《征信機(jī)構(gòu)發(fā)展分析報(bào)告3800字》

征信機(jī)構(gòu)發(fā)展評(píng)估與調(diào)研報(bào)告目錄TOC\o"1-2"\h\u10582一、我國(guó)民營(yíng)征信機(jī)構(gòu)現(xiàn)狀 131656(—)征信數(shù)據(jù)來(lái)源割裂,信用評(píng)級(jí)片面化 13088(二)征信模型不成熟,信用評(píng)估缺乏可靠性 24846(三)依托互聯(lián)網(wǎng)金融集團(tuán),征信產(chǎn)品缺乏獨(dú)立性 211138(二)強(qiáng)大的機(jī)器學(xué)習(xí)模型,不斷優(yōu)化調(diào)整模型 36640(三)征信產(chǎn)品應(yīng)用渠道廣泛,評(píng)級(jí)結(jié)果有效獨(dú)立 410005(二)加強(qiáng)國(guó)際合作,改進(jìn)信用評(píng)估模型 413195(三)企業(yè)內(nèi)部加強(qiáng)監(jiān)管,保證第三方征信獨(dú)立性 5互聯(lián)網(wǎng)時(shí)代背景下,P2P網(wǎng)貸.消費(fèi)金融﹑共享經(jīng)濟(jì)等業(yè)務(wù)在我國(guó)蓬勃發(fā)展，個(gè)人征信業(yè)務(wù)需求快速增長(zhǎng),對(duì)以中國(guó)人民銀行為代表的公共征信機(jī)構(gòu)提出了挑戰(zhàn),依托大數(shù)據(jù)技術(shù)的民營(yíng)征信機(jī)構(gòu)應(yīng)運(yùn)而生。但目前我國(guó)的民營(yíng)征信機(jī)構(gòu)信用評(píng)估模式在數(shù)據(jù)采集.建模分析和產(chǎn)品應(yīng)用上還存在問(wèn)題,文章通過(guò)借鑒美國(guó)信用評(píng)估公司ZextFinance的成功經(jīng)驗(yàn),對(duì)我國(guó)征信機(jī)構(gòu)如何有效利用大數(shù)據(jù)技術(shù)改進(jìn)個(gè)人征信信用評(píng)估模式提出建議。根據(jù)中國(guó)人民銀行征信中心2015年發(fā)布的《征信系統(tǒng)建設(shè)運(yùn)行報(bào)告》中顯示,截至2014年央行征信體系還是以商業(yè)銀行的金融信貸信息為主﹐占比達(dá)到70%以上,對(duì)于網(wǎng)絡(luò)數(shù)據(jù)挖掘不足,新興互聯(lián)網(wǎng)金融機(jī)構(gòu)如P2P網(wǎng)絡(luò)平臺(tái)以及大部分消費(fèi)金融機(jī)構(gòu)則尚未接入央行征信系統(tǒng)。隨著互聯(lián)網(wǎng)金融平臺(tái)的活躍,更多的非傳統(tǒng)信用數(shù)據(jù)需要納入征信體系，為了促進(jìn)互聯(lián)網(wǎng)金融穩(wěn)定發(fā)展,對(duì)個(gè)人征信業(yè)務(wù)提出了更高的要求。2015年,人民銀行批準(zhǔn)了芝麻信用﹑騰訊征信﹑深圳前海征信、鵬元征信﹑中誠(chéng)信征信、中智誠(chéng)征信﹑考拉征信、北京華道征信8家民營(yíng)征信機(jī)構(gòu)進(jìn)入個(gè)人征信行業(yè)。這些新興征信機(jī)構(gòu)通過(guò)收集分析客戶的線上線下信貸數(shù)據(jù)和網(wǎng)絡(luò)行為軌跡數(shù)據(jù),引入數(shù)據(jù)挖掘技術(shù)和數(shù)學(xué)模型實(shí)行多維度信用等級(jí)評(píng)估，節(jié)約傳統(tǒng)征信的人力成本、時(shí)間成本,兼顧長(zhǎng)尾市場(chǎng),為個(gè)人征信市場(chǎng)注入了新活力。