近年來(lái)，消費(fèi)金融市場(chǎng)呈現(xiàn)出勃勃生機(jī)。事實(shí)上，消費(fèi)金融機(jī)構(gòu)賺不賺錢，主要取決于其風(fēng)險(xiǎn)控制能力——如何識(shí)別風(fēng)險(xiǎn)、評(píng)估風(fēng)險(xiǎn)、為風(fēng)險(xiǎn)定價(jià)，最終形成差異化的服務(wù)和信貸利率。在風(fēng)險(xiǎn)控制的源頭，依法收集、整理、保存、加工自然人、法人及其他組織的信用信息，并對(duì)外提供信用報(bào)告、信用評(píng)估、信用信息咨詢等服務(wù)，幫助客戶判斷、控制信用風(fēng)險(xiǎn)，進(jìn)行信用管理的征信行業(yè)發(fā)揮著至關(guān)重要的作用。

他山之石，可以攻玉。我們不妨先來(lái)研究一下國(guó)際成熟市場(chǎng)的征信模式。

創(chuàng)立于1841年的全球首家商業(yè)征信機(jī)構(gòu)——鄧白氏，在數(shù)據(jù)處理、數(shù)據(jù)分析，以及信用管理方面都屬于市場(chǎng)的佼佼者。據(jù)披露，在數(shù)據(jù)采集方面，鄧白氏在全球200多個(gè)國(guó)家和地區(qū)搭建了信息資源網(wǎng)絡(luò)，擁有自有數(shù)據(jù)、供應(yīng)商數(shù)據(jù)、客戶數(shù)據(jù)。鄧白氏的數(shù)據(jù)源信息，覆蓋了2.4億家企業(yè)檔案、3萬(wàn)個(gè)數(shù)據(jù)源、日均更新數(shù)據(jù)500萬(wàn)次、全球領(lǐng)先的商務(wù)聯(lián)系人數(shù)據(jù)庫(kù)。其獨(dú)創(chuàng)的鄧氏編碼是一個(gè)獨(dú)一無(wú)二的9位數(shù)字全球編碼系統(tǒng)，被廣泛應(yīng)用于企業(yè)識(shí)別、商業(yè)信息的組織及整理，幫助識(shí)別和迅速定位全球2億家企業(yè)的信息。另?yè)?jù)了解，在數(shù)據(jù)分析方面，鄧白氏的信息質(zhì)量管理流程可對(duì)海量的數(shù)據(jù)信息進(jìn)行一系列收集、整理、編輯與驗(yàn)證，其中包含了2,000多個(gè)獨(dú)立的自動(dòng)核對(duì)及眾多人工核對(duì)的環(huán)節(jié)，以確保數(shù)據(jù)滿足優(yōu)質(zhì)標(biāo)準(zhǔn)。從銀行到高科技，從零售到能源，鄧白氏為多個(gè)行業(yè)、數(shù)萬(wàn)家企業(yè)和機(jī)構(gòu)提供征信服務(wù)。

另一家具有代表性的公司是美國(guó)一家名為Capital One的消費(fèi)金融公司。從一家名不見(jiàn)經(jīng)傳的小型銀行到如今美國(guó)第三大信用卡中心，Capital One 成功的秘訣主要在于其高超的風(fēng)險(xiǎn)定價(jià)能力。

首先，Capital One將信用卡的客戶分為如下三類：第一類是過(guò)度借貸客戶，即高壞賬率的用戶;第二類是優(yōu)質(zhì)但很少采用分期的客戶，即收入水平較高，高頻使用信用卡，但幾乎從不分期，銀行實(shí)際上是在補(bǔ)貼此類用戶，很難獲得盈利;第三類是穩(wěn)定保持欠款額度的客戶，即低風(fēng)險(xiǎn)循環(huán)借貸客戶，是每家銀行都想搶奪的優(yōu)質(zhì)客戶。

其次，為了尋找優(yōu)質(zhì)用戶，Capital One設(shè)置了多樣化的信貸服務(wù)方案，用直郵的方式將服務(wù)方案定向推送至特定的客戶，并設(shè)計(jì)了含有產(chǎn)品接受度、轉(zhuǎn)化率、壞賬率等指標(biāo)的回歸統(tǒng)計(jì)系統(tǒng)。

