你是否常将一时际遇中的小差别，夸大到生死攸关的地步？

金融探索之大数据征信：国内外典型大数据征信公司案例

传统个人征信的分析维度包括：1）个人基本数据，如年龄、性别、职业、收入、婚姻状况、工作年限、工作状况等；2）信贷情况，主要是信贷和信用卡相关数据；3）公共数据，包括税务、工商、法院、电信、水电煤气等部门的数据；4）个人信用报告查询记录。

如今，随着大数据时代的到来和发展，可用于评估人们的数据越来越丰富，如电商的交易数据、社交类数据（强社交关系如何转化为信用资产）、网络行为数据等，来自互联网的数据将帮助金融机构更充分地了解客户。

国内典型案例之——侧重电商的芝麻信用

芝麻信用是阿里体系蚂蚁金服旗下子公司，信用信息主要来源于阿里巴巴的电商交易数据、蚂蚁金服的互联网金融数据，并与公安网等公共机构及商业合作伙伴建立数据合作。与传统征信信息不同，芝麻信用的信息涵盖了信用卡还款、网购、支付转账、理财、水电煤缴费、租房信息、社交关系等。芝麻信用依托阿里云的大数据分析技术，整合分析用户的个人信息，从用户的信用历史、行为偏好、履约能力、身份特质和人脉关系5个维度评价用户的还款意愿和还款能力，对不同的用户给出相应的芝麻分。目前，芝麻信用已经与北京银行签署战略合作协议，并已成为蚂蚁花呗等互联网金融领域快速授信、现金分期服务的信用依据，同时与合作伙伴在租车、租房、婚恋、签证等多个生活领域展开合作。

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%。

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。

国内典型案例之——侧重社交的腾讯信用

腾讯征信依托于腾讯集团，信用信息主要来自于社交、游戏、电商及第三方支付平台和合作平台。参考腾讯2015年上半年财报数据，QQ月活跃账户8.43亿，微信活跃账户6.59亿，微信支付用户超过4亿，庞大的客户群体为腾讯征信提供了海量信息。目前，腾讯征信由腾讯旗下财付通团队负责，通过其大数据平台TDBANK，运用统计学、传统机器学习等方法综合考察用户的消费偏好、资产构成、身份属性和信用历史等四个维度，为用户建立基于线上行为的征信服务，已推出的产品包括人脸识别、反欺诈产品、信用评分和信用报告。目前，腾讯征信已与浦发银行信用卡中心展开合作，并涉足P2P贷款、小贷公司、婚恋交友、租房租车等多个领域。

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。

国内典型案例之——侧重运营商的聚信立

聚信立主要是基于互联网大数据，综合个人用户运营商数据、电商数据、公积金社保数据、学信网数据等，形成个人信用报告。聚信立通过借款人授权，利用网页极速抓取技术获取各类用户个人数据，通过海量数据比对和分析，交叉验证，最终为金融机构提供用户的风险分析判断。

聚信立以报告形式展现，报告主要由四个维度构成：

1）信息验真：通过交叉比对验证用户是否是真实存在的人，是否有欺诈风险。

2）运营商数据分析：分析用户生活、工作及社交范围，与家人朋友的联系频率等。

3）电商数据分析：分析用户消费能力及消费习惯，判断用户是否有能力还款。

4）其他数据分析：包括公积金社保数据、学信网数据、全国高法执行名单、黑名单等数据，判断用户是否存在欺诈风险。

聚信立的底层IT架构为丰富的技术线提供稳定支持，对所有数据源网站进行实时监控，人工智能自动排错，可用率超过90%。

国内典型案例之——侧重信用卡的51信用卡

51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。

51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。

国内首家大数据征信公司——Wecash闪银，在微信上快速完成个人小额贷款

Wecash是一款基于微信的用大数据方式进行信用征集，快速授信、快速完成个人小额贷款的产品。用户添加其微信公众账号（bank_9f）后，可直接在微信上提交社交网络地址、拍照上传必要的身份信息、资产信息、网银流水等资料，Wecash随后通过其评估模型对个人完成信用评级，从而对个人完成最快15分钟的快速授信过程。授信后，提款、还款的功能均可通过微信完成。借助大数据方法分析社交信息的方式，Wecash将传统征信的绝大部分过程改为了机器计算，而非人工审核。正是这一去人工化和社交计算的方式，让传统小额贷款的授信审批过程大大缩短。

这一社交分析的具体过程是：首先分析微博、人人、微信朋友圈的社交数据，通过分析诸如“关注的人”、“粉丝”、“发布内容常用词”等信息，Wecash能大体判断出一个用户的职业范围以及社会影响力等因素；再结合用户上传的资产信息和银行流水等交叉验证，从而在信用模型中对该用户进行打分和评估，完成授信过程。在中国缺乏成熟的征信体系和数据的情况下，Wecash产品最具创新的地方就是这一套用大数据分析来快速征信、授信的过程。

对于小额的借款需求的用户，传统银行的信贷是覆盖不到的，即使想覆盖这一部分需求，银行征信成本的高昂也会导致产品无法盈利。银行的做法是，这一部分借款的需求统一由信用卡来满足。据数据显示，中国2013年年底信用卡累计发卡3.9亿张。再加上一线城市较为普遍的一人多卡的现象，中国拥有信用卡的人数要低于3.9亿。这与中国7亿网民相比，还是有接近一半的网民没有信用卡。Wecash这一产品形态的出现，使得小额贷款服务覆盖全体网民成为一种可能。几乎所有的网民用户都会遇到着急需要一笔小额借款的情况。当这一情况遭遇没有信用卡、或者当月信用卡额度不够的窘境时，Wecash小额贷款服务是一个不错的选择。