但同時(shí)民營(yíng)征信機(jī)構(gòu)的發(fā)展面臨著來(lái)自各種挑戰(zhàn)。一、我國(guó)民營(yíng)征信機(jī)構(gòu)現(xiàn)狀(—)征信數(shù)據(jù)來(lái)源割裂,信用評(píng)級(jí)片面化目前我國(guó)征信數(shù)據(jù)主要來(lái)自線下的金融征信體系、行政管理征信體系和商業(yè)征信體系以及線上的互聯(lián)網(wǎng)金融﹑社交體系。其中線下數(shù)據(jù)主要是以央行征信系統(tǒng)的信貸數(shù)據(jù)、工商、司法以及行業(yè)協(xié)會(huì)數(shù)據(jù)為主,線上則是基于電子支付、P2P網(wǎng)貸、社交網(wǎng)絡(luò)等互聯(lián)網(wǎng)平臺(tái)的大量非結(jié)構(gòu)化數(shù)據(jù),兩者之間存在較強(qiáng)的割裂,傳統(tǒng)金融機(jī)構(gòu)的信貸數(shù)據(jù)難以與民營(yíng)征信機(jī)構(gòu)共享。以芝麻信用和騰訊信用為例，從下表中可以看出芝麻信用數(shù)據(jù)來(lái)源主要來(lái)自阿里巴巴旗下電商的網(wǎng)絡(luò)金融數(shù)據(jù)，其中來(lái)自淘寶和支付寶的數(shù)據(jù)占比高達(dá)40%;而騰訊信用則借助自身強(qiáng)大的社交網(wǎng)絡(luò)優(yōu)勢(shì)，數(shù)據(jù)主要來(lái)自旗下微信.OO等社交平臺(tái)。首先雙方的數(shù)據(jù)少有重合,多是依托自身平臺(tái),忽略其他互聯(lián)網(wǎng)公司的用戶數(shù)據(jù),使評(píng)級(jí)結(jié)果缺乏普適性;其次,雙方對(duì)于履約能力即用戶信用狀況的數(shù)據(jù)僅依賴于與自身建立合作關(guān)系的公共機(jī)構(gòu)，這就意味著這些民營(yíng)征信機(jī)構(gòu)在進(jìn)行信用評(píng)估時(shí)究竟能夠獲得多少線下信貸數(shù)據(jù),還是個(gè)未知數(shù)。以上兩點(diǎn)決定了目前我國(guó)民營(yíng)征信機(jī)構(gòu)在信用評(píng)級(jí)上仍然存在片面性。(二)征信模型不成熟,信用評(píng)估缺乏可靠性征信模型算法是大數(shù)據(jù)征信中的核心環(huán)節(jié),我國(guó)民營(yíng)征信機(jī)構(gòu)發(fā)展尚未成熟,較美國(guó)等成熟征信體系相比還存在一定的差距。芝麻信用所采用的評(píng)估模型與美國(guó)個(gè)人消費(fèi)信用評(píng)估公司開(kāi)發(fā)的FICO信用評(píng)級(jí)法大致相同，但通過(guò)對(duì)比我們可以看出相比于FI-cO主要還是依賴于傳統(tǒng)信貸數(shù)據(jù)，而芝麻信用引入了大量與用戶信用狀況關(guān)系較弱的社交、行為偏好數(shù)據(jù)。引入多維度評(píng)估固然可以更精確地刻畫用戶信用狀況﹐但如何通過(guò)這些弱相關(guān)性的海量互聯(lián)網(wǎng)數(shù)據(jù)挖掘出有價(jià)值的消費(fèi)者信用信息,對(duì)征信模型的設(shè)計(jì)提出了挑戰(zhàn)。