下载合伙投客户端
别光盯着腾讯阿里，看看美国的大数据征信公司怎么玩
（文/猎云网）
猎云网注：近期，美国互联网金融公司ZestFinance受到国内互联网金融专业人士的热捧，其基于大数据的信用评估模型也越来越受到关注和效仿。本文结合美国的金融环境，对ZestFinance进行简要介绍，分析大数据征信产生的背景，剖析大数据征信技术，并全面客观地阐述了大数据征信技术对于中国互联网金融和征信业未来发展的借鉴意义。对于有志于在互联网金融领域的创业者来讲非常值得一看，猎云网分享自《清华金融评论》。
文/刘新海、丁伟，
ZestFinance简介
ZestFinance，原名ZestCash，是美国一家新兴的互联网金融公司，2009年9月成立于洛杉矶，由互联网巨头谷歌（Google）的前信息总监道格拉斯·梅瑞尔（Douglas Merrill）和金融机构Capital One的信贷部高级主管肖恩·卜德（Shawn Budde）（曾管理过收益超过10亿美元的次级信贷业务)联合创办。ZestFinance的研发团队主要由数学家和计算机科学家组成，前期的业务主要通过ZestCash平台提供放贷服务，后来专注于提供信用评估服务，旨在利用大数据技术重塑审贷过程，为难以获得传统金融服务（Underbanked）的个人创造可用的信用，降低他们的借贷成本。
ZestFinance起初是为传统的发薪日贷款（Payday Loans） 提供在线替代的产品。发薪日贷款因借款人承诺在发薪日还款而得名。由于美国传统的信用风险评估体系无法覆盖全部的人群，大约15%的人因没有信用评分而被银行排斥在外，无法获得基本的信贷需求。除了解决传统信用评估体系无法解决的无信用评分借贷问题，ZestFinance还主要面向传统信用评估解决不好的领域，将信用分数低而借贷成本高的人群视为服务对象，利用大数据技术降低他们的信贷成本。与传统信贷管理业务比较，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%。
ZestFinance目前也正在向信用风险管理的其他领域纵深扩展，2014年2月ZestFinance宣布推出基于大数据分析的收债评分（Collection Score），旨在为汽车金融、学生贷款、医疗贷款提供一种新的评分系统。ZestFinance的未来发展方向是希望把其在这种发款日的贷款上的优势继续拓展到其他贷款领域，包括信用卡、汽车的贷款，甚至包括房屋的贷款，在未来的10～15年，这一方法将取代现行指标，成为申请信贷的唯一评估标准。
ZestFinance引起国内的关注始于2013年7月，当时全球第三方支付平台PayPal联合创始人、美国知名投资人彼得·泰尔（Peter Thiel）领投了ZestFinance的2000万美元融资。
为什么要进行大数据评估传统的信用评估服务无法覆盖全体人群，特别是弱势群体
图1展示了美国FICO评分与其对应的人口分布情况，初始每个人的分值基数为850分，信用评分模型利用征信数据从多个评分因素考察消费者的信用风险，从850分中减分。大致来看，美国个人消费者信用评分人群分布状况呈现两头小中间大的形态，信用分数处于750～850的人群有40%之多，其中信用分数在800～850大约占总人数的13%，在750～799超过总人数的25%，这是整个信用社会的中间阶层，对应于美国的中产阶级。其中，美国个人消费者的平均FICO评分为678。从图1可以看出，还有大量的人群远低于平均的678分，如FICO评分在550～549的占8%，在500～549的占5%，小于499分的占2%。根据FICO的标准，如果人们未能如期还款，或者缺乏借贷经历，他们就会自动被视为风险人士，他们的贷款也就会被惩罚性地给以更高的利率。还有一种可能，那就是他们的贷款申请会被拒，无论是否事出有因。比如，遇到了医疗紧急事故，或者最近刚刚移民美国。表1根据FICO评分将服务人群分为四个区间，并对应不同的金融服务机构。信用记录不完整或者不够完善的个人消费者，依据传统信用评估体系（FICO评分），往往很难被传统金融服务机构所覆盖，即使在金融体系发达的美国也无法获得常规的金融服务，或者需要付出很大的代价才能获得常规的金融服务。