对于这一类典型用户来说，审批授信的速度和便捷性是非常有意义的。Wecash全部在微信上操作，不需要提供纸质的信用报告、工作证明，并且可以借助社交信息来快速授信，将大大降低门槛，让更多的用户尝使用小额贷款服务。在完成授信过程同时，Wecash同样会根据分析出的用户信用评级来决定用户借款的利率，根据用户信用评分的不同，用户借款的月利率在1%-1.6%浮动。完成授信后，用户可以自由选择借款分期（从1个月到2年之间变化），然后提款和借款操作。用户提款同样通过在微信申请，提交银行卡信息后，由Wecash的工作人员电话验证后完成提款过程。

美国互联网金融公司——ZestFinance

ZestFinance，原名ZestCash，是美国一家新兴的互联网金融公司，2009年9月成立于洛杉矶，由互联网巨头谷歌（Google）的前信息总监道格拉斯·梅瑞尔（DouglasMerrill）和金融机构CapitalOne的信贷部高级主管肖恩·卜德（ShawnBudde）（曾管理过收益超过10亿美元的次级信贷业务)联合创办。ZestFinance的研发团队主要由数学家和计算机科学家组成，前期的业务主要通过ZestCash平台提供放贷服务，后来专注于提供信用评估服务，旨在利用大数据技术重塑审贷过程，为难以获得传统金融服务（Underbanked）的个人创造可用的信用，降低他们的借贷成本。

ZestFinance起初是为传统的发薪日贷款（PaydayLoans）提供在线替代的产品。发薪日贷款因借款人承诺在发薪日还款而得名。由于美国传统的信用风险评估体系无法覆盖全部的人群，大约15%的人因没有信用评分而被银行排斥在外，无法获得基本的信贷需求。除了解决传统信用评估体系无法解决的无信用评分借贷问题，ZestFinance还主要面向传统信用评估解决不好的领域，将信用分数低而借贷成本高的人群视为服务对象，利用大数据技术降低他们的信贷成本。与传统信贷管理业务比较，ZestFinance的处理效率提高了将近90%，风险控制方面，ZestFinance的模型相比于传统信用评估模型性能提高了40%。

2014年2月，ZestFinance宣布推出基于大数据分析的收债评分（CollectionScore），旨在为汽车金融、学生贷款、医疗贷款提供一种新的评分系统。ZestFinance的未来发展方向是希望把其在这种发款日的贷款上的优势继续拓展到其他贷款领域，包括信用卡、汽车的贷款，甚至包括房屋的贷款，在未来的10～15年，这一方法将取代现行指标，成为申请信贷的唯一评估标准。2013年7月，当时全球第三方支付平台PayPal联合创始人、美国知名投资人彼得·泰尔（PeterThiel）领投了ZestFinance的2000万美元融资。

ZestFinance以大数据技术为基础采集多源数据，一方面继承了传统征信体系的决策变量，重视深度挖掘授信对象的信贷历史。另一方面，将能够影响用户信贷水平的其他因素也考虑在内，如社交网络信息、用户申请信息等，从而实现了深度和广度的高度融合。

ZestFinance的数据来源十分丰富，依赖于结构化数据的同时也导入了大量的非结构化数据。另外，它还包括大量的非传统数据，如借款人的房租缴纳记录、典当行记录、网络数据信息等，甚至将借款人填写表格时使用大小写的习惯、在线提交申请之前是否阅读文字说明等极边缘的信息作为信用评价的考量因素。类似地，非常规数据是客观世界的传感器，反映了借款人真实的状态，是客户真实的社会网络的映射。只有充分考察借款人借款行为背后的线索及线索间的关联性，才能提供深度、有效的数据分析服务，降低贷款违约率。

ZestFinance的数据来源的多元化体现在：首先，对于ZestFinance进行信用评估最重要的数据还是通过购买或者交换来自于第三方的数据，既包含银行和信用卡数据，也包括法律记录、搬家次数等非传统数据。再次是网络数据，如IP地址、浏览器版本甚至电脑的屏幕分辨率，这些数据可以挖掘出用户的位置信息、性格和行为特征，有利于评估信贷风险。此外社交网络数据也是大数据征信的重要数据源。最后，直接询问用户。为了证明自己的还款能力，用户会有详细、准确回答的激励，另外用户还会提交相关的公共记录的凭证，如水电气账单、手机账单等。多维度的征信大数据可以使得ZestFinance能够不完全依赖于传统的征信体系，对个人消费者从不同的角度进行描述和进一步深入地量化信用评估。

ZestFinance的信用评估分析原理，融合多源信息，采用了先进机器学习的预测模型和集成学习的策略，进行大数据挖掘。首先，数千种来源于第三方（如电话账单和租赁历史等）和借贷者的原始数据将被输入系统。其次，寻找数据间的关联性并对数据进行转换。再次，在关联性的基础上将变量重新整合成较大的测量指标，每一种变量反映借款人的某一方面特点，如诈骗概率、长期和短期内的信用风险和偿还能力等。然后将这些较大的变量输入到不同的数据分析模型中去。最后，将每一个模型输出的结论按照模型投票的原则，形成最终的信用分数。

其中，ZestFinance开发了10个基于机器学习的分析模型，对每位信贷申请人的超过1万条数据信息进行分析，并得出超过7万个可对其行为做出测量的指标，在5秒钟内就能全部完成。这10个模型以如下的方式进行投票：让你最聪明的10个朋友坐在一张桌子旁，然后询问他们对某一件事情的意见。这种机制的决策性能远远好于业界的平均水平。

图文来源：易观智库、招商证券、网络等，小毕综合整理。