大数据征信如何提升金融机构风控能力

近年来，互联网金融的迅猛发展，对线上线下金融机构的风险控制都带来了较大的挑战。一方面，以商业银行为代表的传统金融机构，其主流风控策略主要以央行征信报告为主要数据源，以专家经验或专家规则为评判策略。过于定性的风控方法，虽然降低了坏账率，但是不利于业务发展，容易错失很多有效客户；另一方面，许多新兴的互联网金融机构，由于所掌握的客户信息有限，风控经验的薄弱和风控执行手段不够专业，其逾期率和坏账率远超于银行。

好在随着移动互联网时代的来临，从电子商务到互联网金融，人们在网络上产生的数据“足迹”越来越多，大数据已经成为当前金融机构加强风险控制的重要补充手段。

大数据征信开启风控新格局

大数据征信是利用数据分析和模型进行风险评估，依据评估分数，预测还款人的还款能力、还款意愿、以及欺诈风险。在金融风控领域，大数据指的是全量数据和用户行为数据。目前使用的是围绕客户周围的与客户信用情况高度相关的数据，利用数据实施科学风控。

与传统征信相比，大数据的助力将带来以下三大益处。

首先，大数据征信模型可以使信用评价更精准。

大数据征信模型将海量数据纳入征信体系，并以多个信用模型进行多角度分析，以美国互联网金融公司ZestFinance为例，它的模型基本会处理3500个数据项，提取近70000个变量，利用身份验证模型、欺诈模型、还款能力模型等十余个模型进行分析，使评价结果更加全面准确，是模型评估性能大大提高。

其次，大数据征信能纳入更为多样性的行为数据。

大数据时代，每个相关机构都在最大程度上设法获取行为主体的数据信息，使数据在最大程度上覆盖广泛、实时鲜活。

过去，征信机构对于企业和个人信息的搜集相对比较困难，数据搜集数量也比较有限。随着互联网和大数据的普及，依托于大数据和云计算技术优势，可挖掘大量数据碎片中的关联性，推动数据统计模型不断完善，更加科学的反映用户的信用状况。

大数据风控的一个最大的优势就是丰富了信用风险评估的数据维度，征信数据规模越来越大，数据维度越来越广，模型不断迭代优化，大数据等新兴技术正在成为征信行业突破传统瓶颈的重要手段。

最后，大数据征信带来了更为时效性的评判标准。

传统风控的另外一个缺点是缺乏实效性数据的输入，其风控模型反映的往往是滞后数据的结果。利用滞后数据的评估结果来管理信用风险，本身产生的结构性风险就较大。

大数据的数据采集和计算能力，可以帮助企业建立实时的风险管理视图。借助于全面多纬度的数据、自我学习能力的风控模型、实时计算结果，企业可以提升量化风险评估能力。

不过，虽然大数据征信能够降低信息不对称，更全面地了解授信对象，并增加反欺诈能力，同时更精准的进行风险定价，但目前还不能完全取代传统征信。大数据风控可以从数据维度和分析角度提升传统风控水平，是一个必要的补充，可以让传统风控更加科学严谨，但目前由于覆盖率、匹配率等问题，不能完全取代传统风控。

大数据征信如何提升金融机构风控能力

下面我们以一份人数约5万的小额贷款客户数据样本，将通过分析得出哪些变量对于不良率有显著影响；另外，对这个数据样本使用前海征信的大数据征信产品进行评估，通过比较实际不良客户和大数据评估结果，来看看使用大数据征信产品是否能有效起到风控能力的提升作用。

1F 客户基本系信息和不良率的关联分析

在这份小额贷款客户的整体数据中，大约有27%的不良客户。我们来看看学历、婚姻状况及地域等基本信息中与不良客户的关联度。

见图2-1，我们发现高中及以下学历是不良客户主要构成；但经过分析，样本数据中学历信息完善度较低。因此，要想降低不良率，可以关注客户的学历信息是否完善，并进行严格审核。

见图2-2，在考虑婚姻情况与不良客户之间的关联时，发现不良客户中未婚者占比明显高于已婚者；说明如果能提高样本的婚姻信息完善度，并严格审核这个指标，亦可以对降低不良率起到一定作用。

通过对客户信息进行地域分析发现，不良用户的出现与地域分布有极大的相关性，如图2-3，不良用户会呈现集中式分布，说明客户的地域信息也可作为有效的审核参考指标。

从上述分析中可以看出，客户基本信息如学历、婚姻、年龄、收入、地区等，均与风险有一定关联度，所以应该尽可能完善客户信息，并可部署在授信前段进行身份验证，提高审核效率。

2F 大数据评估和不良率的匹配情况

接下来，我们看看前海征信大数据产品对不良客户的评估情况。

首先看看好信度好信分。

前海征信推出的好信度好信分，是基于大量金融数据、互联网行为等信息来刻画客户身份、履约能力等七个不同维度，从而获得的综合信用得分，可用于分析好信度分和客户最终出现不良是否有相关关系。

我们再来看看常贷客评估的情况。

前海征信的常贷客数据，来源于好信平台系列产品的数据共享，包含千万级别客户信贷行为信息，可查出客户短期内是否向其他机构申请过贷款。此前数据证明，常贷客信贷逾期风险是普通客户的3到4倍，可供用户信用审核参考。让我们来看看这一数据对于样本的表现情况。

见图2-8，对比数据表明，随着命中机构数目的增加，不良客户比例有着显著提高。因此，常贷客对于客户不良情况有显著的识别及区分能力。

最后，我们来看看风险度评估的表现。风险度基于千万量级的风险数据库，并结合多维的外部数据，利用大数据建模从多方面对客户出现信用风险的可能性。

目前，风险度整体命中率约为8.5%。被风险度命中的客户，其不良比例显著高于未命中的客户。见图2-9和图2-10.

综上所述，大数据征信评估有望对金融机构降低信用风险和欺诈风险带来显著效果。因此金融机构在设计授信政策时，不妨多维度使用征信产品数据，实现全流程大数据风控，从不同角度筛选不良客户。