同時(shí)我們注意到，我國(guó)民營(yíng)征信機(jī)構(gòu)大多將個(gè)人的資產(chǎn)信息(如騰訊信用考察資產(chǎn)構(gòu)成)和好友信用狀況(如芝麻信用考察支付寶好友信息)納入評(píng)估范疇,而FICO評(píng)分則主要關(guān)注用戶信貸狀況,不包含資產(chǎn)情況等個(gè)人敏感信息。國(guó)內(nèi)做法難免加劇貧富人群信用差異,違背了互聯(lián)網(wǎng)征信服務(wù)長(zhǎng)尾用戶的初衷,使結(jié)果產(chǎn)生偏差。綜上看來(lái),征信模型的不成熟會(huì)使評(píng)分結(jié)果缺乏可靠性。(三)依托互聯(lián)網(wǎng)金融集團(tuán),征信產(chǎn)品缺乏獨(dú)立性目前我國(guó)批準(zhǔn)進(jìn)入個(gè)人征信行業(yè)試點(diǎn)的八家征信機(jī)構(gòu)大都屬于阿里巴巴、騰訊等大型金融集團(tuán),而這些集團(tuán)同時(shí)控股小額貸款公司、民營(yíng)銀行等金融機(jī)構(gòu),與征信機(jī)構(gòu)存在高度關(guān)聯(lián)性,征信產(chǎn)品能否對(duì)市場(chǎng)上所有金融產(chǎn)品采用相同標(biāo)準(zhǔn)成為評(píng)價(jià)民營(yíng)征信機(jī)構(gòu)獨(dú)立性的重要因素。大多數(shù)征信產(chǎn)品主要依托集團(tuán)所屬平臺(tái)數(shù)據(jù)進(jìn)行評(píng)估,評(píng)估出的結(jié)果又服務(wù)于集團(tuán)內(nèi)各子公司的業(yè)務(wù),這就使得民營(yíng)征信機(jī)構(gòu)的信用評(píng)級(jí)缺乏第三方獨(dú)立性,要想真正應(yīng)用到全市場(chǎng)金融業(yè)務(wù)上,還需要對(duì)公司主體獨(dú)立性、關(guān)聯(lián)交易管控﹑數(shù)據(jù)獨(dú)立性等方面進(jìn)行管控。二﹑借鑒Zestfinance的成功模式ZestFinance是美國(guó)一家新興的互聯(lián)網(wǎng)金融公司,提出了“Ma-chinelearningisthefutureoffinance”的理念﹐ZestFinance的核心競(jìng)爭(zhēng)力在于數(shù)據(jù)挖掘能力和模型開(kāi)發(fā)能力。其大數(shù)據(jù)征信理念已被世界多家互聯(lián)網(wǎng)金融公司認(rèn)可,也與百度﹑京東等國(guó)內(nèi)互聯(lián)網(wǎng)金融公司建立合作,共同開(kāi)拓國(guó)內(nèi)征信市場(chǎng)。(—)數(shù)據(jù)來(lái)源豐富,以信貸信息為主要數(shù)據(jù)源ZestFinance的數(shù)據(jù)來(lái)源主要為第三方數(shù)據(jù)、用戶提交的數(shù)據(jù)以及互聯(lián)網(wǎng)數(shù)據(jù)。其中用戶信貸信息﹑信用卡信息等結(jié)構(gòu)化數(shù)據(jù)主要來(lái)自所購(gòu)買或交換的第三方如銀行、工商部門等公共機(jī)構(gòu),同時(shí)ZestFinance鼓勵(lì)用戶上傳電話賬單等來(lái)證明自己信用水平，有效彌補(bǔ)公共信息不足?；ヂ?lián)網(wǎng)則提供了社交數(shù)據(jù)、網(wǎng)絡(luò)行為、P地址等非結(jié)構(gòu)化數(shù)據(jù)。