征信宝官网
口述：唐宁 | 采访、整理：张雨忻、闫舒媛
年初，央行宣布启动个人征信牌照准备工作，个人征信瞬息成了风口。金融机构和互联网公司都希望盘活自身的数据资源，进入征信领域，同时传统征信企业也希望利用专业优势快速转型。作为一家老牌P2P企业，宜信拥有数百万P2P客户数据，近年来也成立了大数据创新中心，希望综合自身数据优势和互联网上大量公开数据布局大数据金融。这其中，征信就是少不了的一环。作为宜信的CEO，唐宁也解读了他对宜信征信业务的定位以及对国内外征信市场格局的看法。
中美征信环境差异巨大
中国与美国的征信环境差异很大。在美国，FICO已经作为一个成熟的征信模型被广泛应用，而国内在征信模型在FICO的基础上需要做很多本土化调整。虽然宜信引进了很多具有FICO背景的中高管，并且，宜信的征信模型与FICO模型背后的逻辑是一样的，但我们并不会直接使用FICO模型。
举个例子，在获取客户信息方面，美国的相关机构可以通过征信局直接获取，但我们还需要客户自己提交可以自证信用的信息，或是客户自己从征信中心拿到征信数据后提交给我们。在此基础上，我们还需要进行反欺诈检验，而国外的大部分模型由于默认其从征信局获得的数据都是真实的，所以并没有反欺诈这个模块，这就是在本土化中需要改造的地方。
利用自身数据所长获取征信数据
国内的征信数据基础不如国外，征信体系不完善，整个征信业务的探索尚处在早期。因此，目前从事征信业务的机构也都是利用各家数据之长在摸索。
目前，宜信主要通过央行的征信数据、用户提交的数据和通过公开场合及互联网公开渠道上获得的数据来开展业务。
首先，宜信从客户那里获得他在央行征信中心的数据，同时也会让客户在提交数据时尽量提供多维的、完善的个人数据，拿到数据后宜信会逐条予以核实。
其次，宜信还通过自有的搜索引擎抓取数据，在获得用户授权许可的情况下抓取用户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，并通过特定算法转化为信用评估数据。
再次，宜信也向合作机构拿取数据，这些合作机构既包括线上的互联网公司也包括线下各个业务领域内的公司，如小贷公司、房屋中介等。
不过，好的数据模型需要通过数据量的不断积累来完善。宜信早期的征信模型是通过借鉴国外的征信模型以及国内相应领域的专家意见所完，随着数据量的积累会，数据模型也会得到不断完善。
宜信征信业务的场景定位
国内的征信市场还处于很早期的阶段，还可能发生很多创新。对于宜信来说，我们一直提供P2P类的服务，所以获取了大量与之相关的客户数据。并且，为了做好信用评估，我们也建立了自己的信用评估模型。基于这一点，可以说宜信的数据能力相对比较专注。即使我们去延展数据能力，试图解决自身企业之外的、行业之中的问题时，也会与自己长期专注的领域密切相关。
征信应该聚焦行业性的大问题，而宜信关注的行业问题则是“一人多贷”，这是金融行业中一个全球性的问题。我们的做法是：首先把自己的数据拿出来，并且允许其它机构查询，了解借款人是否在宜信平台上借过款，这是一个重要的信息维度；其次，我们把自己的违约客户名单共享出来，并呼吁行业内其它机构也参与共享，形成一个违约客户的“黑名单”。目前，宜信已经推出了专门的征信产品——致诚阿福——来解决金融小贷行业的“一人多贷”和信用评估能力建设等问题。
被“放大”的国内征信市场
目前，征信的应用有两个基本方向：首先是对客户进行信用风险评估；其次是通过信用数据聚焦于某一类客户（比如获取高端客户），从而以更精准的方式获客。
在国内谈征信的范围比较广，大家把数据服务都纳入到了征信范围内。顾名思义，广义上的征信就是获取信用信息，这种“大征信”的范畴可以放大到数据服务、信用信息获取、信用信息评估等领域。但从狭义的角度来理解，征信的社会服务意味更强——征信机构从不同的数据源获取数据，然后生成数据报告，售卖报告。同时，对个人用户而言，如果他发现自己的征信报告中的信息有误，还能够向征信局提出异议，调整修改。而现在通过大数据的方式获取数据、进行信用评估，不是属于狭义征信范围内的服务。
征信牌照的意义
征信业务有不同的范畴，其中有的业务必须由有征信牌照的机构来做，比如传统的央行征信业务——向机构提供信用报告、并允许客户提出修改。但事实上目前并没有来自民间的机构在做这样的事情，或许在有了牌照之后，一些机构会加入到这个行列中来，在社会层面来看，这对于加固信用基础、普及信用使用来说都大有益处。
但随着互联网公司加入征信业务大潮，我们越来越倾向于把广义的数据服务都纳入到征信范围内，这其中很多服务其实是不需要征信牌照的。广义上来讲，很多数据服务的模型及创新模式，在经过客户授权后都可以拿来做很多事情，而不一定非要拿到征信牌照。但问题在于，是不是拿到了牌照就意味着相关机构可以更深度的、甚至不经客户授权的使用客户数据？怎样在便利和安全中寻找到平衡一直都是使用客户数据过程中的难题。可以说，牌照的意义在于给了大家一个使用数据的标尺，让数据的使用有法可依。
征信业务的细分化与场景化
模式创新和技术创新在推动征信领域和数据领域不断演进，同时不同的机构有不同的选择，它们会基于自己的业务逻辑在数据使用上采取不同的策略，都是征信这个业务链条中的一环。
举两个例子。一种是美国数量众多的小征信局，他们的业务就是去地方（以县为主）拿取政府公开的纸质相信记录，然后将其转化成电子版，并提供给银行等金融机构使用，使其进入到相关机构的信用评估模型中去。另一种服务则是向客户提供申请录入服务。具体来说，客户可以联系机构，基于其信用行为（比如连续按期偿还贷款），要求机构核实其信用信息，经过核实之后，提供服务的公司可以把这个信息提供给金融机构。所以说，在一个征信环境相对成熟的体系中，征信业务的分工明确，不同机构的场景清晰。
美国的三大征信局有着明显的共性：FICO提供模型，它们来做服务，主要服务于金融机构的信用评估和客户获取。再看国内，征信业务还是处于发展早期，对于不同的机构来说是各有各的场景、各有各的深度和广度。宜信的定位就是金融场景，可以说，宜信与阿里、腾讯等互联网企业解决的是不同场景下的信用问题。
中国在征信模型的有效性上已经有了一些突破，其中阿里芝麻分就应用于一些小额生活场景。但是一个征信模型能否把风险真正控制住，还需要时间的检验。信用服务是具有时间延续性的，这是与互联网服务最大的差别。
虽然目前征信服务的场景化应用已经越来越普遍，但目前能做到场景化的即时征信还是有一定的局限性，或是额度偏小，或是基于有数据积累的既有客户（比如蚂蚁微贷平台上的商户）。如果第一次认识客户就向其提供较大额度的授信仍然很难控制风险。所以说征信体系的完善没有捷径，需要依靠数据的积累和时间的检验不断完善模型。
———————————————
免责声明
本文由作者授权企鹅智酷发表，企鹅智酷拥有本文的独家版权，转载请注明出处。文中所述为作者独立观点，不代表企鹅智酷立场。
