大数据征信应用与启示 ——以ZestFinance为例 _中国电子银行网
大数据征信应用与启示 ——以ZestFinance为例
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。
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（DouglasMerrill）和金融机构CapitalOne的信贷部高级主管肖恩&卜德（ShawnBudde）（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（PaydayLoans）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（CollectionScore），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（PeterThiel）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。
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。
(责任编辑：小晨)
2014夏季达沃斯论坛于9月10日至12日在津举办。
联合宣传年
“第十届中国电子银行年会”于日在北京举行
电子银行网BBS
Copyright 中国电子银行网 2009,All Rights Reserved 京ICP证080272号　京公网安备号大数据征信与“大忽悠”征信的距离到底有多远？
扫描到手机，看更多国搜资讯
您可以用手机或平板电脑的二维码应用拍下左侧二维码，您可以在手机国搜客户端继续浏览本文，并可以分享给你的好友。
核心提示：大数据征信自今年异军突起以来就被认定为“救世主”般的角色，成为资本和市场追逐的对象。被负面舆论逼入“墙角”的互联网金融更是如获至宝，感慨找到了解决风险管理的“良药”。
不过，方兴未艾的征信行业尚不足以支撑起不断扩展的商业蓝图，其最核心的独立、客观、公正、规范原则岌岌可危，稍有不慎，或将沦为一场虚有其表的“概念游戏”。
或正如征信第一股商安信CEO陈晓东先生所言，国内征信市场现在处在一个一哄而上的阶段，以后会有一个沉淀的过程，优胜劣汰，剩下来的将是具有优质数据和强大评级体系的征信机构。真正的爆发期将出现在市场沉淀之后。
那么何为征信？仿若斡旋云端、披着面纱的征信其实没那么神秘。
征信是专业化的、独立的第三方机构为个人或企业建立信用档案，依法采集、客观记录其信用信息，并依法对外提供信用信息服务的一种活动。按业务模式可分为企业征信和个人征信，按服务对象可分为信贷征信、商业征信、雇佣征信等。
我国征信业起步较晚，信用生态建设相对滞后，但在互联网时代却存在独特的机会。在互联网金融发展如火如荼之际，基于大数据技术的互联网征信应运而生，一举踏上风头浪尖，又反向推动了国内信用经济的发展。
截至2015年10月底，国内出现问题的互联网金融平台数已达到1078家，其中10月新增47家。互联网金融在一定程度上覆盖了传统金融服务盲区（央行征信系统收录自然人8.7亿多，但有信贷记录的自然人仅有约3.7亿，这意味着还有四分之三的人在申请信贷等服务时会遇到障碍），但是由于信息不对称、信息采集难等因素，一直处在野蛮生长的状态。
对金融业，征信完善了对风险的识别、判断、评估和管理，有利于加快授信过程，分级定价，降低优质借款人借贷成本，大幅提高信贷效率，以蚂蚁小贷为例，放款时间基本在3分钟以内，小则几千，多则几万。对商业，征信逐渐被作为经济运行和社会管理的标准，以此撬动的商业模式创新迅速拓展至酒店、租房、招聘、旅游等行业。
金融服务对双11的渗透融合堪称互联网征信功成名就的一役。数家电商各领风骚出新招，最终交易额也不出意外地攀上历史新高。而在公众为天猫912亿的交易数据惊叹时，有心人已经发现，今日与往年不一样的气象。