值得注意的是ZestFinance在引入大量非結(jié)構(gòu)化數(shù)據(jù)深度挖掘用戶信用的同時(shí)，其進(jìn)行信用評(píng)估依然以傳統(tǒng)信貸信息為主要數(shù)據(jù)源﹐占比達(dá)到30%。因?yàn)槭紫然ヂ?lián)網(wǎng)數(shù)據(jù)中尤其是社交數(shù)據(jù)多為文本和圖像類數(shù)據(jù),類型復(fù)雜,處理起來(lái)難度較大;其次,例如IP地址、社交網(wǎng)絡(luò)行為等數(shù)據(jù)與用戶信用相關(guān)性較弱，對(duì)模型的擬合程度要求也更大,過(guò)多依賴互聯(lián)網(wǎng)數(shù)據(jù)可能會(huì)使信用評(píng)級(jí)的可靠性降低。(二)強(qiáng)大的機(jī)器學(xué)習(xí)模型,不斷優(yōu)化調(diào)整模型傳統(tǒng)征信主要采用邏輯回歸和決策樹(shù)方法,但這兩種方法各自存在不足。邏輯回歸法變量數(shù)量有限,只能處理10-15個(gè)變量,要求所有變量必須存在且正確﹐而決策樹(shù)方法則需要將所有申請(qǐng)人清晰劃分為不同類別,操作難度較大。而新興的機(jī)器學(xué)習(xí)技術(shù)能夠克服傳統(tǒng)回歸方法的弊端,結(jié)合預(yù)測(cè)算法,不斷優(yōu)化調(diào)整模型,構(gòu)建信用評(píng)估體系,這也是ZestFinance的核心競(jìng)爭(zhēng)力所在。ZestFinance開(kāi)發(fā)了專門用于信用評(píng)估的ZAML平臺(tái)﹐ZAML平臺(tái)提供了可解釋的機(jī)器學(xué)習(xí)模型,處理變量可以多達(dá)幾千個(gè)。能夠在10秒之內(nèi)處理海量數(shù)據(jù)并提供信用評(píng)級(jí),該平臺(tái)主要由數(shù)據(jù)同化(dataassimilation)﹑模型工具(modelingtools)和模型可解釋性(modelexplainability)三部分組成。借助機(jī)器學(xué)習(xí),把人類思考?xì)w納經(jīng)驗(yàn)的過(guò)程轉(zhuǎn)化為計(jì)算機(jī)對(duì)數(shù)據(jù)的處理計(jì)算得出模型，ZestFinance的評(píng)分模型得以快速更新，由最初的信貸審批評(píng)分模型已經(jīng)發(fā)展出八類不同的信用評(píng)估模型,覆蓋教育﹑法律、消費(fèi)等各個(gè)方面。(三)征信產(chǎn)品應(yīng)用渠道廣泛,評(píng)級(jí)結(jié)果有效獨(dú)立ZestFinance通過(guò)大數(shù)據(jù)分析,突破傳統(tǒng)征信限制，自2009年起﹐已為超過(guò)300,000,000人提供了信用評(píng)級(jí)服務(wù)﹐其中多為傳統(tǒng)信用評(píng)級(jí)所沒(méi)有覆蓋的人群,填補(bǔ)了傳統(tǒng)征信的空白。ZestFinance提供的信用評(píng)級(jí)不僅可以應(yīng)用于自身旗下的ZestCash貸款平臺(tái)，為用戶發(fā)放貸款﹐也逐漸被一些傳統(tǒng)金融機(jī)構(gòu)認(rèn)可,使這些機(jī)構(gòu)可以參考ZestFinance評(píng)分系統(tǒng)為用戶提供金融服務(wù)。ZestFinance非但沒(méi)有因?yàn)榉?wù)“高風(fēng)險(xiǎn)”客戶而遭受風(fēng)險(xiǎn)損失,反而通過(guò)大數(shù)據(jù)技術(shù)的精準(zhǔn)評(píng)估在實(shí)踐中實(shí)現(xiàn)了33%的信貸損失的下降。