传统信用评估模型信息维度比较单一
传统的FICO评分模型的基本思想是比较借款人信用历史资料与数据库中的全体借款人的信用习惯，检查借款人的发展趋势跟经常违约、随意透支，甚至申请破产等各种陷入财务困境的借款人的发展趋势是否相似。如图2所示，它主要从五个方面考察用户的信贷资质。但随着信贷业务的进一步开展，FICO信用评分由于单一的标准、严苛的门槛和片面的评估结果而饱受诟病。
传统的信用评估模型虽然在进行信用风险管理过程中发挥了很大的作用，如曾经促进了美国房贷市场的飞速发展。但在大数据背景下个人消费者出现许多信息维度，如电子商务、社交网络和搜索行为等，传统信用评估模型解决问题的能力越来越受限。
传统信用评估模型时间上比较滞后
虽然FICO评分仍然体现风险排序，但其预测绝对风险的能力和在2008年金融危机中的表现饱受指责，图3展示，FICO分数从2005年到2011年在美国人口中的分布基本上没有大的变化，这和2008年金融危机爆发之后出现大量坏账的现实严重不符。
由于传统的基于FICO评分的信用评估模型覆盖人群窄、信息维度单一、时间上滞后，所以，在大数据时代，需要探索信用评估的新思路。国外三大征信机构和FICO公司都已经开始了如何利用大数据技术来完善传统信用评估体系的前瞻性研究，如益百利（Experian）投入研究团队关注社交网络数据对信用评分的影响，FICO公司多年前就开始了在线评估的信息工具和基于互联网的信用评估系统的项目研究。
ZestFinance大数据信用评估的实践
ZestFinance的基本理念是认为一切数据都是和信用有关，在能够获取的数据中尽可能地挖掘信用信息。ZestFinance对大数据技术的应用主要从大数据采集和大数据分析两个层面为缺乏信用记录的人挖掘出信用。
大数据采集技术
ZestFinance以大数据技术为基础采集多源数据，一方面继承了传统征信体系的决策变量，重视深度挖掘授信对象的信贷历史。另一方面，将能够影响用户信贷水平的其他因素也考虑在内，如社交网络信息、用户申请信息等，从而实现了深度和广度的高度融合。
ZestFinance的数据来源十分丰富，依赖于结构化数据的同时也导入了大量的非结构化数据。另外，它还包括大量的非传统数据，如借款人的房租缴纳记录、典当行记录、网络数据信息等，甚至将借款人填写表格时使用大小写的习惯、在线提交申请之前是否阅读文字说明等极边缘的信息作为信用评价的考量因素。类似地，非常规数据是客观世界的传感器，反映了借款人真实的状态，是客户真实的社会网络的映射。只有充分考察借款人借款行为背后的线索及线索间的关联性，才能提供深度、有效的数据分析服务，降低贷款违约率。
如图4所示，ZestFinance的数据来源的多元化体现在：首先，对于ZestFinance进行信用评估最重要的数据还是通过购买或者交换来自于第三方的数据，既包含银行和信用卡数据，也包括法律记录、搬家次数等非传统数据。
再次是网络数据，如IP地址、浏览器版本甚至电脑的屏幕分辨率，这些数据可以挖掘出用户的位置信息、性格和行为特征，有利于评估信贷风险。此外社交网络数据也是大数据征信的重要数据源。
最后，直接询问用户。为了证明自己的还款能力，用户会有详细、准确回答的激励，另外用户还会提交相关的公共记录的凭证，如水电气账单、手机账单等。
多维度的征信大数据可以使得ZestFinance能够不完全依赖于传统的征信体系，对个人消费者从不同的角度进行描述和进一步深入地量化信用评估。
大数据分析模型
