财新网-滚动新闻 编辑:caitingting 阅 : 1997
金投信用卡(https://credit.cngold.org/)09月22日讯,由于征信业是数据为核心资产的金融服务子行业,近年来大数据技术深刻地影响传统征信模式,大数据技术不仅可以渗透到征信业务的每一个环节,而且还能拓宽征信应用场景,扩大服务人群,实现普惠金融。同时大数据征信在驱动征信业迅速发展的同时也带来一些挑战。正如2015年10月26日,央行负责人在西安举行的“亚太征信暨个人数据保护国际研讨会”上所言,互联网大数深刻影响征信业的发展和变革,社会征信机构大量涌现,对征信信息数据真实性和个人信息保护提出了更高的要求,也对征信监管提出更高要求。国外知名的知心机构益博睿(Experian)、艾克飞(Equifax),环联(TransUnion)、律商联讯(LexisNexis)和决策分析公司费埃哲(FICO)也积极尝试大数据应用,将大数据纳入信用报告,抽取新的指标变量开发新信用评分,而且在数据采集、信息透明和维护消费者权益方面,有着规范和专业的作法。这些先进的行业实践,可以为国内方兴未艾的大数据征信提供参考。
大数据征信的应用背景
信用评分是利用数据挖掘技术,基于消费者的历史记录,对其放贷款的违约风险进行量化评估,费埃哲评分是最具有代表性的信用评分。
尽管费埃哲信用评分在过去几十年内促进了美国消费信贷和房地产市场的快速发展,但也存在明显的局限性:为了获得费埃哲信用分,个人需要至少有一个持续六个月以上还款记录的银行信贷账户,该账户的信息需要报送到征信机构。美国消费者金融保护局(CFPB)最近的一项分析指出,美国存在2600万(占美国成年人口的11%)消费者的信用报告中没有信贷信息,因此也不能够进行费埃哲信用评分。另外美国还有1900万消费者(占美国成年人口的8%)的信用报告中没有足够的信贷历史信息来支撑信用评分的基本应用。除了费埃哲信用评分本身的局限性,美国的经济形势也是产生利用大数据进行信用评分驱动力。自2008年之后,美国的中产阶级深受债务的折磨,对信贷的需求增长比较低缓。根据2015年第三季度的财报,美国三大银行,富国银行、美国银行和摩根大通的收入持续下滑。在越来越近的监管和超低利率的环境下,放贷者努力追求稳定的利润。在这样的背景下,重新调整信贷风险管理的游戏规则是使银行提高盈利能力的不错选择。美国信贷市场上对于这种大数据信用评估解决方案的需求非常迫切。
许多信用信息服务机构开始探索评估信用能力的新方法。传统数据包括信用卡、车贷、房贷、消费贷等数据,区别于传统信贷的数据可以称为替代数据(Alternative data)是指银行和征信机构所收集传统信贷偿还数据之外的数据,包括电话费、公共事业账单和地址变化记录等内容。一些替代传统信贷风险管理的解决方案正在不断涌现,例如利用手机预付费信息、心理测试数据、社交媒体活动信息和电商行为数据进行信用风险评估等。这些数据的引入为风险评估注入了新的活力,为美国大型银行开辟了新的消费者客户群体。
益博睿:将房租数据纳入信用报告和评分
2010年6月,益博睿收购了一家拥有七百万美国人房租历史的公司,到2011年1月,房租数据已经包含在美国的消费者信用报告中。2012年3月,益博睿在英国开始了房租信用机构的业务。通过将房租支付记录包含在信用报告中,使得几百万需要租房的人借助征信系统的帮助,可以享受更低价格的租房服务。
除了将消费者的房租数据加入信用报告中,为了提高信用评分的普适性,益博睿也将房租信息加入信用评分模型中作为主要的指标(传统信用评分模型依靠信用卡、车贷和房贷还款信息)。益博睿将房租信息纳入个人征信产品和服务中,从2014年开始用得越来越广泛。
益博睿的一份研究报告中统计表明,如果不将房租信息包含在信用评分之中,具有租房缴纳记录的消费者中会有11%因为没有信用记录,而不能获得信用评分;这些正面的租房交易信息可以帮助消费者获得信用评分;此外80%没有信用评分的消费者在益博睿的房租数据库中有超过12个月的租房历史记录。这些缺乏传统信贷信用记录的消费者由于信用报告中有及时的每月房租偿还记录,可以接受金融机构的授信。
另一项研究表明,将消费者两个月的交房租信息整合到信用评分中,其信用评分会提升9%,特别是次级贷的消费者,加入了房租信息,其信用评分会增加29分。
益博睿的增加了房租信息的信用评分未来可能会形成新的信用评分框架,每一个租房的消费者都应该充分利用新的评分来享受更好的金融服务,特别是对于学生和才进入社会的年轻人这些传统信贷信用记录缺失的消费群体更有意义。
费埃哲、艾克飞和律商联讯:利用电信和公共事业缴费大数据
像费埃哲这样的信用评分机构受监管和银行的双重压力,被要求找到为上百万没有信用分的美国人提供可靠信用评分的方法。
费埃哲已经做出了行动——和艾克飞及律商联讯集团合作,开发名字为费埃哲替代评分(FICO XD)的新信用评分。该新信用评分关注有线电视/电话、公共事业缴费和移动电话的支付历史来进行评分。在新评分开发过程中,费埃哲负责算法模型,艾克飞提供移动电话和有线电视/电话账户中的数据来获得数据,律商联讯集团提供了财产记录和其他公共数据。
