【文章內(nèi)容簡介】 08年金融危機(jī)中的表現(xiàn)飽受指責(zé)，圖3展示，F(xiàn)ICO分?jǐn)?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(jī)爆發(fā)之后出現(xiàn)大量壞賬的現(xiàn)實(shí)嚴(yán)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(píng)分的信用評(píng)估模型覆蓋人群窄、信息維度單一、時(shí)間上滯后，所以，在大數(shù)據(jù)時(shí)代，需要探索信用評(píng)估的新思路。國外三大征信機(jī)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(píng)估體系的前瞻性研究，如益百利（Experian）投入研究團(tuán)隊(duì)關(guān)注社交網(wǎng)絡(luò)數(shù)據(jù)對(duì)信用評(píng)分的影響，F(xiàn)ICO公司多年前就開始了在線評(píng)估的信息工具和基于互聯(lián)網(wǎng)的信用評(píng)估系統(tǒng)的項(xiàng)目研究。 五、ZestFinance大數(shù)據(jù)信用評(píng)估的實(shí)踐 ZestFinance的基本理念是認(rèn)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(duì)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(gè)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(duì)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(qǐng)信息等，從而實(shí)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(shí)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(dāng)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(shí)使用大小寫的習(xí)慣、在線提交申請(qǐng)之前是否閱讀文字說明等極邊緣的信息作為信用評(píng)價(jià)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(shí)的狀態(tài)，是客戶真實(shí)的社會(huì)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(duì)于ZestFinance進(jìn)行信用評(píng)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(píng)估信貸風(fēng)險(xiǎn)。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(huì)有詳細(xì)、準(zhǔn)確回答的激勵(lì)，另外用戶還會(huì)提交相關(guān)的公共記錄的憑證，如水電氣賬單、手機(jī)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(duì)個(gè)人消費(fèi)者從不同的角度進(jìn)行描述和進(jìn)一步深入地量化信用評(píng)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(píng)估分析原理，融合多源信息，采用了先進(jìn)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。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(duì)數(shù)據(jù)進(jìn)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(cè)量指標(biāo)，每一種變量反映借款人的某一方面特點(diǎn)，如詐騙概率、長期和短期內(nèi)的信用風(fēng)險(xiǎn)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(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)。 其中，ZestFinance開發(fā)了10個(gè)基于機(jī)器學(xué)習(xí)的分析模型，對(duì)每位信貸申請(qǐng)人的超過1萬條數(shù)據(jù)信息進(jìn)行分析，并得出超過7萬個(gè)可對(duì)其行為做出測(cè)量的指標(biāo)，在5秒鐘內(nèi)就能全部完成。這10個(gè)模型以如下的方式進(jìn)行投票：讓你最聰明的10個(gè)朋友坐在一張桌子旁，然后詢問他們對(duì)某一件事情的意見。這種機(jī)制的決策性能遠(yuǎn)遠(yuǎn)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(xiǎn)評(píng)估框架（遠(yuǎn)不能稱為主流的信用評(píng)估方法）被國內(nèi)外多家互聯(lián)網(wǎng)金融機(jī)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(duì)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(píng)估體系和傳統(tǒng)信用評(píng)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(gè)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(píng)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(xiǎn)評(píng)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(jìn)行風(fēng)險(xiǎn)評(píng)估。 （3）從關(guān)注的側(cè)重點(diǎn)來看，傳統(tǒng)的信用評(píng)估模型更關(guān)注授信對(duì)象的歷史信息，致力于深度挖掘。而新的信用評(píng)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(píng)估的方式也發(fā)生了改變，新的信用評(píng)估體系拋棄了只用很少變量的FICO信用評(píng)分模型，基于大數(shù)據(jù)技術(shù)，不僅采用機(jī)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(píng)估的決策效率提高，另一方面還明顯降低了風(fēng)險(xiǎn)違約率。 六、對(duì)中國互聯(lián)網(wǎng)金融和信用評(píng)估的啟示 利用大數(shù)據(jù)技術(shù)的信用評(píng)估方法在現(xiàn)實(shí)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(xiǎn)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(huì)的統(tǒng)計(jì)，目前國內(nèi)可查的P2P網(wǎng)貸公司已經(jīng)達(dá)到1200家。信用風(fēng)險(xiǎn)評(píng)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(duì)風(fēng)險(xiǎn)控制的挑戰(zhàn)時(shí)，ZestFinance受到了互聯(lián)網(wǎng)金融機(jī)構(gòu)的熱捧，目前國內(nèi)多家互聯(lián)網(wǎng)金融機(jī)構(gòu)正在和ZestFinance洽談合作，認(rèn)為這種利用大數(shù)據(jù)技術(shù)的信用評(píng)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(xiǎn)管理問題的靈丹妙藥。然而對(duì)于ZestFinance的大數(shù)據(jù)征信技術(shù)，還需要有全面的認(rèn)識(shí)。 （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