图5展示了ZestFinance的信用评估分析原理，融合多源信息，采用了先进机器学习的预测模型和集成学习的策略，进行大数据挖掘。首先，数千种来源于第三方（如电话账单和租赁历史等）和借贷者的原始数据将被输入系统。其次，寻找数据间的关联性并对数据进行转换。再次，在关联性的基础上将变量重新整合成较大的测量指标，每一种变量反映借款人的某一方面特点，如诈骗概率、长期和短期内的信用风险和偿还能力等。然后将这些较大的变量输入到不同的数据分析模型中去。最后，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。
其中，ZestFinance开发了10个基于机器学习的分析模型，对每位信贷申请人的超过1万条数据信息进行分析，并得出超过7万个可对其行为做出测量的指标，在5秒钟内就能全部完成。这10个模型以如下的方式进行投票：让你最聪明的10个朋友坐在一张桌子旁，然后询问他们对某一件事情的意见。这种机制的决策性能远远好于业界的平均水平。
近年来，这种基于大数据的信用风险评估框架（远不能称为主流的信用评估方法）被国内外多家互联网金融机构采用，如德国的Kreditech、美国的Kabbage，以及国内最近获得IDG公司A首轮4000万元投资的闪银（Wecash）等，对传统的信用体系形成了冲击。
如表2所示，将这种将基于大数据技术的信用评估体系和传统信用评估（以美国的征信体系为例）相比，发现主要的区别有以下几个方面。
（1）从服务的人群来说，新的信用评估体系可以服务没有被传统征信体系覆盖的人群，即没有征信记录的人群（美国的征信体系能够覆盖85%的人群，覆盖不到15%的人群）。
（2）从数据源来说，这种新的信用风险评估体系大量采用非传统的信用数据，包括互联网上的行为数据和关系数据，传统的信用数据（银行信贷数据）的比重仅占到了40%，甚至完全不用传统的信贷信用数据进行风险评估。
（3）从关注的侧重点来看，传统的信用评估模型更关注授信对象的历史信息，致力于深度挖掘。而新的信用评估体系更看重用户现在的信息，致力于横向拓展。
（4）信用量化评估的方式也发生了改变，新的信用评估体系抛弃了只用很少变量的FICO信用评分模型，基于大数据技术，不仅采用机器学习的模型，而且使用更多变量，一方面可以使信用评估的决策效率提高，另一方面还明显降低了风险违约率。
对中国互联网金融和信用评估的启示
利用大数据技术的信用评估方法在现实中有着很大的市场需求，如国内快速发展的互联网金融中的风险管理问题。目前互联网金融处于快速的发展过程中，根据银监会的统计，目前国内可查的P2P网贷公司已经达到1200家。信用风险评估是P2P网贷的核心问题，存在很多挑战，如很多信贷客户没有或者是缺乏银行的信贷记录。在应对风险控制的挑战时，ZestFinance受到了互联网金融机构的热捧，目前国内多家互联网金融机构正在和ZestFinance洽谈合作，认为这种利用大数据技术的信用评估方法是解决国内互联网金融和普惠金融的信用风险管理问题的灵丹妙药。然而对于ZestFinance的大数据征信技术，还需要有全面的认识。
（1）ZestFinance的大数据征信是完善和更新传统征信系统的积极尝试，而不是替代品。美国的金融体系比较健全，而且信用体系也比较健全，这是ZestFinance赖以生存的土壤。ZestFinance的服务人群定位比较清晰，并且有完善的征信体系做支撑，ZestFinance并不是完全摆脱传统征信体系，在ZestFinance进行信用评估时，传统征信数据要占到至少30%。中国的金融生态环境和美国还是有一定的差别，ZestFinance的经验不能直接照抄照搬，需要进行消化吸收，结合中国的实际情况来进行大数据征信。另外，生活在互联网时代，面对大数据技术的发展，美国三大征信机构以及FICO也已经开始大数据征信方面的研发（作为常规的数据源更新的一种方式），但截至目前，尚未形成独立的信用评估手段。
（2）ZestFinance的体量不大，目前仅为10万美国人提供了服务，在美国的影响力有限，真实的效果目前还很难总体评价。截至2013年7月，ZestFinance的C轮融资达到2亿美元。
