(电子商务研究中心讯)　　随着《征信业管理条例》出台，至2014年底，有50多家企业征信机构完成备案，到2015年初，央行又批复8家个人征信机构，这其中有互联网巨头开设的、有保险公司等金融机构开设的，有老牌征信公司，以及拥有数据资源的新兴公司，第一批持牌经营征信业务的机构正式诞生，我国征信市场步入多元化发展。

　　全球征信行业发展各异，市场自然垄断

　　全球征信行业的发展道路不一，没有统一范式。如：法国、德国、意大利属于政府驱动型模式，借助于中央银行建立的“中央信贷登记系统”，强制金融机构定期提供金融数据；美国、加拿大、英国是市场驱动型模式，民营征信机构来收集、加工个人和企业的信用信息，为需求方提供产品和服务；日本采用的是行业协会会员制模式，银行行业协会建立征信机构“日本个人信用信息中心”，负责对消费者个人或企业进行征信，会员银行可以共享信息。

　　以上三种模式，在市场特征呈现自然垄断，行业外溢效应突出，表现为行业规模孝社会效益大。(以美国为例，Experian，TransUnion、Equifax及FICO模型提供商作为征信核心机构，覆盖85%左右的美国公民率，90%的金融机构使用其作为授信重要参考标准。)

　　国内征信机构模式单一，竞争压力剧增

　　中国的企业和个人征信发展是典型的市场需求驱动型的发展模式，在没有健全的法律法规、没有优秀的实践先例的情况下，国内征信机构均是根据市场需求和国际经验，以传统的“信用报告+增值服务”的商业模式来运营的(以央行征信中心为例：个人和企业征信报告+动产融资质押登记和应收账款融资服务等增值服务)。

　　同时，一批狼性十足、不按常理和规则出牌、以领先技术与征信相结合的市场新入者正在进入征信行业。他们以互联网新金融、大数据新业态进入行业，最惯用的策略是靠炒作去忽悠公众，博眼球赚名头挣市场份额；同时，通过股权联盟、兼并重组、技术革新占领市场，获取市场优势。我们的很多行业，如汽车、零售、支付等都经历过或正在经历这些变革。

　　央行征信中心作为目前行业基础和先行者，以及作为“金融信用信息基础数据库”专业运行机构的天然优势毋庸置疑(截至2014年10月底，征信系统收录1963万户企业及其他组织和8.5亿自然人)。而且央行征信中心也绝不会仅仅满足于面向社会征信机构开放数据，只做“数据批发商”。在依法行政和社会治理、经济管理转型发展的大环境下，他们不可避免地面临着去行政化、去垄断化、去专营化的态势，面临市场竞争的压力会与日俱增。

　　仅有数据难以形成核心竞争力

　　纵观国外情况，在激烈的竞争环境下，经过长期的博弈和兼并，市场形成自然垄断，而生存下来的机构都有很强的竞争力。在我国，最终可能也只会有少数几家大型征信机构，但仅以“信用报告+增值服务”这种单一的商业模式是很难在竞争中取得优势的，那么征信机构在未来的发展凭什么安身立命？

　　有很多声音说是数据，数据是征信机构的核心，数据质量是征信机构的生命线。央行坐拥8亿多个人、近2000万企业数据，但是他们的服务能力、响应市场需求的速度、服务平台是和互联网企业完全不能比较的。而互联网巨头公司所谓的大数据征信停留在“看上去很美”的阶段，海量的网上交易流水数据和网络社交平台行为信息，也是对征信系统数据的“注水”过程(《征信业管理条例》明确征信系统已经定位为“金融信用信息基础数据库”，这一定位决定了征信系统服务的核心在金融领域)。如网上交易频次、交易爽约次数、网购假货差评、网购退货记录、网上社交行为等记录，无论描述性的、纪实性的还是属于“污点”性的记录，很难被主流金融机构所运用。

　　在数据被所有机构都重视并开始沉淀数据、把控数据质量时(法律允许所有征信机构都可以依法获得纳入征信数据分析维度的信息，就意味着目前所有的征信机构，都有获得这些信息的权利)，征信机构在市场竞争中凭什么生存？

