。這些技術(shù)在信用評(píng)估和反欺詐領(lǐng)域都是頂尖的實(shí)踐。
事實(shí)上，征信產(chǎn)業(yè)鏈?zhǔn)且粋€(gè)相對(duì)簡(jiǎn)單的鏈條，從上游到下游分別是：數(shù)據(jù)供應(yīng)商、征信核心機(jī)構(gòu)、征信需求方。不難看出，筆者在這里列舉的中外典型案例中征信機(jī)構(gòu)均是以強(qiáng)大的服務(wù)平臺(tái)為依托，在此基礎(chǔ)上建立不同的應(yīng)用場(chǎng)景進(jìn)行縱深擴(kuò)展，而且其基于大數(shù)據(jù)的信用評(píng)估模型也越來(lái)越受到關(guān)注和效仿。大數(shù)據(jù)征信給我們這樣一個(gè)邏輯，多維數(shù)據(jù)可以在征信領(lǐng)域廣泛運(yùn)用，關(guān)鍵是找到一種合適的商業(yè)模式，達(dá)到社會(huì)認(rèn)同的商業(yè)效果。（來(lái)源：未央網(wǎng)）
