有情有趣有用有品的干货
近日，八家民营征信公司终于结束央行布置的大考。这就意味着，个人征信牌照将在近日颁发。一旦牌照正式颁发，就将打破央行征信中心一家独大的格局，我国征信行业也将呈现“百花齐放”，而各大征信机构推出的个人征信产品势必成为大众关注的新焦点。截至目前，阿里旗下的芝麻信用分、腾讯信用分、拉卡拉的“考拉分”、中诚信征信的“ 近日，八家民营征信公司终于结束央行布置的大考。这就意味着，个人征信牌照将在近日颁发。一旦牌照正式颁发，就将打破央行征信中心一家独大的格局，我国征信行业也将呈现“百花齐放”，而各大征信机构推出的个人征信产品势必成为大众关注的新焦点。截至目前，阿里旗下的芝麻信用分、腾讯信用分、拉卡拉的“考拉分”、中诚信征信的“万象分”、华道征信的“猪猪分”、前海征信的“好信度”等都已陆续上线或开始内测，并且开始尝试与机构合作测试。百家争鸣的征信行业是否能长驱直入，大步迈进，其应用市场前景会是乘风破浪抑或只是场“希望在田野上”的意淫，其中趋势尚待探究！
细数评分维度，民营征信补全场景金融数据
金融市场的大小不仅取决于人口市场规模的大小，也受消费者信用引起的金融系统风险的大小影响，而征信体系则是金融业的根基和保障。曾经一家独大的央行中心已表现出明显的不足：采集的征信信息在用户多样性，场景碎片化的当下越来越狭窄变得不合时宜。以芝麻信用分为首的个人信用评分，开始成为征信机构市场化运作的先驱，随后其他民营征信机构纷纷推出自己的征信产品和评分制度，他们都是通过对海量信息数据的综合处理和评估为客户评分或评级从而直观呈现用户信用水平，其中评判的标准和维度大同小异。以芝麻信用为例，构成芝麻分的五个维度是：信用历史、行为偏好、履约能力、 身份特质、人脉关系。这和传统征信数据主要来源于借贷领域有所不同，脱胎于互联网背景的民营征信体系数据资源更加丰富征信数据来源更加广泛，各家除了基础的个人基本信息、贷款信息、信用卡信息、信贷领域以外的信用信息等金融数据外，也在收集来自生活、电商等其他数据，甚至有人猜测，淘宝差评记录、滴滴打车爽约、骗取保费时伪造个人信息等都将成为个人征信报告中的“污点”。另外数据采集也从线下转移到线上，用户信息呈现立体化、多元化、碎片化趋势，当然个人线上生活痕迹更容易被记录，因为这背后刚好是集社交、购物大成者的腾讯、阿里等在支撑。再者民营征信机构产品线更加丰富，比如还有评分体系，更深层次的模型、精准营销以及大数据的服务等，总之我国征信评分体系开始用丰富多样的“社交数据”或“电商数据”等场景数据去融合“金融数据”从而全面展示用户信用数据降低风险，这恰好移动互联大数据下的场景数据对金融数据的补充和完善。但这是否就代表更加科学更加优质的征信体系和行业生态？作为用户，我们如何去评判这种变化是进步还是陷阱，是该积极拥抱还是消极旁观，征信产品的价值到底在哪？在此基础衍生出来的应用场景又将呈现怎样的面貌？
回归用户，征信产品的应用场景在哪？
回答这些问题的前提是先确定评判的标准。网络时代，数据就是信用，信用就是财富，而征信产品的价值大小取决于以下3条：
1、客观事实呈现。各家征信企业个人征信数据是否全面完整体现个人信用状况，来源渠道是否有效？民营企业的征信报告是否能和央行报告结合，互相参考、印证？评分系统从大量数据中提炼出来的预测信息和行为模式是否符合客户信用表现的普遍性规律？
2、评估标准一致。实施过程中是否受审批人员的主观感受、个人偏见、喜好和情绪等影响？审批人员人工经验是否会加大审批的随意性和不合理性？场景用户不同的情况下，其评估和决策的标准是否相同？
3、评价准确监管公平。依托于大数据、运用统计技术科学是否能准确预测客户各方面表现的概率？是否能让金融机构准确地衡量风险、收益等各方面的交换关系，找出适合自身的风险偏好和收益的最佳平衡点?民营征信企业中，个别企业之间还存有多种业务交叉点，这种竞合关系是否会影响最终评价的准确性，以及如何规避篡改个人数据等不正当竞争？个别监管征信公司既做基础数据，又出个人评级报告，即是裁判又是选手，他们的信用如何监管？