（3）ZestFinance的大数据分析模型也给信用风险管理带来复杂性的挑战。传统的基于FICO的信用评估方法，处理的变量比较少，对每一个变量进行细致地处理，并且可以给出合适的解释，模型的透明性可以方便地在银行的不同部门之间进行沟通，而且便于个人消费者对分数的理解。ZestFinance的基于大数据的数以千计的变量规模和多模型使得数据的处理和模型的解释变得比较复杂，在实际应用中会带来许多麻烦。
（4）大数据的应用要注意个人的隐私保护。ZestFinance在利用个人消费者的大数据进行信用评估时，很多数据会涉及个人隐私，如对于个人社交网络的数据（微信朋友圈）和电商交易的数据、通话记录、微博的数据等应用，美国对个人隐私的保护是有明确的边界的。而国内关于个人隐私方面的保护目前处于空白，已经出现国内一些互联网金融公司为了进行信用评估，忽视个人消费者的知情权和隐私保护。因此在利用大数据进行信用评估的时候，要考虑使用个人隐私的合规性前提。
虽然以ZestFinance为代表的新兴信用评估体系还不够成熟，但是为征信业的变革注入了活力，特别是对于中国的征信体系的建设会有一定的启示作用。
（1）普惠金融需要挖掘更多人的信用。国内目前真正发挥作用的征信体系主要是央行的征信系统，所覆盖的人群还是非常有限，远远低于美国征信体系对人口的85%的覆盖。目前我国个人有征信记录的仅有约3.2亿人，约占13.5亿人口中的23.7%。国内数量庞大没有被传统征信体系覆盖的人群同样也需要信用服务，享受金融普惠，这就需要探索征信的新思路。
（2）互联网上的海量信息可以成为征信体系的新数据源。ZestFinance的大数据实践的重要方面就是大量地利用互联网上的数据作为征信的数据源。中国目前是世界上互联网人口最大的国家，截至2013年12月，中国网民规模达6.18亿人，互联网普及率为45.8%，其中手机网民规模达5亿人，继续稳定增长。2013年中国网络购物用户规模达3.02亿人，网络使用率达到48.9%。截至2013年12月，我国使用网上支付的用户规模达到2.6亿人。这些海量而且丰富的互联网数据资源可以被国内征信体系建设很好地利用，通过分析互联网上这些信用主体的基本信息、交易行为信息和金融或经济关系信息，同样可以挖掘出这些信用主体的信用模式。
（3）大数据技术可以使得“一切数据皆信用”成为可能。以大数据为代表的IT新技术的应用，给征信体系建设带来了新的思路，原来海量庞杂、看似无用的数据，经过清洗、匹配、整合和挖掘，可以转换成信用数据，而且信用评估的效率和准确性也得到了一定程度的提升。新的信用风险体系的一个颠覆性的基本思想是一切数据皆信用，这是需要大数据技术来支撑的。国内征信体系的建设应当关注大数据技术的应用和发展，并加大投入，勇于实践。
2016年度CEO峰会暨猎云网创投颁奖盛典，参选评奖及参会报名火爆开启，详情——猎云网
本文来自猎云网，如若转载，请注明出处：/archives/80915
扫码关注猎云网
1.猎云网原创文章未经授权转载必究，如需转载请联系官方微信号进行授权。
2.转载时须在文章头部明确注明出处、保留官方微信、作者和超链接。如转自猎云网（微信号：ilieyun）字样。
3.猎云网报道中所涉及的融资金额均由创业公司提供，仅供参考，猎云网不对真实性背书。
热门关键词
用心服务创业者
扫码关注微信平台征信行业的盈利模式，怎么赚钱？
征信业务收入由基础征信服务收入和信用衍生服务收入构成。
1）基础征信服务收入：征信机构出售信用报告、提供信用评分取得的收入（美国三大信用局的征信报告一份是30美元左右，国内央行征信中心对个人查询本人信用报告收费为第3次及以上每次收取25元服务费）；
2）信用衍生服务收入：征信机构在信用评估的基础上，对外提供的决策分析服务、精准营销服务和消费者客户服务等取得的收入。
征信行业的盈利能力如何？
