【文章內(nèi)容簡介】 08年金融危機中的表現(xiàn)飽受指責(zé)，圖3展示，F(xiàn)ICO分數(shù)從2005年到2011年在美國人口中的分布基本上沒有大的變化，這和2008年金融危機爆發(fā)之后出現(xiàn)大量壞賬的現(xiàn)實嚴重不符。大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國互聯(lián)網(wǎng)金融公司 wbrZestFinance為例 由于傳統(tǒng)的基于FICO評分的信用評估模型覆蓋人群窄、信息維度單一、時間上滯后，所以，在大數(shù)據(jù)時代，需要探索信用評估的新思路。國外三大征信機構(gòu)和FICO公司都已經(jīng)開始了如何利用大數(shù)據(jù)技術(shù)來完善傳統(tǒng)信用評估體系的前瞻性研究，如益百利（Experian）投入研究團隊關(guān)注社交網(wǎng)絡(luò)數(shù)據(jù)對信用評分的影響，F(xiàn)ICO公司多年前就開始了在線評估的信息工具和基于互聯(lián)網(wǎng)的信用評估系統(tǒng)的項目研究。 五、ZestFinance大數(shù)據(jù)信用評估的實踐 ZestFinance的基本理念是認為一切數(shù)據(jù)都是和信用有關(guān)，在能夠獲取的數(shù)據(jù)中盡可能地挖掘信用信息。ZestFinance對大數(shù)據(jù)技術(shù)的應(yīng)用主要從大數(shù)據(jù)采集和大數(shù)據(jù)分析兩個層面為缺乏信用記錄的人挖掘出信用。 （一）大數(shù)據(jù)采集技術(shù) 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、用戶申請信息等，從而實現(xiàn)了深度和廣度的高度融合。 ZestFinance的數(shù)據(jù)來源十分豐富，依賴于結(jié)構(gòu)化數(shù)據(jù)的同時也導(dǎo)入了大量的非結(jié)構(gòu)化數(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、典當行記錄、網(wǎng)絡(luò)數(shù)據(jù)信息等，甚至將借款人填寫表格時使用大小寫的習(xí)慣、在線提交申請之前是否閱讀文字說明等極邊緣的信息作為信用評價的考量因素。類似地，非常規(guī)數(shù)據(jù)是客觀世界的傳感器，反映了借款人真實的狀態(tài)，是客戶真實的社會網(wǎng)絡(luò)的映射。只有充分考察借款人借款行為背后的線索及線索間的關(guān)聯(lián)性，才能提供深度、有效的數(shù)據(jù)分析服務(wù)，降低貸款違約率。 如圖4所示，ZestFinance的數(shù)據(jù)來源的多元化體現(xiàn)在：首先，對于ZestFinance進行信用評估最重要的數(shù)據(jù)還是通過購買或者交換來自于第三方的數(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)。大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國互聯(lián)網(wǎng)金融公司 wbrZestFinance為例 再次是網(wǎng)絡(luò)數(shù)據(jù)，如IP地址、瀏覽器版本甚至電腦的屏幕分辨率，這些數(shù)據(jù)可以挖掘出用戶的位置信息、性格和行為特征，有利于評估信貸風(fēng)險。此外社交網(wǎng)絡(luò)數(shù)據(jù)也是大數(shù)據(jù)征信的重要數(shù)據(jù)源。 最后，直接詢問用戶。為了證明自己的還款能力，用戶會有詳細、準確回答的激勵，另外用戶還會提交相關(guān)的公共記錄的憑證，如水電氣賬單、手機賬單等。 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，對個人消費者從不同的角度進行描述和進一步深入地量化信用評估。 （二）大數(shù)據(jù)分析模型大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國互聯(lián)網(wǎng)金融公司 wbrZestFinance為例 圖5展示了ZestFinance的信用評估分析原理，融合多源信息，采用了先進機器學(xué)習(xí)的預(yù)測模型和集成學(xué)習(xí)的策略，進行大數(shù)據(jù)挖掘。