费埃哲替代评分和传统信用评分一样,使用三位数衡量,分数越高,风险越小。新的信用评分和传统的费埃哲信用评分有相同的得分范围,都为300-850。不同分数段对应的预期违约率也是相同的。因此不管从费埃哲分数还是费埃哲替代评分分数上看,750分都是一个很高的分数。费埃哲已经在一些银行中测试了该新信用评分,35%-50%测试个体的费埃哲替代分数超过620,这意味着很多人将从该新信用评分中获益。
费埃哲替代评分并没有替代传统的费埃哲评分。如果消费者的信用报告中有足够的信息能够获得传统费埃哲评分,则费埃哲替代评分对他就没有必要,而且也不适用。事实上,费埃哲替代评分推出的目标就是使人们可以从费埃哲替代评分向费埃哲评分升级:可以让传统信用记录不足的消费者利用费埃哲替代信用评分获得金融信用服务,等之后消费者逐渐有了信贷记录之后,就可以升级为传统费埃哲信用评分的获得者。
费埃哲替代评分的应用也比较注重消费者权益保护:正如每个消费者可以在年度信用报告(AnnualCreditReport.com)网站上获得一个免费的,每年一次的信用报告,这些信用报告中的信息可以用来产生费埃哲评分。在利用费埃哲替代评分时, 征信机构将会把评分用到的信息(电话付费和公共事业缴费信息)存储在一个单独的数据库中,并把这些信息加入信用报告。和传统的信用信息一样,这个专用的数据库可能包括错误,消费者需要警惕,及时查询和检查,对相关错误进行修改。
费埃哲替代信用评分正在大量的信用卡提供方(主要是银行)之间进行测试,在未来几年将会被广泛获得。银行在前期接触的时候对此非常感兴趣,在测试过程中,费埃哲替代评分给半数以上过去无法评分的信用卡申请者提供了评分,这是一个绝对飞跃。但到目前为止,费埃哲替代评分还不能广泛获得,但是消费者可以从艾克飞和律商联讯得到相关的免费信用报告(进行费埃哲替代评分的信息都在其上)。
环联:整合大数据与传统数据
美国三大个人征信机构之一环联也在推广其替代评分系统,目标是给没有传统评分或分数较低的人提供更合理的信用分数。环联的新信用评分体系命名为信用视野连接(CreditVision Link),结合了替代数据,号称是第一个将征信机构的数据和替代数据源进行结合的信用评分模型,研发该模型的目的一方面是提供一种对消费者风险更精细的预测,另外一方面扩大征信覆盖人群,将使美国95%的成年贷款人获得信用评分。
环联称其新评分利用替代数据,结合了对消费者传统支付历史的分析,可以得到对风险更准确的评估。例如,传统信用评分揭示的是消费者是否按时支付最低信用卡还款额度,而新信用分关注消费者每月的支付规模和支付增减的变化。除此之外,新评分考虑了消费者改变住所的频率、支付日的数据、账户历史(如账户是否关闭或超过限额)等因素。
信用视野连接需要充分的传统征信数据,新增的数据可能使消费者的信用评分变差,但大多数的时候,还是会有所促进消费者的信用评分。在主要汽车贷款消费者的测试中,新评分使超过24%的贷款得以实现。和费埃哲信用评分一样,环联信用视野连接分数的范围也是300-850。
如果消费者使用信用视野连接评分,替代数据将成为环联信用报告中的一部分,并且每年提供给消费者。
信用视野连接还在进行不同的测试,如果新的评分模型性能超出传统的风险评分模型,它的广泛接受将激发一场信贷容量和信贷质量的重大进展,这将是一个对消费者和信贷机构来说都是双赢的事情。环联称其新评分系统将在今年底被一些贷款方使用。环联的新产品发布将意味着在信贷市场的新标准即将确立。
小结:
国外知名征信机构对大数据征信的探索目前还处于测试和推出阶段,还需要进一步的商业应用来检验和完善,但是这种大数据征信的应用代表一种前沿趋势,其中有两个方面值得关注:一方面在对征信大数据的应用时,这些征信机构并不是全盘拿来,不是应用目前国内外热炒的电商数据和社交数据等所谓的“征信大数据”,而是首先选择和信用风险强相关的大数据,例如电信预付费、房租缴费、公共事业缴费和支付数据,纳入信用报告和信用评分中,而且对这些大数据深入研究、反复测试后谨慎推出。另外一方面在使用这些大数据时,这些国外征信机构的做法也比较规范和专业,兼顾消费者的权益保护。例如这些大数据不涉及消费者的隐私敏感信息,符合《公平信用报告法》的规定;为了保证信息的透明,这些应用到的大数据都放在信用报告中(信用报告是信用评分的基础和数据来源,这是专业征信机构的基本业务逻辑);尊重消费者的权益,这些征信机构如果提供消费者基于大数据的信用评分,就会同时将包含这些数据的信用报告免费提供给消费者查询、检查纠错,并对存在的数据问题进行处理。此外,这些国外知名的征信机构在引入征信大数据时,并未对信用评分模型算法做了很大的改变。
目前国内央行征信系统收录的8.7亿的自然人中有信贷记录的为3.7亿人,可形成个人征信报告、得出个人信用评分的有2.75亿人(统计时间为2015年9月底)。截止2014年,中国的人口是13.67亿,这意味着将近10亿个人消费者没有包含传统的信贷信用记录的信用报告,也没有信用评分;约1亿人由于传统信贷信用记录不足,仅有信用报告,而无信用评分。因此针对国内征信市场,利用大数据或者是替代数据对大量的传统征信缺失的消费者进行信用评估,都更加迫切和符合实际。