海外征信机构净利率能够达到15%左右。参考美国市场化主导的征信体系，我们看到经过长时间充分竞争，最终在个人征信领域，益百利（Experian）、艾可菲（Equifax）和全联（TransUnion）成为美国最主要的3家征信机构，其中益百利、艾可菲2011年以来营业净利率平均在15%附近。
征信市场的爆发点在哪？
市场对于信用的需求，尤其是个人征信市场需求非常旺盛，其中有两个重要的拐点。
1）消费金融在中国的兴起。中国经济在经历了靠投资拉动经济增长的阶段后，会逐步将重点转向内需领域，从而再衍生到消费金融领域。支持消费金融很重要的一个条件就是个人征信，而传统的个人征信体系无法完全有效满足当前多元化的消费需求；
2）异军突起的P2P市场。P2P经过快速野蛮生长，参与者发现P2P平台蕴含的风险越来越大，因此也产生了对信用信息的强烈需求。
大数据征信怎么做？
随着大数据时代的到来和发展，可用于评估人们的数据越来越丰富，如电商的交易数据、社交类数据（强社交关系如何转化为信用资产）、网络行为数据等，来自互联网的数据将帮助金融机构更充分地了解客户。
1）侧重电商：芝麻信用。芝麻分来自淘宝、支付宝的数据占30-40%，综合考虑个人用户的信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度的信息；
2）侧重社交：腾讯信用。通过社交网络上的大量信息，比如在线时长、登录行为、虚拟财产、支付频率、购物习惯、社交行为等，得出用户信用得分；
3）侧重运营商：聚信立。综合个人用户运营商数据、电商数据、公积金社保数据、学信网数据等，形成个人信用报告；
4）侧重信用卡：51信用卡。根据用户的信用卡数据、开放给平台的电商数据所对应的购买行为、手机运营商的通话情况、登记信息等取得多维信息的交叉验证，确定用户风险等级。
一、 征信是什么？
（一） 征信行业产业链
征信是指按一定规则合法采集企业、个人的信用信息，加工整理形成企业、个人的信用报告等征信产品，有偿提供给经济活动中的贷款方、赊销方、招标方、出租方、保险方等有合法需求的信息使用者，为其了解交易对方的信用状况提供便利。
征信产业链由上游的数据生产者、中游的征信机构及下游的征信信息使用者三者构成，其中中游的征信机构主要负责数据收集、 数据加工处理及销售产品，其核心竞争力则在于数据源完整度，数据覆盖人群完整性以及数据的分析画像能力。
1） 数据生产者： 自然人、法人和其他组织在日常生活和经营中，在金融机构、政府部门和其他企事业单位中产生了大量与信用相关的数据和信息。 数据公司就是采集或做一些数据的初步挖掘，这类公司可能会有特殊的数据源，例如法院、公安等这些数据都是需要深入行业背景才能拿到。
2） 征信机构： 负责对数据的收集、加工处理及销售产品。 第一环节是数据收集，其来源比较广泛， 不仅有其自身收集的数据，同时也会向第三方一些数据公司去购买一些数据回来，丰富它数据的维度， 有利于征信机构更加全面的掌握信用状况； 第二环节是对数据进行标准化处理，例如美国信用局协会制定的用于个人征信业务的统一标准数据报告格式和标准数据采集格式； 第三环节是对海量数据进行处理，进而形成信用产品，包括评分、报告等，最后提供一些征信级的解决方案。
3） 征信信息的使用者： 是指征信的解决方案最后给到谁来用。 可应用于各种场景中，比如个人租房，办理贷款业务等等。
（二）征信公司的盈利模式
征信业务收入由基础征信服务收入和信用衍生服务收入构成。
1） 基础征信服务收入：征信机构出 售信用报告、提供信用评分取得的收入（ 美国三大信用局的征信报告一份是30 美元左右，国内央行征信中心对个人查询本人信用报告收费为第 3 次及以上每次收取 25 元服务费） ，应用场景主要集中在金融领域；
2） 信用衍生服务收入： 征信机构在信用评估的基础上，对外提供的决策分析服务、精准营销服务和消费者客户服务等取得的收入。
基础征信服务和信用衍生服务收入比例与征信行业发展水平有关。 征信行业发展水平越高，信用体系越完善，信用衍生服务越发达。美国征信业的发展经验表明，成熟市场个人征信机构的基础征信服务和信用衍生服务收入基本相当，美国的 Experian 收入结构中， 基础征信服务收入占比 48%，信用衍生服务收入占比 52%。
