互金网络直播首秀直击：大数据如何破征信“短板”

近期的互金圈里，最热的新闻莫过于“裸条事件”——简单“科普”一下，这是指部分媒体爆出“女大学生用裸照获得贷款，当发生违约不还款时，放贷人以公开裸体照片和与借款人父母联系的手段作为要挟逼迫借款人还款”。

而对借款人信用状况的评估正是一切风控的起点。“裸条”事件其实向从业者提出了一个问题：不使用“道德胁迫”，无担保、无抵押的贷款究竟该靠什么来管控信用风险？

《中国经营报》直播主持人张莹与做客此次互金直播的信和汇诚信用管理常务副总经理刘艳一起嗨聊了一把：大数据如何破征信“短板”！

刘艳表示，“大数据风控之所以成为可能，是因为互联网时代，每个用户会在各种应用上留下’足迹’，这其中就包括社交媒体上的动态、电商消费行为、网站浏览痕迹等。通过广泛、合规地收集数据、并深入挖掘数据中衍生的特征维度，如风险特征、用户偏好等，从而形成对用户进行信用风险评估的依据。通过大数据的分析和预测，可以“智能化”判断一个用户的信用风险。”

这是跳脱于传统金融“重抵押”的信用风控，而在互联网，尤其是移动互联网的时代，这并非是“纸上谈兵”。

给“新信用”定价

当前，中国正处在消费井喷的前夜，而这一次与互联网息息相关。中国消费金融2014年达15.37万亿元，同比增长18.5%，2013到2014年增长了2.4万亿元。消费贷款中国人均1.12万元。依照同期美国消费贷规模3.32万亿美元，人均6.5万人民币，中国消费金融应当还有2-4倍的增长空间，即十万亿以上的增量。假设每家贷款机构平均放贷1000亿，十万亿的增量也需100家新机构来满足。

而与之对应的是，飞速发展的网贷和消费金融公司，正在极力争取扮演这样的角色。《2007-2014年中国P2P个人无抵押小额信贷市场发展报告》显示，以个人消费为目的的借贷在各项借贷需求中居首位，占到业务总份额的63.72%

但他们面临的是同一个现实：截至2016年3月底，央行共收录8.85亿自然人及2139万户企业和其他组织信息，其中有信用记录的自然人和企业组织仅占三成多。有信贷数据的只有3亿多人，约5亿人除身份证号码外，几乎没有其他信用数据，还有5亿人的信息，根本就不在征信系统内。

“13亿人中有10亿人没有信贷记录。”刘艳总结，而这些群体往往是被传统金融机构“挤出”来的小微企业或个人。

“在中国，极其强大的市场需求和目前比较落后的征信体系的反差，恰好给了机构彻底的利用科技、利用大数据在征信领域里面做一次真正的创新和变革。”曾参与美国信用局开发 FICO信用局评分的信用评级专家涂志云表示。

“风控做得好的互联网金融公司，通常都会经过四道风控防线做出最终信用决策，第一道是身份验证，校验借款人身份的真实性；然后是反欺诈，识别借款人是否为诈骗或者在贷款黑名单里；第三道是偿还能力识别；最后是偿还意愿识别。” 刘艳介绍，在这个过程中，互联网金融公司的信审人员需要通过信用数据来做风险评估。最优先的仍旧是央行的征信报告。但是当借款人信用属性最强的数据缺失的时候，互联网金融机构就必须要借助其他信用属性数据来协助评估信用风险。

对于大多数的互联网金融机构而言， 单一公司要完成包括：公安数据、工商数据、税务数据、司法数据、银联数据、电信运营商数据、各类金融机构的黑灰名单数据、历史消费数据、缴费数据、社交数据等的收集、处理有很大的难度。现实中这也导致了很多机构仅限于将此类数据做浅层的分析，很难提升数据在信用风险管理方面的分析价值。

“而大数据征信的核心恰恰不是局限在对于已经发生的静态数据的分析，而是来自与客户的动态数据，以及如何发现和理解不同的行为数据之间的联系。事实证明，相关的维度越多， 就能越精准地勾勒出一个人的信用状况，而这个判断越精准，就越利于企业和商家以及信贷机构精准地为其进行风险定价。”刘艳解释。

大信用才有大市场

将信用风险管理的所需的数据集纳、动态更新管理的过程在汇诚信用内部被视作”信用数据资产化“的过程。而如何应用这些数据针对小微企业和个人借款额度小、需求分散、个性化需求多的特性进行信用定价和风险评估，直接影响到机构经营的效率和成本。

传统的风控模型中，信审人员面对大量的数据进行人为判断。实际操作中，往往会出现不同信审人员对同一借款人，出现不同信用风险的评估结果。而汇诚的决策分析团队为多家互联网金融机构的风控部门提供信用评分模型的开发服务过程中，发现开发评分模型面临最大的挑战，不是缺乏模型开发的技术，而是缺乏适用模型开发的数据。

“这恰好提醒了我们，’大数据’绝不意味着只是数据多就行，汇诚的决策分析团队往往 三分之二的时间都用在了帮助客户进行数据的清洗与整合，然后才能开展建模分析。”刘艳介绍，经过优化质量的数据利于形成一个标准化的风控模型，而这样最大的好处是实现批量审批和快速审批。

根据对比，同一类用户，用抵押物、收入流水证明等粗放式的传统风控方式，贷款获批率在15%左右，而使用大数据模型结合人工后获批率可以达到30%以上。

考虑到互联网消费场景的多样化和消费频次的灵活性，普遍借款额度较低的互联网金融用户的理想放款模式是自动化决策——在自动化评估的基础上，基于不同风险等级的客户细分， 通过借款客户在线提交资料后，通过数据验证和风险评估自动化，实现自动授信。

“这能极大降低互金公司的运营成本，从客观上也能促进行业提升服务能力。”刘艳说。只是当前信用风险自动评估结果和人工信审等方式，还不能覆盖所有的风险点， 互联网金融机构依然需要采用实地认证的方式，来防范风险。

显然，大数据勾勒出一个人看的见的信用，也就意味着潜在风险的可预防。这样一个理想的情景，中国的征信市场目前依然在探索与实践中。

“裸条事件” 某种程度上映射了当前金融环境中信用的缺失，金融信用体系的不完善正在阻碍了现代金融业的创新发展。

就在6月12日，国务院印发了《关于建立完善守信联合激励和失信联合惩戒制度加快推进社会诚信建设的指导意见》。作为我国社会信用体系建设方面的一个重要文件中，对失信者的惩戒措施当中，有很多是金融方面的惩戒措施。

这在金融全民化的大背景下，愈发强化了信用管理的重要性。在中国人民银行征信中心主任王煜看来，目前中国信用体系建设在整个征信市场方面，正在呈现出政府加市场的双线推动格局。

“当越来越多合规的互联网金融机构和征信服务机构数据库里有价值的金融信用信息能被纳入央行的征信数据库，一定有助于中国金融信用体系的建设、完善和创新。”刘艳说。

标签：