六种可用于互联网金融风险控制（征信）的大数据来源

近年来，以第三方支付、P2P平台、众筹为代表的互联网金融模式引起了人们的广泛关注，该模式大量运用了搜索引擎、大数据、社交网络和云计算等技术，有效降低了市场信息不对称程度，大幅节省了信息处理的成本，让支付结算变得更便捷，达到了同资本市场直接融资、银行间接融资一样高的资源配置效率。但由于我国互联网金融出现的时间短，发展快，目前还没有形成完善的监控机制和信用体系，一旦现有互联网金融体系失控，将存在着巨大的风险。

首先是信用风险大。目前我国信用体系尚不完善，互联网金融的相关法律还有待配套，互联网金融违约成本较低，容易诱发恶意骗贷、卷款跑路等风险问题。特别是P2P网贷平台由于准入门槛低和缺乏监管，成为不法分子从事非法集资和诈骗等犯罪活动的温床。

其次是网络安全风险大。我国互联网安全问题突出，网络金融犯罪问题不容忽视。一旦遭遇黑客攻击，互联网金融的正常运作会受到影响。

互联网金融企业通过获得多渠道的大数据原料，利用数学运算和统计学的模型进行分析，从而评估出借款者的信用风险，典型的企业是美国的Zest Finance。其通过分析模型对每位信贷申请人的上万条原始信息数据进行分析，并得出超过数万个可对其行为做出测量的指标，而这一过程在5秒钟内就能全部完成。在进行数据处理之前，对业务的理解、对数据的理解非常重要，这决定了要选取哪些数据原料进行数据挖掘，在进入“数据工厂”之前的工作量通常要占到整个过程的60%以上。

目前，可被用于助力互联网金融风险控制的数据存在多个来源。

一是电商大数据，以阿里巴巴为例，它已利用电商大数据建立了相对完善的风控数据挖掘系统，并通过旗下阿里巴巴、淘宝、天猫、支付宝等积累的大量交易数据作为基本原料，将数值输入网络行为评分模型，进行信用评级。

二是信用卡类大数据，此类大数据以信用卡申请年份、通过与否、授信额度、卡片种类、还款金额等都作为信用评级的参考数据。国内典型企业是成立于2005年的“我爱卡”，它利用自身积累的数据和流量优势，结合国外引入的FICO(费埃哲)风控模型，从事互联网金融小额信贷业务。

三是社交网站大数据，典型企业为美国的Lending Club，它基于社交平台上的应用搭建借贷双方平台，并利用社交网络关系数据和朋友之间的相互信任聚合人气，平台上的借款人被分为若干信用等级，但是却不必公布自己的信用历史。

四是小额贷款类大数据，目前可以充分利用的小贷风控数据包括信贷额度、违约记录等。由于单一企业信贷数据的数量级较低、地域性较强，业内共享数据的模式已正逐步被认可。

五是第三方支付大数据，支付是互联网金融行业的资金入口和结算通道，此类平台可基于用户消费数据做信用分析，支付方向、月支付额度、消费品牌都可以作为信用评级数据。

六是生活服务类网站大数据，包括水、电、煤气、物业费交纳等，此类数据客观真实地反映了个人基本信息，是信用评级中一种重要的数据类型。