最后，構(gòu)建風(fēng)控模型，正式進(jìn)入高速發(fā)展階段。起初，由于數(shù)據(jù)不足導(dǎo)致壞賬率高企，但隨著數(shù)據(jù)的不斷積累，訓(xùn)練次數(shù)逐漸增多，風(fēng)控模型的精準(zhǔn)度不斷提高。直到1992年的第三季度，Capital One 的壞賬率大幅下降，并開(kāi)始低于行業(yè)平均水平----僅為行業(yè)平均壞賬水平的40%~60%。當(dāng)其他銀行還在采用“一刀切”的方式，針對(duì)所有客戶使用19.8%的標(biāo)準(zhǔn)年化利率的時(shí)候，Capital One 針對(duì)優(yōu)質(zhì)客戶則推出了最低利率僅為9.8%的信貸產(chǎn)品，成功獲得了大批中等收入優(yōu)質(zhì)客戶。

根據(jù)上述國(guó)際領(lǐng)先企業(yè)的經(jīng)驗(yàn)，我們可以看出，征信公司經(jīng)營(yíng)成功的關(guān)鍵在于：一、數(shù)據(jù)來(lái)源的廣泛性和準(zhǔn)確性;二、數(shù)據(jù)分析的速度及精準(zhǔn)度;三、征信產(chǎn)品是否能夠滿足客戶多樣化的要求。與歐美成熟市場(chǎng)相比，國(guó)內(nèi)征信市場(chǎng)并不完善，面臨如下考驗(yàn)：

第一，法律環(huán)境有待完善;

完善的法律體系可以為征信行業(yè)的蓬勃發(fā)展保駕護(hù)航。我國(guó)現(xiàn)行征信行業(yè)法律體系主要包括2013年國(guó)務(wù)院下發(fā)的《征信業(yè)管理?xiàng)l例》和《征信機(jī)構(gòu)管理辦法》，以及為進(jìn)一步明確征信機(jī)構(gòu)的運(yùn)行規(guī)范，由央行于2015年下發(fā)的《征信機(jī)構(gòu)監(jiān)管指引》。相比歐美成熟市場(chǎng)，我國(guó)征信行業(yè)立法還不夠健全，處于初期探索階段，僅為行政法規(guī)或部門規(guī)章，兩者的法律效力較低。并且，當(dāng)前我國(guó)還沒(méi)有在數(shù)據(jù)采集以及個(gè)人隱私方面建立健全法律體系，導(dǎo)致征信行業(yè)在個(gè)性化數(shù)據(jù)采集方面，面臨隱私保護(hù)困擾。

第二，覆蓋人群有待增加;

社會(huì)對(duì)征信信息需求巨大，而征信系統(tǒng)收錄不全，政府主導(dǎo)的征信體系難以完全滿足金融市場(chǎng)運(yùn)行的需要。美國(guó)對(duì)企業(yè)和個(gè)人的信用信息的覆蓋率高達(dá)80%，即便如此，美國(guó)的征信機(jī)構(gòu)仍然在持續(xù)投資開(kāi)發(fā)獨(dú)家的數(shù)據(jù)源，通過(guò)對(duì)新數(shù)據(jù)的分析，提升數(shù)據(jù)庫(kù)的深度、廣度和質(zhì)量，為征信提供了堅(jiān)實(shí)的基礎(chǔ)。而根據(jù)我國(guó)央行征信系統(tǒng)的統(tǒng)計(jì)，截至2015年末，個(gè)人征信系統(tǒng)收錄8.8億自然人數(shù)，其中3.8億人有信貸記錄，5億人只有簡(jiǎn)單的身份信息，另有5億多人不在央行征信系統(tǒng)內(nèi)。實(shí)際上，消費(fèi)金融公司的目標(biāo)客戶群主要集中于中低階層消費(fèi)群體，這類群體以年輕人為主，比如剛參加工作不久的上班族，以及收入不高的群體等。而這部分真正需要消費(fèi)金融服務(wù)的用戶群體，恰恰在我國(guó)央行征信系統(tǒng)中缺乏個(gè)人信貸記錄。

第三，市場(chǎng)滲透率有待提升;

