
大数据时代征信领域的核心竞争力是风险评分技术
除了那些已经获得第一批征信牌照的公司和正在积极申请征信牌照的公司外,还有一批公司虽然没有申请牌照的计划,却同样有在征信领域的布局和规划。他们的梦想甚至更大,要为这些征信机构提供服务。
为此,记者专访了信而富的副总裁刘一民。信而富过去十五年一直从事的是风险管理的工作,从2003年为中国银行开发决策系统,为全国一半以上的银行提供服务,但他们明确提出不直接介入做征信,而是致力于利用大数据为传统金融机构没有覆盖到的人群提供金融服务。刘一民认为大数据时代征信领域的核心竞争力是风险评分技术,信而富的目标就是帮助拥有大数据的机构通过领先的自动决策评分技术从大量的数据中识别出那些优质客群,并提供相关验证机制完善评分系统。
经济观察网:目前你们公司的征信业务整体开展情况如何?
刘一民:自2001年以来,信而富一直从事的是风险管理的工作。关注于金融机构的风险管理,使得我们对中国今天的消费人群消费行为有非常深层次的了解。比如说从2003年为中国银行开发决策系统,中国银行今天发行的每一张信用卡,都是从我们系统里面进行数据处理。我们还包括为建设银行在内的国内一半以上的银行服务。将我们的决策系统评分模式安装在那里。今天中国用我们评分和用我们系统处理通过的信用卡超过1亿张。
但我们不会介入自己做征信。。我们主要工作核心还是利用掌握的三大核心技术——事先批准、自动决策以及风险定价技术,为社会大众提供普惠金融服务,帮助没有被传统金融机构覆盖的人群获得便捷高效的金融服务。
你刚才一直强调银行机构,那其他的金融机构有没有?
这是我们最早做这块业务的瓶颈,我们的服务对象就是有风险评估需求的金融机构,但是就2000年做信用卡的时候,没有那么多机构,如果我们做乙方业务的话,我们面对客群很少,市场很快就分完了,就没有继续扩展的空间。但现在不一样了,现在有大量的小贷公司和P2P平台有需求。
大数据被认为是互联网征信的重要依据,目前信而富的数据来源有哪些?
我们的数据来源上主要分三块:第一、人民银行[微博]的征信报告;第二,我们合作的第三方征信数据,采集我们客户的行为数据。第三,是我们自己的数据采集,我们在全国有近100家分公司,主要工作是对我们平台服务的客户进行实地数据采集,100%客户数据的亲核亲访,以此来完成客户信息真实性、完整性验证。
目前市场上已经有很多公司在做征信,相比之下,你们没有直接数据来源,有什么优势?
美国的征信局可以购买数据,这是在成熟市场上可以的,但是在国内是不可能的。我们可以提供建模的过程,现在有很多拥有大数据的公司,但他们怎么利用这些数据形成一个想要金融服务的客群,这是摆在他们面前的难题。银行目前为止也没有能力自己建立自动决策系统,即没办法针对每个客户进行精准打分,打分的基础源于这类客群造成风险的程度,这样的技术在国内我们是领先的。对于任何一个人群进行数据采集后,我们会进行多维度的计算,最终形成一个分数。
两个月前,腾讯与信而富公司紧密合作,推出线上的现金贷业务。为什么腾讯选择和你们合作推出现金贷?
腾讯找到我们是因为能满足他们的需求,为他们提供精准服务,我们会从他们的数据中筛选出目标客群,然后我们有金融服务的过程,为这些客群进行小额度借款的服务,目前是500元左右。我们从腾讯那里筛选了5000万客户,现在刚刚起步,建模需要不断数据验证,很多的参数需要行为数据不断修正。评分的准确度是不断完善的过程,我们开始提供金融服务,同时我们会将结果反馈到腾讯,来评估我们的准确度。目前运营状态不错,运行从去年11月11日上线,今年2月14正式大规模推广,截至7月借款笔数已超过250万笔。
现在很多公司在跟数据机构合作,其中对风险的把控、风险理念不同,但是技术上很强的并不多。判断一个公司,首先看有没有风险定价的能力,指不管是什么客群,我们的定价可以完全覆盖我们的销售成本、运营成本和风险损失,根据客群不同的表现,我们划分不同的风险等级,进行定价。另外,做预先批准。我们采集很多数据,从中筛选出符合要求的白名单,不需要提供补充的信息,直接可以借款,这是额度预批的过程,背后利用我们决策系统的分析能力提供相应的支持。
腾讯有自己的征信公司,需要征信来盈利,如果他们的数据没有一个好的验证机制的话,分数是没有用的,因为不知道风险概率。实际上,我们的核心是风险管理,我们在和腾讯合作过程中,向他提供用户白名单。在金融领域,优质的客群永远是稀缺的,竞争激烈的。
如何评价当下中国征信行业的现状?
征信领域大家都是刚刚起步,大家还没有市场化、专业化的服务,很多人都在试探,看这样的服务是否可以帮助他们做好风险防范工作。在国内的话,诚信度都要打上问号,不管是什么旗下的公司。征信牌照的获取对征信提供方的要求比较严格,必须是独立的第三方,最终不知道结果怎么样,像美国最终提供征信服务的机构也只有两家,这个市场的容量,真正提供专业性服务还是要有一个过程。
是否真正通过大数据做还是未知数,征信机构也也可能被兼并重组, 这是市场行为,打出的分不专业,那这样的征信公司就没有意义的了,哪怕拿到了牌照也没用。
对于我们而言,一方面我们会积极响应民间征信基础建设,建设民间征信机制来防范市场风险,另一方面,我们目前只能通过第三方机构去抓取一些数据,不能很公开的在市场上买这些数据,征信牌照发放后对于行业促进作用很大,国家鼓励这方面的工作,增强我们风险防范的能力,同时我们也可以对更专注自己擅长、能够发挥自身核心技术能力的领域。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16