海外征信机构净利率能够达到 15%左右。 参考美国市场化主导的征信体系， 我们看到经过长时间充分竞争，最终在个人征信领域，益百利（ Experian）、艾可菲（ Equifax）和全联（ TransUnion）成为美国最主要的 3 家征信机构， 其中益百利、艾可菲 2011 年以来营业净利率平均在 15%附近。
二、 征信历史和体系？
（一）征信行业发展历程
我国的征信行业起步较晚，经过 20 年的发展，形成了以人民银行征信中心为主导，民营征信机构为补充的混合经营格局。 目前人民银行已经建立起覆盖全国的公共征信网络，民营征信机构业务逐步向市场化迈进，整个行业进入快速发展期。 我国征信行业发展可分为初步探索、区域性平台搭建、央行集中统一平台主导、市场化改革四个主要阶段。
中国企业征信和个人征信起步的时间不同，前后相差十几年，所以征信市场公司强弱的格局也不一样。 2014 年，央行开始给征信企业发放牌照，企业征信实行备案制，个人征信实行审核制。
1） 企业征信发展历程： 20 世纪 80 年代后期，为适应企业债券发行和管理，中国人民银行批准成立了第一家信用评级公司 ——上海远东资信评级有限公司。 1993 年，专门从事企业征信的新华信国际信息咨询有限公司开始正式对外提供服务。此后，一批专业信用调查中介机构相继出现。 1996 年人民银行在全国推行企业贷款证制度。 1997 年，上海开展企业信贷资信评级。 2003 年，国务院批准人民银行设立征信管理局， 上海、北京、广东等地率先启动区域社会征信业发展试点，一批地方性征信机构设立并得到迅速发展，部分信用评级机构开始开拓银行间债券市场信用评级等新的信用服务领域，国际知名信用评级机构先后进入中国市场。 2005 年银行信贷登记咨询系统升级为全国集中统一的企业信用信息基础数据库。
2） 个人征信发展历程： 我国的个人征信体系建设，最早是从 1999 年 7 月中国人民银行批准上海自信有限公司试点开始的。 2004 年人民银行开始组织商业银行建设全国统一的个人征信系统， 并于同年 12 月中旬 在 15 家全国性商业银行和 8 家城市商业银行在全国 7 个城市的联网试运行， 2005 年 8 月底完成与全国所有商业银行和部分有条件的农村信用社的联网运行，经过 1 年的试运行，与 2006 年 1 月正式运行。央行征信系统弥补了我国个人征信行业的空白，至今依然是中国最权威的个人征信系统。 2015 年 1 月，央行印发了《关于做好个人征信业务准备工作的通知》，要求 8 家机构做好个人征信业务的准备工作，标志着中国个人征信业向市场化、商业化发展迈出了坚实的第一步。
（二）征信体系模式种类
一个国家的征信市场大小取决于政府设定的运营结构。 征信体系的运营模式可以划分为市场主导型、政府主导型和会员制三种结构，运营主体越市场化，则市场规模越大。
1） 市场主导型（以美国为代表）： 征信机构以营利为目的，收集、加工个人和企业信用信息，为信用信息使用者提供独立的第三方服务。在社会信用体系中，政府一方面是促进信用管理立法，另一方面是监督信用管理法律的贯彻执行。
2） 政府主导型（以法国为代表）： 中央银行建立的“中央信贷登记系统”为主体，兼有私营征信机构的社会信用体系。中央信贷登记系统收集的信息数据主要是企业信贷信息和个人信贷信息。该系统是非营利性的，系统信息主要供银行内部使用，服务于商业银行防范贷款风险和央行进行金融监管及执行货币政策。
3） 会员制（以日本为代表）： 以行业协会为主建立信用信息中心，为协会会员提供个人和企业信用信息互换平台，通过内部信用信息共享机制实现征集和使用信用信息的目的。协会信用信息中心不以营利为目的，只收取成本费用。