艾瑞咨詢數(shù)據(jù)顯示，中國(guó)個(gè)人征信行業(yè)的市場(chǎng)滲透率總體維持在 9%左右，2015年中國(guó)個(gè)人征信行業(yè)潛在市場(chǎng)規(guī)模為1,623.6億元，實(shí)際市場(chǎng)規(guī)模只有 151.4億元。隨著個(gè)人消費(fèi)和交易習(xí)慣的改變，征信的應(yīng)用場(chǎng)景不斷增加。除了信貸、信用卡消費(fèi)外，租房、租車、購(gòu)物、簽證等非金融領(lǐng)域也對(duì)個(gè)人征信信息提出需求，市場(chǎng)滲透率有待進(jìn)一步提升。

第四，數(shù)據(jù)采集標(biāo)準(zhǔn)有待統(tǒng)一;

數(shù)據(jù)采集是征信的基礎(chǔ)，為此，美國(guó)全國(guó)信用管理協(xié)會(huì)制定了標(biāo)準(zhǔn)的數(shù)據(jù)報(bào)告格式和標(biāo)準(zhǔn)數(shù)據(jù)采集格式，將信用數(shù)據(jù)標(biāo)準(zhǔn)化，便于征信數(shù)據(jù)在機(jī)構(gòu)間共享。然而，國(guó)內(nèi)各類數(shù)據(jù)缺乏有效的共享機(jī)制，導(dǎo)致數(shù)據(jù)孤島問(wèn)題嚴(yán)重，而且現(xiàn)有數(shù)據(jù)同質(zhì)化嚴(yán)重，多為公開(kāi)渠道可獲取的數(shù)據(jù)，缺失個(gè)性化獨(dú)家數(shù)據(jù)源。與此同時(shí)，各類數(shù)據(jù)參差不齊，缺乏統(tǒng)一的標(biāo)準(zhǔn)，直接影響征信報(bào)告的質(zhì)量。

第五，數(shù)據(jù)分析能力有待提高。

數(shù)據(jù)分析能力直接決定征信服務(wù)的質(zhì)量，因此，數(shù)據(jù)分析是征信企業(yè)將信用數(shù)據(jù)轉(zhuǎn)化為征信產(chǎn)品的關(guān)鍵環(huán)節(jié)。美國(guó)的數(shù)據(jù)分析技術(shù)起步很早，早在1956年就推出了FICO評(píng)分系統(tǒng)，經(jīng)過(guò)半個(gè)多世紀(jì)的不斷改進(jìn)，應(yīng)用已十分廣泛。目前包括Experian、Equifax和TransUnion在內(nèi)的90%以上大型征信機(jī)構(gòu)均采用FICO評(píng)分系統(tǒng)。2009年，美國(guó)ZestFinance公司將信用分?jǐn)?shù)過(guò)低或缺乏信用記錄造成借貸成本畸高的人群(FICO分500以下)作為服務(wù)對(duì)象，在信用評(píng)估分析中融合了多源數(shù)據(jù)，引入機(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。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。

據(jù)了解，在其模型中，往往要用到3500個(gè)數(shù)據(jù)項(xiàng)，從中提取70,000個(gè)變量，利用10個(gè)預(yù)測(cè)分析模型，如欺詐模型、身份驗(yàn)證模型、預(yù)付能力模型、還款能力模型、還款意愿模型以及穩(wěn)定性模型，進(jìn)行深度學(xué)習(xí)，并得到最終的消費(fèi)者信用評(píng)分。每個(gè)模型平均半年就會(huì)誕生一個(gè)新版本，替代舊的版本。新版本通常會(huì)加入更多的變量和數(shù)據(jù)源。ZestFinance采用的算法來(lái)自Google的大數(shù)據(jù)模型。

此外還有數(shù)千種來(lái)源于第三方(如電話賬單等)和借貸者的原始數(shù)據(jù)被錄入系統(tǒng)，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，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)，最后把這些較大的變量輸入到不同的數(shù)據(jù)分析模型中，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)。與傳統(tǒng)信貸管理業(yè)務(wù)相比，ZestFinance的處理效率提高了將近90%，風(fēng)險(xiǎn)控制方面，ZestFinance的模型相比于傳統(tǒng)信用評(píng)估模型性能提高了40%。反觀國(guó)內(nèi)征信行業(yè)，數(shù)據(jù)分析剛剛起步，數(shù)據(jù)分析的效率和精準(zhǔn)度有待進(jìn)一步提高。