首先，數(shù)千種來源于第三方（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)性并對數(shù)據(jù)進行轉(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量指標，每一種變量反映借款人的某一方面特點，如詐騙概率、長期和短期內(nèi)的信用風(fēng)險和償還能力等。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，形成最終的信用分數(shù)。 其中，ZestFinance開發(fā)了10個基于機器學(xué)習(xí)的分析模型，對每位信貸申請人的超過1萬條數(shù)據(jù)信息進行分析，并得出超過7萬個可對其行為做出測量的指標，在5秒鐘內(nèi)就能全部完成。這10個模型以如下的方式進行投票：讓你最聰明的10個朋友坐在一張桌子旁，然后詢問他們對某一件事情的意見。這種機制的決策性能遠遠好于業(yè)界的平均水平。 近年來，這種基于大數(shù)據(jù)的信用風(fēng)險評估框架（遠不能稱為主流的信用評估方法）被國內(nèi)外多家互聯(lián)網(wǎng)金融機構(gòu)采用，如德國的Kreditech、美國的Kabbage，以及國內(nèi)最近獲得IDG公司A首輪4000萬元投資的閃銀（Wecash）等，對傳統(tǒng)的信用體系形成了沖擊。 如表2所示，將這種將基于大數(shù)據(jù)技術(shù)的信用評估體系和傳統(tǒng)信用評估（以美國的征信體系為例）相比，發(fā)現(xiàn)主要的區(qū)別有以下幾個方面。大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國互聯(lián)網(wǎng)金融公司 wbrZestFinance為例 （1）從服務(wù)的人群來說，新的信用評估體系可以服務(wù)沒有被傳統(tǒng)征信體系覆蓋的人群，即沒有征信記錄的人群（美國的征信體系能夠覆蓋85%的人群，覆蓋不到15%的人群）。 （2）從數(shù)據(jù)源來說，這種新的信用風(fēng)險評估體系大量采用非傳統(tǒng)的信用數(shù)據(jù)，包括互聯(lián)網(wǎng)上的行為數(shù)據(jù)和關(guān)系數(shù)據(jù)，傳統(tǒng)的信用數(shù)據(jù)（銀行信貸數(shù)據(jù)）的比重僅占到了40%，甚至完全不用傳統(tǒng)的信貸信用數(shù)據(jù)進行風(fēng)險評估。 （3）從關(guān)注的側(cè)重點來看，傳統(tǒng)的信用評估模型更關(guān)注授信對象的歷史信息，致力于深度挖掘。而新的信用評估體系更看重用戶現(xiàn)在的信息，致力于橫向拓展。 （4）信用量化評估的方式也發(fā)生了改變，新的信用評估體系拋棄了只用很少變量的FICO信用評分模型，基于大數(shù)據(jù)技術(shù)，不僅采用機器學(xué)習(xí)的模型，而且使用更多變量，一方面可以使信用評估的決策效率提高，另一方面還明顯降低了風(fēng)險違約率。 六、對中國互聯(lián)網(wǎng)金融和信用評估的啟示 利用大數(shù)據(jù)技術(shù)的信用評估方法在現(xiàn)實中有著很大的市場需求，如國內(nèi)快速發(fā)展的互聯(lián)網(wǎng)金融中的風(fēng)險管理問題。目前互聯(lián)網(wǎng)金融處于快速的發(fā)展過程中，根據(jù)銀監(jiān)會的統(tǒng)計，目前國內(nèi)可查的P2P網(wǎng)貸公司已經(jīng)達到1200家。信用風(fēng)險評估是P2P網(wǎng)貸的核心問題，存在很多挑戰(zhàn)，如很多信貸客戶沒有或者是缺乏銀行的信貸記錄。在應(yīng)對風(fēng)險控制的挑戰(zhàn)時，ZestFinance受到了互聯(lián)網(wǎng)金融機構(gòu)的熱捧，目前國內(nèi)多家互聯(lián)網(wǎng)金融機構(gòu)正在和ZestFinance洽談合作，認為這種利用大數(shù)據(jù)技術(shù)的信用評估方法是解決國內(nèi)互聯(lián)網(wǎng)金融和普惠金融的信用風(fēng)險管理問題的靈丹妙藥。然而對于ZestFinance的大數(shù)據(jù)征信技術(shù)，還需要有全面的認識。 （1）ZestFinance的大數(shù)據(jù)征信是完善和更新傳統(tǒng)征信系統(tǒng)的積極嘗試，而不是替代品。美國的金融體系比較健全，而且信用體系也比較健全，這是ZestFinance賴以生存的土壤。ZestFinance的服務(wù)人群定位比