双11当天，蚂蚁花呗共发放6048万笔消费信贷，占支付宝交易总量的8.5%，与其功能相似的京东白条，同比增长800%。首次接入双11的花呗与京东白条同为信用支付产品，即基于电商平台、支付等沉淀的海量数据，借助互联网大数据、云计算等技术，经过综合信用评估后，给予用户在指定店铺享受先消费、后付款服务的信用额度，并支持分期还款。
花呗对接的是蚂蚁小贷，京东白条对接的是京东金融。互联网金融深度嵌入消费场景，凭借更具便捷性、更具场景化、更个性化的产品迅速崛起。但相比传统消费金融（银行信用卡与消费贷款），互联网消费金融在征信、风控、资金周转、催收等方面仍面临着诸多阻碍和风险。
相对于传统征信多采用信贷数据和公共机构数据作为数据源，互联网征信拓宽了数据采集维度，包括电商数据、社交数据等，一方面能更加全面的反映信用主体的情况，但另一方面，由于央行征信中心的金融数据库还未向这些机构开放，其数据评估的准确性和公信力难免被人质疑。
大数据征信的软肋
今年，在政府鼓励和市场迫切需求双重驱动下，国内掀起了一股狂热的互联网征信浪潮，电商平台、互联网公司、大数据公司、支付机构、传统征信机构、P2P平台等都是不同的代表。从应用场景创新和品牌影响力上讲，阿里、腾讯、百度等互联网公司无疑更受瞩目。从专业性上来说，商安信、中诚信等传统征信机构在评级模型、商业征信业务等方面更具优势。
相比对企业征信公司的备案制，个人征信公司的审核制显得更为严格。今年1月，央行印发《关于做好个人征信业务准备工作的通知》，首批入围的芝麻信用、腾讯征信、前海征信等8家机构在年中完成验收工作。然而时至今日，仍未下发个人征信牌照，由此足见央行的审慎态度。
首批入围征信机构大部分将信用评分作为首推产品，并快速拓展应用场景，抢占市场制高点。如芝麻征信的“芝麻分”和考拉征信的“考拉分”已经应用到酒店、租车、旅游等多个场景；前海征信的 “好信度”目前主要服务于金融信贷，华道征信已推出的“猪猪分”专门用于检验租房者信用状况，中诚信的“万象分”则可以用于就医、保险领域。
但已经有不少人心存疑虑，质疑大数据征信的含金量和可靠性：
1、 数据整合难：央行征信系统并未开放，征信机构无法获取珍贵的信贷数据，而央行对企业在小贷、租赁金融的信贷行为也难以全面掌握；公共数据广泛分散在工商、质检、海关、税务等政府和业务管理部门，虽然建设统一信用信息平台已提上日程，但数据孤岛的问题仍难解；芝麻信用、腾讯征信等所背靠的集团，以及各类P2P平台自建的征信公司本身存在业务交叉和竞争关系，共享“黑名单”易，共享“白名单”难。
2、 数据标准缺失：到底哪些信息需要列入征信评估范畴还没一个统一的界定，越来越多的信息被纳入征信范畴，交通违章、地铁逃票等似乎什么都可以往里装，这些都可能构成个人不良征信记录影响个人信贷。
3、 公信力遭质疑：“征信采集者与使用者没有任何关系”的独立第三方原则被模糊，首批入围的民营征信机构数据的采集和使用都与自身有着千丝万缕的联系，这就决定了现在市场中的很多模型只能适用于自己的小生态，同时民营征信机构既做裁判又做选手，最终评价的公正性或在市场份额争抢中失衡。
4、 评级模型五花八门：中国并不缺数据，但缺乏可以数据通用的评估模型。国内个人征信大多模仿了美国FICO的模型，但在评估维度上五花八门，加上采集的数据差异，这就造成同一个人在不同平台得到的评分可能会千差万别。而企业征信的评级模型，以及债券评级模型的严谨性、科学性在国际上并无强公信力。
业内专家指出，只根据数据分析出的规律并不全面，如果仅据此进行风控审核，难免会出现疏漏或偏差。大数据只能作为辅助手段，不能作为风控的决策依据。
日前，有媒体报道，商务部正在酝酿制定《互联网金融机构信用评级与认证标准》。中国互联网金融信息查询系统主任、《标准》制定课题组副组长徐洲指出，只有独立的第三方才能避免为利益左右，才能把促进行业规范发展放在第一位，做到客观、公正、及时的信息披露。