我国征信体系采用政府主导的模式，公共征信为主，社会征信为辅。 1 ）公共征信中心：央行个人、企业征信系统基本覆盖全国传统信贷市场，是中国征信体系的基础； 2）社会征信机构，社会第三方征信机构重点服务于中下游，作为完善、补充央行征信系统的重要组成。
三、 征信市场的爆发点？
（一） 个人征信市场将迎来爆发
市场对于信用的需求，尤其是个人征信市场需求非常旺盛，其中有两个重要的拐点。 1 ）消费金融在中国的兴起。中国经济在经历了靠投资拉动经济增长的阶段后，会逐步将重点转向内需领域，从而再衍生到消费金融领域。支持消费金融很重要的一个条件就是个人征信，而传统的个人征信体系无法完全有效满足当前多元化的消费需求； 2） 异军突起的 P2P 市场。 P2P 经过快速野蛮生长，参与者发现 P2P 平台蕴含的风险越来越大，因此也产生了对信用信息的强烈需求。
1） 传统金融： 近年来我国个人消费贷款、个人经营性贷款（小微贷款）、住房按揭贷款稳步增加，在需求端为未来个人征信业务发展打下良好基础。
1 ）消费贷款：最近五年消费贷款复合增速高达 34%， 伴随着我国经济转型对刺激消费的迫切需求，以及居民收入和消费能力的提升， 消费贷款未来将是一片蓝海；
2）小微贷款：虽然过去两年受经济下行拖累，小微企业经营困难导致小微贷款总量增长放缓，但利率市场化后小微贷款仍是银行业的主要发力方向；
3）伴随政府鼓励房地产去库存，个人住房按揭贷款未来也会保持平稳增长。
2） 互联网金融： 自 2007 年以来， P2P 网贷、第三方支付、互联网保险、虚拟信用卡、网络银行、股权众筹等互联网金融业态相继出现并成熟，尽管许多互联网金融公司和民间机构有强烈的征信数据需求，但并不在央行征信系统服务对象之列。以 P2P网贷平台为例，按照规定，目前既不能直接接入央行征信中心查询客户信用信息，也不能征信中心报送借款人的相关信贷信息，大大增加了平台运营风险，较容易出现在不同平台间重复借贷、只贷不还仍能贷款的问题。另外，众筹、第三方支付的发展也产生了大量身份识别、反欺诈、信用评估等多方面征信需求。
（二）个人征信市场竞争格局
我国目前的个人征信体系格局主要分为公共征信和民营征信。 1 ）公共征信机构在中央层面是央行征信中心， 地方层面上是上海资信中心； 2）民营征信机构主要是央行批准行征信准备工作的 8 家公司，包括芝麻信用、腾讯征信、深圳前海征信、鹏元征信、中诚信征信、中智诚征信、拉卡拉信用、北京华道征信。
在 2015 年之前，个人征信市场是央行个人征信一家独大的局面。 因为政府的强势数据整合能力，在央行的个人征信报告中，有较为全面的政府系统信息，包括个人与配偶申请的所有信用卡信息（开立注销与消费额度等）、贷款记录、欠税记录、强制执行记录、民事判决记录、行政处罚记录、电信欠费记录和联系信息等。但这些政府或国有系统之外的信息，比如个人的消费行为数据，央行就没有。
央行个人征信的覆盖率水平偏低。 央行征信中心有效覆盖了 8.6 亿人信息，但仅有 3.5亿人拥有信贷记录，而另外 5 亿人在央行征信系统中则只有基本信息，尚属征信的空白市场。对比美国 92%的个人征信渗透率，我国 个人征信记录覆盖率只有 35%，即便考虑到中国 55%的城镇化率，城镇人口个人征信覆盖率也仅为 61%， 这反映了我国 的征信系统建设仍然任重道远。
民营征信迎来春天，弥补央行征信覆盖面不足。 由于近些年互联网金融的迅速发展和潜在个人信用风险的加剧， 2015 年 1 月，央行公布了首批获得个人征信牌照的 8 家机构，央行要求这 8 家机构在 2015 年下半年，经审批产品和服务后，陆续向市场提供个人征信服务。这意味着中国的个人征信市场将从“央行征信”过渡到“民营征信”的多元格局，个人征信数据维度也将全面扩充，充分整合互联网的线上线下信息，丰富个人信用评分的算法。
节选自招商证券日发布的报告《全民征信时代开启，大数据推动创新》。
转载请注明来自36大数据（)： &
除非特别注明，本站所有文章均不代表本站观点。报道中出现的商标属于其合法持有人。请遵守理性，宽容，换位思考的原则。