三﹑我國(guó)民營(yíng)征信機(jī)構(gòu)信用評(píng)估體系改進(jìn)措施針對(duì)我國(guó)現(xiàn)試點(diǎn)的八家民營(yíng)征信機(jī)構(gòu)所存在的問(wèn)題,通過(guò)借鑒美國(guó)大數(shù)據(jù)征信機(jī)構(gòu)ZestFinance成功的經(jīng)驗(yàn)，現(xiàn)提出以下三點(diǎn)改進(jìn)的建議(—)促進(jìn)各大平臺(tái)信息共享,整合數(shù)據(jù)源首先,對(duì)于結(jié)構(gòu)化數(shù)據(jù)﹐各大民營(yíng)征信機(jī)構(gòu)要加強(qiáng)金融信用信息基礎(chǔ)數(shù)據(jù)庫(kù)建設(shè),在保證信息安全的前提下,與傳統(tǒng)征信機(jī)構(gòu)如人民銀行征信系統(tǒng)實(shí)現(xiàn)信息共享,盡可能獲取用戶信用高度相關(guān)的信貸數(shù)據(jù);其次,對(duì)于社交信息、網(wǎng)絡(luò)行為非結(jié)構(gòu)化數(shù)據(jù)﹐各大民營(yíng)征信機(jī)構(gòu)不僅要依托自身互聯(lián)網(wǎng)平臺(tái)資源,也要與其他平臺(tái)開(kāi)展合作進(jìn)行信息采集,獲取更全面更客觀的數(shù)據(jù)。通過(guò)整合線上線下的數(shù)據(jù)源﹐兼顧頭部和長(zhǎng)尾數(shù)據(jù),提升信用產(chǎn)品的質(zhì)量。2018年2月,中國(guó)人民銀行批準(zhǔn)百行征信有限公司成為首家獲得個(gè)人征信業(yè)務(wù)牌照的機(jī)構(gòu),由8家民營(yíng)征信公司分別持股。百行征信集合國(guó)內(nèi)互聯(lián)網(wǎng)企業(yè)巨頭如阿里、騰訊的網(wǎng)絡(luò)平臺(tái)的數(shù)據(jù),同時(shí)立足于央行征信系統(tǒng)的用戶信貸數(shù)據(jù)，實(shí)現(xiàn)了數(shù)據(jù)源的整合,具有巨大的發(fā)展?jié)摿Α?二)加強(qiáng)國(guó)際合作,改進(jìn)信用評(píng)估模型中國(guó)應(yīng)用大數(shù)據(jù)征信尚處于起步階段,國(guó)內(nèi)目前缺乏相關(guān)專業(yè)人才,其數(shù)據(jù)挖掘能力、機(jī)器學(xué)習(xí)技術(shù)以及在模型的設(shè)計(jì)方面與歐美發(fā)達(dá)國(guó)家相比具有一定的差距。而同時(shí)互聯(lián)網(wǎng)金融在中國(guó)的飛速發(fā)展,又帶來(lái)了豐富的網(wǎng)絡(luò)數(shù)據(jù)資源,因此中國(guó)的民營(yíng)征信機(jī)構(gòu)可以利用自身豐富的數(shù)據(jù)優(yōu)勢(shì)，與國(guó)外大數(shù)據(jù)征信企業(yè)開(kāi)展合作,依托其先進(jìn)的機(jī)器學(xué)習(xí)征信技術(shù),不斷改進(jìn)信用評(píng)估模型,提高評(píng)分可靠性。目前,京東、百度均已與美國(guó)互聯(lián)網(wǎng)金融公司ZestFinance建立合作關(guān)系。百度作為中國(guó)最大的搜索引擎,而京東擁有以京東金融為代表的消費(fèi)金融體系，二者均掌握豐富的中國(guó)客戶互聯(lián)網(wǎng)數(shù)據(jù)，與ZestFinance強(qiáng)強(qiáng)