?

近期，美國互聯(lián)網(wǎng)金融公司ZestFinance受到國內(nèi)互聯(lián)網(wǎng)金融專業(yè)人士的熱捧，其基于大數(shù)據(jù)的信用評估模型也越來越受到關(guān)注和效仿。本文結(jié)合美國的金融環(huán)境，對ZestFinance進(jìn)行簡要介紹，分析大數(shù)據(jù)征信產(chǎn)生的背景，剖析大數(shù)據(jù)征信技術(shù)，并全面客觀地闡述了大數(shù)據(jù)征信技術(shù)對于中國互聯(lián)網(wǎng)金融和征信業(yè)未來發(fā)展的借鑒意義。

ZestFinance簡介

ZestFinance，原名ZestCash，是美國一家新興的互聯(lián)網(wǎng)金融公司，2009年9月成立于洛杉磯，由互聯(lián)網(wǎng)巨頭谷歌（Google）的前信息總監(jiān)道格拉斯·梅瑞爾（Douglas Merrill）和金融機構(gòu)Capital One的信貸部高級主管肖恩·卜德（Shawn Budde）（曾管理過收益超過10億美元的次級信貸業(yè)務(wù))聯(lián)合創(chuàng)辦。ZestFinance的研發(fā)團(tuán)隊主要由數(shù)學(xué)家和計算機科學(xué)家組成，前期的業(yè)務(wù)主要通過ZestCash平臺提供放貸服務(wù)，后來專注于提供信用評估服務(wù)，旨在利用大數(shù)據(jù)技術(shù)重塑審貸過程，為難以獲得傳統(tǒng)金融服務(wù)（Underbanked）的個人創(chuàng)造可用的信用，降低他們的借貸成本。

ZestFinance起初是為傳統(tǒng)的發(fā)薪日貸款（Payday Loans） 提供在線替代的產(chǎn)品。發(fā)薪日貸款因借款人承諾在發(fā)薪日還款而得名。由于美國傳統(tǒng)的信用風(fēng)險評估體系無法覆蓋全部的人群，大約15%的人因沒有信用評分而被銀行排斥在外，無法獲得基本的信貸需求。除了解決傳統(tǒng)信用評估體系無法解決的無信用評分借貸問題，ZestFinance還主要面向傳統(tǒng)信用評估解決不好的領(lǐng)域，將信用分?jǐn)?shù)低而借貸成本高的人群視為服務(wù)對象，利用大數(shù)據(jù)技術(shù)降低他們的信貸成本。與傳統(tǒng)信貸管理業(yè)務(wù)比較，ZestFinance的處理效率提高了將近90%，風(fēng)險控制方面，ZestFinance的模型相比于傳統(tǒng)信用評估模型性能提高了40%。

ZestFinance目前也正在向信用風(fēng)險管理的其他領(lǐng)域縱深擴展，2014年2月ZestFinance宣布推出基于大數(shù)據(jù)分析的收債評分（Collection Score），旨在為汽車金融、學(xué)生貸款、醫(yī)療貸款提供一種新的評分系統(tǒng)。ZestFinance的未來發(fā)展方向是希望把其在這種發(fā)款日的貸款上的優(yōu)勢繼續(xù)拓展到其他貸款領(lǐng)域，包括信用卡、汽車的貸款，甚至包括房屋的貸款，在未來的10～15年，這一方法將取代現(xiàn)行指標(biāo)，成為申請信貸的唯一評估標(biāo)準(zhǔn)。

ZestFinance引起國內(nèi)的關(guān)注始于2013年7月，當(dāng)時全球第三方支付平臺PayPal聯(lián)合創(chuàng)始人、美國知名投資人彼得·泰爾（Peter Thiel）領(lǐng)投了ZestFinance的2000萬美元融資。

為什么要進(jìn)行大數(shù)據(jù)評估：

傳統(tǒng)的信用評估服務(wù)無法覆蓋全體人群，特別是弱勢群體

圖1展示了美國FICO評分與其對應(yīng)的人口分布情況，初始每個人的分值基數(shù)為850分，信用評分模型利用征信數(shù)據(jù)從多個評分因素考察消費者的信用風(fēng)險，從850分中減分。大致來看，美國個人消費者信用評分人群分布狀況呈現(xiàn)兩頭小中間大的形態(tài)，信用分?jǐn)?shù)處于750～850的人群有40%之多，其中信用分?jǐn)?shù)在800～850大約占總?cè)藬?shù)的13%，在750～799超過總?cè)藬?shù)的25%，這是整個信用社會的中間階層，對應(yīng)于美國的中產(chǎn)階級。其中，美國個人消費者的平均FICO評分為678。從圖1可以看出，還有大量的人群遠(yuǎn)低于平均的678分，如FICO評分在550～549的占8%，在500～549的占5%，小于499分的占2%。根據(jù)FICO的標(biāo)準(zhǔn)，如果人們未能如期還款，或者缺乏借貸經(jīng)歷，他們就會自動被視為風(fēng)險人士，他們的貸款也就會被懲罰性地給以更高的利率。還有一種可能，那就是他們的貸款申請會被拒，無論是否事出有因。比如，遇到了醫(yī)療緊急事故，或者最近剛剛移民美國。表1根據(jù)FICO評分將服務(wù)人群分為四個區(qū)間，并對應(yīng)不同的金融服務(wù)機構(gòu)。信用記錄不完整或者不夠完善的個人消費者，依據(jù)傳統(tǒng)信用評估體系（FICO評分），往往很難被傳統(tǒng)金融服務(wù)機構(gòu)所覆蓋，即使在金融體系發(fā)達(dá)的美國也無法獲得常規(guī)的金融服務(wù)，或者需要付出很大的代價才能獲得常規(guī)的金融服務(wù)。