　　美国新兴机构ZestFinanc的“服务能力和应用场景”

　　ZestFinance是美国一家成立于2009年的专门提供信用评估服务的机构，服务人群定位比较清晰，一是信用记录不完整或者不够完善的人群(约占总体15%)，二是信用分数低而借贷成本高的人群。ZestFinance利用大数据技术重塑审贷过程，为这些难以获得传统金融服务的个人创造可用的信用，降低他们的借贷成本。

　　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。这里要强调的是，作为一家新兴互联网金融公司，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%。

　　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。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。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。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。

　　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。

　　ZestFinance打造了一个“以传统征信体系+大数据技术”的服务平台，为难以获得传统金融服务的个人提供信用评估服务，同时，也正在向信用风险管理的其他领域纵深扩展，创造一个又一个的应用场景，如ZestFinance推出的收债评分(CollectionScore)，具体应用在汽车金融、学生贷款和医疗贷款。

　　ZestFinance的体量虽然不大，目前仅为10万美国人提供了服务，在美国的影响力也有限，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。

　　中国式的“大数据征信+FICO评分”

　　在中国，虽然没有像美国那样完善的征信体系做支撑，但同样有传统征信与大数据征信技术相结合并且发挥很强化学作用的实例。北京宜信致诚信用评估有限公司(简称：致诚征信)作为互联网金融“一哥”宜信的子公司，在从事征信领域有着显著优势。致诚征信打造了一个金融云平台为自身的大数据采集和分析所服务。

　　金融云平台打通了宜信及其合作伙伴的数据。宜信在P2P行业有9年积累，用户已过百万。实际上，只要与宜信有过接触的用户，他们曾提交过的信用报告、联系人信息、教育水平、工资单、银行流水等一系列传统征信数据。同时，还有线上和线下的合作伙伴所提供的数据源。同时，通过金融云平台，致诚征信专门做了一个搜索引擎，在获得个人授权许可的情况下，搜索引擎会抓取个人在互联网上留下的电商购买数据、搜索引擎数据、社交数据等多个维度的数据。除此之外，还有大量散落在网上的公开数据，这些数据也会被抓取。

　　与ZestFinance一样，致诚征信所采集的数据也是结构化的数据以及大量非结构化的数据，而要通过相应的数据分析和挖掘技术输出每个人的信用评估结果，就要赖以致诚征信金融云平台的机器学习智能化分析。致诚征信开发了十余个基于机器学习的分析模型，对每个人的超过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。在此基础上预设一些规则引擎(可以理解为一些基础的算法)，引导系统做出一些基本的判断和决策。这种机制的决策性能远远好于业界的平均水平。未来，收集和整理数据的门槛会降低，而利用机器学习进行数据分析和挖掘的能力会成为关键。

　　在金融云平台强大支持下，致诚征信首席科学家郑茂林博士(曾在美国FICO公司工作多年，负责决策优化、信用评分模型技术的研究和开发，由其发明的大规模决策优化算法获美国专利，每年为FICO公司带来数千万美元的收入)利用其在FICO的经验，结合中国国情及金融云平台大数据分析结果设计专有预测模型，能够挖掘出历史数据关联性，用以对未来事件进行预测，最终用分数来表示事件发生的可能性。同时，以社交网络分析技术，进行身份识别和社交网络分析，理清不同组织、个人、事件等实体之间的关系，在这个基础上能长出很多应用场景，比如获客、实时授信、产品个性化推荐、贷后管理等。这些技术在信用评估和反欺诈领域都是顶尖的实践。

　　事实上，征信产业链是一个相对简单的链条，从上游到下游分别是：数据供应商、征信核心机构、征信需求方。不难看出，笔者在这里列举的中外典型案例中征信机构均是以强大的服务平台为依托，在此基础上建立不同的应用场景进行纵深扩展，而且其基于大数据的信用评估模型也越来越受到关注和效仿。大数据征信给我们这样一个逻辑，多维数据可以在征信领域广泛运用，关键是找到一种合适的商业模式，达到社会认同的商业效果。（来源：未央网）