隨著(zhù)今年初，央行向芝麻信用、騰訊征信、拉卡拉及深圳前海征信等8家民間征信機構正式頒發(fā)個(gè)人征信牌照，國內征信行業(yè)打破了央行“一家獨大”的格局，進(jìn)入跨越式發(fā)展階段。這些民間機構將如何玩轉征信備受各方關(guān)注，隨著(zhù)相關(guān)產(chǎn)品陸續發(fā)布，思路越發(fā)清晰。與央行依靠從銀行網(wǎng)點(diǎn)采集的個(gè)人征信記錄不同，民間機構廣泛應用大數據分析，另辟蹊徑推動(dòng)征信技術(shù)的發(fā)展。在此不妨大膽預測，民間征信有可能點(diǎn)燃金融業(yè)的大數據應用的變革。
目前信息披露較為詳細的是芝麻信用與騰訊征信。今年1月底，就在央行下發(fā)征信牌照后不久，阿里旗下芝麻信用便推出了芝麻信用分數，從個(gè)人用戶(hù)的信用歷史、行為偏好、履約能力、身份特質(zhì)和人脈關(guān)系五個(gè)維度，對個(gè)人信用予以評價(jià)。作為螞蟻金服旗下公司，芝麻信用擁有阿里巴巴的電商交易數據和支付寶的互聯(lián)網(wǎng)金融數據，再加上公安網(wǎng)提供的公共數據，三大數據來(lái)源、五個(gè)維度構成了用戶(hù)基本的信用評分。在此基礎上，阿里還陸續推出了“借唄”、“花唄”等信用產(chǎn)品，并與招聯(lián)金融旗下“好期貸”達成合作，進(jìn)一步完善個(gè)人征信的生態(tài)系統。
在上周三（4月29日）舉行的2015全球移動(dòng)互聯(lián)網(wǎng)大會(huì )上，騰訊征信完成了首度亮相。據介紹，騰訊征信提供的服務(wù)包括大數據征信和身份核實(shí)。在大數據征信方面，騰訊征信的評分系統主要從財富、安全、守約、消費、社交等幾個(gè)方面對個(gè)人信用進(jìn)行評級，形成個(gè)人征信評分。在身份核實(shí)方面，騰訊征信則將依靠騰訊積累的反欺詐技術(shù)和黑名單庫，并利用實(shí)時(shí)在線(xiàn)校驗身份工具包括賬號安全服務(wù)、等級服務(wù)和騰訊人臉識別等，完成在線(xiàn)身份核實(shí)。近期騰訊財付通已與中國公安部所屬的全國公民身份證號碼查詢(xún)服務(wù)中心達成人像比對服務(wù)的戰略合作。騰訊的人臉識別技術(shù)還可以識別人臉到底是一張圖片還是人的活體。
從芝麻信用和騰訊征信的思路看，兩家公司都充分利用了在互聯(lián)網(wǎng)上沉淀下來(lái)的大數據，以此作為個(gè)人征信的重要依據。相比于原有的央行征信系統，互聯(lián)網(wǎng)大數據的充分運用無(wú)疑是一場(chǎng)金融業(yè)的技術(shù)革命，將深刻影響未來(lái)國內金融行業(yè)的發(fā)展。但要指出的是，大數據征信的核心其實(shí)并不是數據本身，而是算法。即使不像阿里與騰訊那樣自身?yè)碛泻Ａ康幕ヂ?lián)網(wǎng)大數據，個(gè)人征信依然可以做得很出彩，這也是其他征信機構的機遇所在。這一方面，討論得比較多的是美國的大數據征信公司ZestFinance。
ZestFinance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，專(zhuān)注于提供信用評估服務(wù)，旨在利用大數據技術(shù)重塑審貸過(guò)程，為難以獲得傳統金融服務(wù)的個(gè)人創(chuàng )造可用的信用，降低借貸成本。與阿里、騰訊的大數據多來(lái)源于自身不同，ZestFinance的數據來(lái)源十分豐富，一是通過(guò)購買(mǎi)或者交換的來(lái)自于第三方的數據，既包含銀行和信用卡數據，也包括法律記錄、搬家次數等非傳統數據；二是網(wǎng)絡(luò )數據，如IP地址、瀏覽器版本甚至電腦的屏幕分辨率，這些數據可以挖掘出用戶(hù)的位置信息、性格和行為特征。社交網(wǎng)絡(luò )數據也是大數據征信的重要數據源；三是直接詢(xún)問(wèn)用戶(hù)。為了證明自己的還款能力，用戶(hù)會(huì )有詳細、準確回答的激勵，另外用戶(hù)還會(huì )提交相關(guān)的公共記錄的憑證，如水電氣賬單、手機賬單等。
ZestFinance通過(guò)融合多源信息，采用先進(jìn)機器學(xué)習的預測模型和集成學(xué)習的策略，進(jìn)行大數據挖掘。首先，數千種來(lái)源于第三方（如電話(huà)賬單和租賃歷史等）和借貸者的原始數據將被輸入系統；其次，尋找數據間的關(guān)聯(lián)性并對數據進(jìn)行轉換；再次，在關(guān)聯(lián)性的基礎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(diǎn)，如詐騙概率、長(cháng)期和短期內的信用風(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據分析模型中去；最后，將每一個(gè)模型輸出的結論按照模型投票的原則，形成最終的信用分數。為此，ZestFinance開(kāi)發(fā)了10個(gè)基于機器學(xué)習的分析模型，對每位信貸申請人的超過(guò)1萬(wàn)條數據信息進(jìn)行分析，并得出超過(guò)7萬(wàn)個(gè)可對其行為做出測量的指標，在5秒鐘內就能全部完成，效果遠好于業(yè)界平均水平。
最終分析結論（Final AnalysisConclusion）：
聯(lián)系客服
