从国际成熟市场征信模式，看我国征信行业面临的几大挑战

作者: YOYO   

近年来，消费金融市场呈现出勃勃生机。事实上，消费金融机构赚不赚钱，主要取决于其风险控制能力——如何识别风险、评估风险、为风险定价，最终形成差异化的服务和信贷利率。在风险控制的源头，依法收集、整理、保存、加工自然人、法人及其他组织的信用信息，并对外提供信用报告、信用评估、信用信息咨询等服务，帮助客户判断、控制信用风险，进行信用管理的征信行业发挥着至关重要的作用。

他山之石，可以攻玉。我们不妨先来研究一下国际成熟市场的征信模式。

创立于1841年的全球首家商业征信机构——邓白氏，在数据处理、数据分析，以及信用管理方面都属于市场的佼佼者。据披露，在数据采集方面，邓白氏在全球200多个国家和地区搭建了信息资源网络，拥有自有数据、供应商数据、客户数据。邓白氏的数据源信息，覆盖了2.4亿家企业档案、3万个数据源、日均更新数据500万次、全球领先的商务联系人数据库。其独创的邓氏编码是一个独一无二的9位数字全球编码系统，被广泛应用于企业识别、商业信息的组织及整理，帮助识别和迅速定位全球2亿家企业的信息。另据了解，在数据分析方面，邓白氏的信息质量管理流程可对海量的数据信息进行一系列收集、整理、编辑与验证，其中包含了2,000多个独立的自动核对及众多人工核对的环节，以确保数据满足优质标准。从银行到高科技，从零售到能源，邓白氏为多个行业、数万家企业和机构提供征信服务。

另一家具有代表性的公司是美国一家名为Capital One的消费金融公司。从一家名不见经传的小型银行到如今美国第三大信用卡中心，Capital One 成功的秘诀主要在于其高超的风险定价能力。

首先，Capital One将信用卡的客户分为如下三类：第一类是过度借贷客户，即高坏账率的用户；第二类是优质但很少采用分期的客户，即收入水平较高，高频使用信用卡，但几乎从不分期，银行实际上是在补贴此类用户，很难获得盈利；第三类是稳定保持欠款额度的客户，即低风险循环借贷客户，是每家银行都想抢夺的优质客户。

其次，为了寻找优质用户，Capital One设置了多样化的信贷服务方案，用直邮的方式将服务方案定向推送至特定的客户，并设计了含有产品接受度、转化率、坏账率等指标的回归统计系统。

最后，构建风控模型，正式进入高速发展阶段。起初，由于数据不足导致坏账率高企，但随着数据的不断积累，训练次数逐渐增多，风控模型的精准度不断提高。直到1992年的第三季度，Capital One 的坏账率大幅下降，并开始低于行业平均水平----仅为行业平均坏账水平的40%~60%。当其他银行还在采用“一刀切”的方式，针对所有客户使用19.8%的标准年化利率的时候，Capital One 针对优质客户则推出了最低利率仅为9.8%的信贷产品，成功获得了大批中等收入优质客户。

根据上述国际领先企业的经验，我们可以看出，征信公司经营成功的关键在于：一、数据来源的广泛性和准确性；二、数据分析的速度及精准度；三、征信产品是否能够满足客户多样化的要求。与欧美成熟市场相比，国内征信市场并不完善，面临如下考验：

第一，法律环境有待完善；

完善的法律体系可以为征信行业的蓬勃发展保驾护航。我国现行征信行业法律体系主要包括2013年国务院下发的《征信业管理条例》和《征信机构管理办法》，以及为进一步明确征信机构的运行规范，由央行于2015年下发的《征信机构监管指引》。相比欧美成熟市场，我国征信行业立法还不够健全，处于初期探索阶段，仅为行政法规或部门规章，两者的法律效力较低。并且，当前我国还没有在数据采集以及个人隐私方面建立健全法律体系，导致征信行业在个性化数据采集方面，面临隐私保护困扰。

第二，覆盖人群有待增加；

社会对征信信息需求巨大，而征信系统收录不全，政府主导的征信体系难以完全满足金融市场运行的需要。美国对企业和个人的信用信息的覆盖率高达80%，即便如此，美国的征信机构仍然在持续投资开发独家的数据源，通过对新数据的分析，提升数据库的深度、广度和质量，为征信提供了坚实的基础。而根据我国央行征信系统的统计，截至2015年末，个人征信系统收录8.8亿自然人数，其中3.8亿人有信贷记录，5亿人只有简单的身份信息，另有5亿多人不在央行征信系统内。实际上，消费金融公司的目标客户群主要集中于中低阶层消费群体，这类群体以年轻人为主，比如刚参加工作不久的上班族，以及收入不高的群体等。而这部分真正需要消费金融服务的用户群体，恰恰在我国央行征信系统中缺乏个人信贷记录。

第三，市场渗透率有待提升；

艾瑞咨询数据显示，中国个人征信行业的市场渗透率总体维持在 9%左右，2015年中国个人征信行业潜在市场规模为1,623.6亿元，实际市场规模只有 151.4亿元。随着个人消费和交易习惯的改变，征信的应用场景不断增加。除了信贷、信用卡消费外，租房、租车、购物、签证等非金融领域也对个人征信信息提出需求，市场渗透率有待进一步提升。

第四，数据采集标准有待统一；

数据采集是征信的基础，为此，美国全国信用管理协会制定了标准的数据报告格式和标准数据采集格式，将信用数据标准化，便于征信数据在机构间共享。然而，国内各类数据缺乏有效的共享机制，导致数据孤岛问题严重，而且现有数据同质化严重，多为公开渠道可获取的数据，缺失个性化独家数据源。与此同时，各类数据参差不齐，缺乏统一的标准，直接影响征信报告的质量。

第五，数据分析能力有待提高。

数据分析能力直接决定征信服务的质量，因此，数据分析是征信企业将信用数据转化为征信产品的关键环节。美国的数据分析技术起步很早，早在1956年就推出了FICO评分系统，经过半个多世纪的不断改进，应用已十分广泛。目前包括Experian、Equifax和TransUnion在内的90%以上大型征信机构均采用FICO评分系统。2009年，美国ZestFinance公司将信用分数过低或缺乏信用记录造成借贷成本畸高的人群（FICO分500以下）作为服务对象，在信用评估分析中融合了多源数据，引入机器学习的预测模型和集成学习的策略，进行大数据挖掘。ZestFinance的核心竞争力在于数据挖掘能力和模型开发能力。据了解，在其模型中，往往要用到3500个数据项，从中提取70,000个变量，利用10个预测分析模型，如欺诈模型、身份验证模型、预付能力模型、还款能力模型、还款意愿模型以及稳定性模型，进行深度学习，并得到最终的消费者信用评分。每个模型平均半年就会诞生一个新版本，替代旧的版本。新版本通常会加入更多的变量和数据源。ZestFinance采用的算法来自Google的大数据模型。此外还有数千种来源于第三方（如电话账单等）和借贷者的原始数据被录入系统，寻找数据间的关联性并对数据进行转换，在关联性的基础上将变量重新整合成较大的测量指标，最后把这些较大的变量输入到不同的数据分析模型中，将每一个模型输出的结论按照模型投票的原则形成最终的信用分数。与传统信贷管理业务相比，ZestFinance的处理效率提高了将近90%，风险控制方面，ZestFinance的模型相比于传统信用评估模型性能提高了40%。反观国内征信行业，数据分析刚刚起步，数据分析的效率和精准度有待进一步提高。

YOYO

财经记者出身，如今投身PE，又始终对文字工作念念不忘。 清华MBA，耶鲁大学交换生。