傳統(tǒng)信用評估模型信息維度比較單一

傳統(tǒng)的FICO評分模型的基本思想是比較借款人信用歷史資料與數(shù)據(jù)庫中的全體借款人的信用習(xí)慣，檢查借款人的發(fā)展趨勢跟經(jīng)常違約、隨意透支，甚至申請破產(chǎn)等各種陷入財務(wù)困境的借款人的發(fā)展趨勢是否相似。如圖2所示，它主要從五個方面考察用戶的信貸資質(zhì)。但隨著信貸業(yè)務(wù)的進(jìn)一步開展，F(xiàn)ICO信用評分由于單一的標(biāo)準(zhǔn)、嚴(yán)苛的門檻和片面的評估結(jié)果而飽受詬病。

傳統(tǒng)的信用評估模型雖然在進(jìn)行信用風(fēng)險管理過程中發(fā)揮了很大的作用，如曾經(jīng)促進(jìn)了美國房貸市場的飛速發(fā)展。但在大數(shù)據(jù)背景下個人消費者出現(xiàn)許多信息維度，如電子商務(wù)、社交網(wǎng)絡(luò)和搜索行為等，傳統(tǒng)信用評估模型解決問題的能力越來越受限。

傳統(tǒng)信用評估模型時間上比較滯后

雖然FICO評分仍然體現(xiàn)風(fēng)險排序，但其預(yù)測絕對風(fēng)險的能力和在2008年金融危機中的表現(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年金融危機爆發(fā)之后出現(xiàn)大量壞賬的現(xiàn)實嚴(yán)重不符。

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(tuán)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。

ZestFinance大數(shù)據(jù)信用評估的實踐

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。

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(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(jìn)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)。

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(xì)、準(zhǔn)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(jìn)行描述和進(jìn)一步深入地量化信用評估。

大數(shù)據(jù)分析模型

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(jìn)機器學(xué)習(xí)的預(yù)測模型和集成學(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量指標(biāo)，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?jǐn)?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(jìn)行分析，并得出超過7萬個可對其行為做出測量的指標(biāo)，在5秒鐘內(nèi)就能全部完成。這10個模型以如下的方式進(jìn)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(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)險評估框架（遠(yuǎn)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。

（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(jìn)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。

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(dá)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(rèn)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(rèn)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)人群定位比較清晰，并且有完善的征信體系做支撐，ZestFinance并不是完全擺脫傳統(tǒng)征信體系，在ZestFinance進(jìn)行信用評估時，傳統(tǒng)征信數(shù)據(jù)要占到至少30%。中國的金融生態(tài)環(huán)境和美國還是有一定的差別，ZestFinance的經(jīng)驗不能直接照抄照搬，需要進(jìn)行消化吸收，結(jié)合中國的實際情況來進(jìn)行大數(shù)據(jù)征信。另外，生活在互聯(lián)網(wǎng)時代，面對大數(shù)據(jù)技術(shù)的發(fā)展，美國三大征信機構(gòu)以及FICO也已經(jīng)開始大數(shù)據(jù)征信方面的研發(fā)（作為常規(guī)的數(shù)據(jù)源更新的一種方式），但截至目前，尚未形成獨立的信用評估手段。

（2）ZestFinance的體量不大，目前僅為10萬美國人提供了服務(wù)，在美國的影響力有限，真實的效果目前還很難總體評價。截至2013年7月，ZestFinance的C輪融資達(dá)到2億美元。

（3）ZestFinance的大數(shù)據(jù)分析模型也給信用風(fēng)險管理帶來復(fù)雜性的挑戰(zhàn)。傳統(tǒng)的基于FICO的信用評估方法，處理的變量比較少，對每一個變量進(jìn)行細(xì)致地處理，并且可以給出合適的解釋，模型的透明性可以方便地在銀行的不同部門之間進(jìn)行溝通，而且便于個人消費者對分?jǐn)?shù)的理解。ZestFinance的基于大數(shù)據(jù)的數(shù)以千計的變量規(guī)模和多模型使得數(shù)據(jù)的處理和模型的解釋變得比較復(fù)雜，在實際應(yīng)用中會帶來許多麻煩。