某金融研究机构人士分析认为，一个从各处收集数据并完成大数据征信的机构，不能是数据来源方，也不能是金融服务的提供方，这样才能避免数据打架的现象。征信行业要真正兴起，发挥应有的作用，还是需要发挥出商安信、中诚信等独立第三方征信机构的力量。
市场在哪儿
千亿、万亿？关于征信市场空间有多大的讨论一时沸沸扬扬。
平安证券发表的征信行业专题报告《计算机行业征信市场系列研究》预计，中国征信行业未来市场规模将达千亿元，其中企业征信市场规模有百亿元，个人征信市场规模有千亿元。
美国富国银行高级副总裁王强在《给中国个人征信市场估值》中预计，中国个人征信市场规模大概350亿美元。换算成人民币，超2000亿元。
不过，央行征信管理局局长王煜却给市场泼了一盆冷水，其认为征信市场容量有限，不容易赚钱，有人号称征信市场有上千亿的潜力，有忽悠的成分。资金不是最重要的，更需要技术、人才，需要反映信用信息的数据。搞攀比，抢位置，不真心干或者说没有能力干，是不可持续的。
征信属于信用服务业的一环，作为一个服务行业，它的的市场到底在哪儿？
1、 国际商贸。国内征信起初是为配合对外贸易调查的需求而产生的，包括企业和保险机构的信用核实、资信报告服务等。最早的企业征信机构是由政府部门主导建立，但其自身具有严重的局限性，后大量民营机构和外资机构介入市场。
目前来看，国内提供贸易征信服务比较成熟的民营机构仅有商安信一家，但其依托的也是世界前三的信用信息服务机构Creditreform在评级体系和数据资源上的支持。作为传统征信机构，商安信挂牌上市以来积极谋求进军互联网征信，11月份已发布三款新产品：3A-biz 2.0商业风险管理多应用平台、3A-eBiz移动端和3A-Verify。3A-biz 2.0商业风险管理多应用平台，打通了信用认证、评估、核实等应用场景和传统PC端与手机移动端的数据交换通道，与市场中偏重打分的产品截然不同，具有一定的行业跨越意义。
随着中国对外开放的升级和“一带一路”新战略的实施，贸易环节的信用服务有增无减，市场容量很大。
2、 互联网消费金融。国务院11月23日发布指导意见：积极发挥新消费引领作用，加快培育形成新供给新动力；支持发展消费信贷，鼓励符合条件的市场主体成立消费金融公司，将消费金融公司试点范围推广至全国。
在我国，可以提供消费信贷服务的主要为银行、小贷公司、消费金融公司。银行的消费信贷服务由来已久，包括信用卡和消费贷款，但是受限于审核标准，长时间的审核流程、三、四线城市开发缓慢等因素，一直处于不温不火的状态。随着金融服务与互联网不断纵深融合，互联网消费金融产品迅速崛起，成为消费金融爆发的重要力量。据艾瑞咨询公布的首份消费金融报告数据显示，预计到2017年，中国消费金融整体市场将突破千亿，三年复合增长率高达94%。而作为互联网征信作为消费金融推进的基础，市场也有随之爆发的可能。
3、 信贷业务。中小企业融资难由来已久，一方面是因为企业资质有限，缺少实物抵押，抗风险能力低，另一方面是因为银行近来随对中小企业融资虽有所倾斜，但额度仍然有限，流程依然复杂。互联网金融在一定程度上解决了这一问题，并催生了对征信的巨大需求。现今中小贷款机构在项目的风控环节主要还是靠人力审查，纸质材料传递，外加灰色渠道查央行征信。贷前黑名单扫描及贷后管理跟踪基本为空白。整体风控的效率非常低下，以及流程容易受人为因素干扰出错等。
在个人信贷方面，互联网金融提供者倾向于自建平台，合作共建行业黑名单，以规避风险提高效率。而在企业信贷方面，则更多依赖第三方征信机构的力量。在这里，就不得不提一下商安信所引入的Creditreform的SI评估模型（笔者十分看好）。和绝大多数企业评估模型侧重对历史数据分析不同，Creditreform侧重对流动性和短期偿债能力的监测，能直观反映企业近期状况与风险度。