既然标准确定，那又该如何使得征信评分系统更加科学优质。曾在Equifax多年任职首席统计学家现任国内首家互联网消费金融公司马上消费金融首席数据官的George恰好提供了部分答案：“模型的实质是靠找到人的本质特征来预测行为，我们在美国做的所有案例都表明金额征信数据是最能代表人的本质特征，别的数据达不到这样的效果。只有算法而没有适合建模的数据，由此得到的模型预测效果不理想”。因此，价值评判的难点就落在找到适合建模的数据上。正如George从技术角度的解释：“评价模型效果的指标可以参考KS(Komolgorov-Smirnov)和Lift Chart。模型的好坏和KS(Komolgorov-Smirnov)指数不是线性关系，KS在25以下基本是随机模型，KS在70以上实际中基本达不到，FICO在美国的模型差不多在50左右。
这样看来8家民营征信机构给我国带来的“社交数据”或“电商数据”至少算是金融征信体系的新鲜血液，为评价模型提供了新的数据来源。尽管“电商数据”“社交数据”在金融风控中是否有效还需等待验证，但这在事实上增加了数据资源，一是金融数据资源，二是社交等场景数据资源，这样只要对泛场景大数据的充分挖掘就可能催生出更加科学的评价体系和更安全的金融消费环境，同时对使用场景的开发也有极大的促进作用。目前腾讯征信、阿里征信以及前海征信已经为P2P、小贷公司、消费金融以及中小银行提供相关的风控管理。传统的征信机构鹏元征信、上海资信等也将网贷、小贷、消费金融公司作为目标市场。其中消费金融、网贷成为首当其冲的“主战场”。
近年，得益于消费金融行业潜力大、政策利好、国民信贷需求旺盛等因素，互联网消费金融成为金融业的“新贵”，2017年，互联网消费金融整体市场规模更将突破千亿元大关。但目前我国的消费金融业仍处于初期，渗透率较低、基数较小，消费信贷理念正逐步扩散，征信与评级更是消费金融产业链上缺失的环节，独立的第三方催收服务也未成型。一旦阿里、腾讯为背景的征信机构顺势借助电商、社交为基础的生态系统来开发上下游的消费金融需求并提供风险控制服务就可解决目前消费金融行业个人信用数据不开放、信用信息分散和相互屏蔽等状况，并大大降低风控成本。正如George所言，个人消费金融企业成功的关键在于其风控系统，尤其是信用风险模型的精准度。而消费金融领域的风险主要为两类，第一类是欺诈风险，这是主官预谋的，是犯罪行为，这种风险的防范要靠事前模式识别和事后的信息共享以及执法。第二类是信用风险，这是由人的行为模式决定，模式的改变需要有主观的认识和有意识的纠正。尤其是我国个人征信起步不久，个人信贷不够普遍，需要正确的引导和教育来让消费者意识到信用的价值，改正一些行为模式以增加和维护信用。另外信用风险的管理关键在于识别风险和找到对应措施。识别风险的最佳方式莫过于精确量化每一个消费者的信用风险，而措施则在于对消费者有一个全面了解，了解他们的行为，了解他们对消费金融的价值，然后有一个量化的价值和风险的平衡。这需要各征信机构建立公开平台分享场景金融数据，甚至分享有知识产权的数据产品。同时金融机构也可如鹏元、马上消费金融一样积极自主开发信用风险模型，建立完善的信用收集、分析、评估和监督体系。作为消费金融公司，也应发挥自身优势，利用互联网和大数据，加强与互联网消费金融平台的合作，积极探索，挖掘内部交易数据信息，审核落实客户信息真实性，准确识别客户信用风险。
除了消费金融，网贷也已成为征信机构开拓业务的主要市场之一。征信公司主要为金融机构的借贷业务提供风控服务。但目前征信机构提供的产品与国内网贷平台的业务需求仍未完全契合，尤其是P2B(企业和企业主）的需求，模型也有限。腾讯征信等互联网背景的公司提供的更多是个人征信，而传统征信公司则受地域限制，如鹏元、上海资信等作为地方性征信平台，数据主要集中在各自所在的区域，但网贷平台业务却分布在全国。另外征信机构还需适应我们网贷平台的业务多元性，毕竟除了人人贷、拍拍贷等少量P2P平台外，更多平台都涉及企业经营借贷业务。要知道就连消费贷和经营贷这两种业务所需的征信模型都不一样，网贷细分市场还需区别对待，征信产品决不可有“一招鲜、吃遍天”的妄想，网贷正在等待更加个性化针对性的征信体系。
总之征信行业的健康发展不是一家独大，也不是标准化模板化的生搬硬套或“一刀切”。应用场景中期待在竞合之中找到平衡点，并提高征信准确性增强用户体验的征信产品。