（4）大數(shù)據(jù)的應(yīng)用要注意個人的隱私保護(hù)。ZestFinance在利用個人消費者的大數(shù)據(jù)進(jìn)行信用評估時，很多數(shù)據(jù)會涉及個人隱私，如對于個人社交網(wǎng)絡(luò)的數(shù)據(jù)（微信朋友圈）和電商交易的數(shù)據(jù)、通話記錄、微博的數(shù)據(jù)等應(yīng)用，美國對個人隱私的保護(hù)是有明確的邊界的。而國內(nèi)關(guān)于個人隱私方面的保護(hù)目前處于空白，已經(jīng)出現(xiàn)國內(nèi)一些互聯(lián)網(wǎng)金融公司為了進(jìn)行信用評估，忽視個人消費者的知情權(quán)和隱私保護(hù)。因此在利用大數(shù)據(jù)進(jìn)行信用評估的時候，要考慮使用個人隱私的合規(guī)性前提。

雖然以ZestFinance為代表的新興信用評估體系還不夠成熟，但是為征信業(yè)的變革注入了活力，特別是對于中國的征信體系的建設(shè)會有一定的啟示作用。

（1）普惠金融需要挖掘更多人的信用。國內(nèi)目前真正發(fā)揮作用的征信體系主要是央行的征信系統(tǒng)，所覆蓋的人群還是非常有限，遠(yuǎn)遠(yuǎn)低于美國征信體系對人口的85%的覆蓋。目前我國個人有征信記錄的僅有約3.2億人，約占13.5億人口中的23.7%。國內(nèi)數(shù)量龐大沒有被傳統(tǒng)征信體系覆蓋的人群同樣也需要信用服務(wù)，享受金融普惠，這就需要探索征信的新思路。

（2）互聯(lián)網(wǎng)上的海量信息可以成為征信體系的新數(shù)據(jù)源。ZestFinance的大數(shù)據(jù)實踐的重要方面就是大量地利用互聯(lián)網(wǎng)上的數(shù)據(jù)作為征信的數(shù)據(jù)源。中國目前是世界上互聯(lián)網(wǎng)人口最大的國家，截至2013年12月，中國網(wǎng)民規(guī)模達(dá)6.18億人，互聯(lián)網(wǎng)普及率為45.8%，其中手機網(wǎng)民規(guī)模達(dá)5億人，繼續(xù)穩(wěn)定增長。2013年中國網(wǎng)絡(luò)購物用戶規(guī)模達(dá)3.02億人，網(wǎng)絡(luò)使用率達(dá)到48.9%。截至2013年12月，我國使用網(wǎng)上支付的用戶規(guī)模達(dá)到2.6億人。這些海量而且豐富的互聯(lián)網(wǎng)數(shù)據(jù)資源可以被國內(nèi)征信體系建設(shè)很好地利用，通過分析互聯(lián)網(wǎng)上這些信用主體的基本信息、交易行為信息和金融或經(jīng)濟(jì)關(guān)系信息，同樣可以挖掘出這些信用主體的信用模式。

（3）大數(shù)據(jù)技術(shù)可以使得“一切數(shù)據(jù)皆信用”成為可能。以大數(shù)據(jù)為代表的IT新技術(shù)的應(yīng)用，給征信體系建設(shè)帶來了新的思路，原來海量龐雜、看似無用的數(shù)據(jù)，經(jīng)過清洗、匹配、整合和挖掘，可以轉(zhuǎn)換成信用數(shù)據(jù)，而且信用評估的效率和準(zhǔn)確性也得到了一定程度的提升。新的信用風(fēng)險體系的一個顛覆性的基本思想是一切數(shù)據(jù)皆信用，這是需要大數(shù)據(jù)技術(shù)來支撐的。國內(nèi)征信體系的建設(shè)應(yīng)當(dāng)關(guān)注大數(shù)據(jù)技術(shù)的應(yīng)用和發(fā)展，并加大投入，勇于實踐。

文/劉新海、丁偉 本文編輯/賈紅宇

（編自《清華金融評論》，本文僅代表作者個人觀點）

推薦文章：請點擊下方閱讀原文瀏覽

校友風(fēng)采 | 融360 CEO葉大清：互聯(lián)網(wǎng)金融的未來不會是一家獨大

使用微信號下端菜單，更多了解金融EMBA

“為金融EMBA建言”——今天我是金融權(quán)威

清華五道口金融EMBA微信公眾平臺，熱忱歡迎經(jīng)濟(jì)金融領(lǐng)域內(nèi)任何有思想、有見解、有主張的人士投稿評論，或?qū)Πl(fā)生在國際、國內(nèi)的經(jīng)濟(jì)、金融事件發(fā)表自己的看法和觀點。期待您的參與！

我們將精選讀者的精彩評論，與近萬名讀者共享，還有機會獲得我們?yōu)槟鷾?zhǔn)備的精美小禮品。