另外，随着阿里网商银行和腾讯微众银行两家互联网银行的开业，以及其市场上各类小贷和消费信贷产品的陆续推出，传统银行以往依托于自身客户群体和线下的物理网点进行客户资料收集、信贷审核和贷款发放的传统模式必然会受到较大的冲击，预期未来银行将加强与征信机构的合作。
4、 应收账业务。信用服务业可分为前端的数据采集，中端的信用认证和信用评估，后端的资产处置。互联网征信公司大多仅从事前端和中端两部分，对后端的资产处置、应收账业务罕有涉及（难、累），目前提供这类服务的主要还是传统征信公司和第三方外包公司。
应收账业务包括企业应收账管理与金融机构应收账管理两大类。根据人民银行 2015年2 季度的数据，社会融资规模存量在 131.58 万亿，增速为 11.9%，年增长规模在 10 万亿以上。假设需要进行资产处置的资产为 1%，则市场规模达1.31万亿，空间极大，而企业应收账管理市场更是难以估计。
5、 对传统商业模式的改造。在这方面步子迈的最快的当属阿里旗下的芝麻信用，芝麻分高于600分可以免押租用永安城市自行车，在6000多间酒店免押金入住，650分以上可以在神州租车、一嗨租车信用租车，高于700分无须提供其他资料能申请新加坡签证。大数据征信应用场景拓展撬动的商业模式创新，动辄催生了一个又一个新市场，预期未来，这部分市场将把持在背景深厚的互联网征信公司手中。
作为一个新兴行业，征信业在发展初期出现混乱局面本无可厚非。但是，征信已逐渐充当起金融创新、市场运行和社会管理的基础桩，更需要慎之又慎的前行。
责任编辑：王道发
免责声明：
本页面呈现之信息，如无特别注明的，均来源于网页搜索结果，中国搜索呈现这些内容之目的在于传递更多信息，并不代表本网赞同其观点和证实其真实性。如中国搜索呈现的稿件涉及版权问题，请与我们联系。
版权说明：
凡来源标注为“中国搜索”的本网稿件，转载时请注明出处。
本文链接：
619台服务器、46台网络交换机、12PB总存储组成，10000个核运算能力，每秒计算能力10亿次。主要采用阿里云技术搭建的贵州公安交警云在今年投入使用。从交通管理到事故分析再到侦破案件，大数据在贵州正在变得无所不能。
人大代表履职开始享受大数据服务平台提供的支撑。广东省人大常委会推动实施的“代表履职支撑保障体系建设2——大数据服务”平台,经过半年研发建设初步成型。大数据服务平台开始在部分在粤全国人大代表和省人大代表中推广试用,并将在广东省十二届人大四次会议上投入使用。
“新谷歌”掌门人桑达尔·皮查伊认为，Android的用户众多，中国开发者对于Google Play有很大的兴趣，中国市场拥有巨大机遇。“谷歌希望可以找到一种模式，也可以扮演一种支持平台，未来，谷歌也有机会提供其他服务。”近期，Android Wear开始支持中文、与国内手机厂商合作中国版Google Play的预装事宜等等一系列动作，也成为业界关注的焦点。
当春雨医生发展到一定规模，如果不做骗子公司，其商业模式不可能赢利。春雨医生创始人张锐告诉记者，“一医一世界”写出上述文章时，正值今年5月份春雨医生推出的线下诊所策略，开线下诊所是春雨医生一路走过来的必然选择。
大数据风控的利器之一，即“大数据反欺诈功能”，其实质是通过对大数据的采集和分析，找出欺诈者留下的蛛丝马迹，从而预防欺诈行为的发生。“数据其实不可以改变风险，但是可以把风险量化，就如互联网金融其实改变不了金融的本质和风险，而是作为一项工具更加高效和透明去做金融。
免责声明：
凡发布在本网上的内容，除标注为“中国搜索”或“国搜”的稿件外，其他均转自第三方网站，是为传递更多信息和学习之目的，不意味着本网认可其观点或证实其内容的真实性、准确性。如有意见建议，请点击页面下方的“对国搜说”，欢迎及时反馈。
版权说明：
凡来源标注为“中国搜索”的本网稿件，转载时请注明出处。
科技热搜词
黄金周哪些景点最受欢迎，会不会被挤成饼干？