近日，八家民營征信公司終于結束央行布置的大考。這就意味著，個人征信牌照將在近日頒發。一旦牌照正式頒發，就將打破央行征信中心一家獨大的格局，我國征信行業也將呈現“百花齊放”，而各大征信機構推出的個人征信產品勢必成為大眾關注的新焦點。截至目前，阿里旗下的芝麻信用分、騰訊信用分、拉卡拉的“考拉分”、中誠信征信的“ 近日，八家民營征信公司終于結束央行布置的大考。這就意味著，個人征信牌照將在近日頒發。一旦牌照正式頒發，就將打破央行征信中心一家獨大的格局，我國征信行業也將呈現“百花齊放”，而各大征信機構推出的個人征信產品勢必成為大眾關注的新焦點。截至目前，阿里旗下的芝麻信用分、騰訊信用分、拉卡拉的“考拉分”、中誠信征信的“萬象分”、華道征信的“豬豬分”、前海征信的“好信度”等都已陸續上線或開始內測，并且開始嘗試與機構合作測試。百家爭鳴的征信行業是否能長驅直入，大步邁進，其應用市場前景會是乘風破浪抑或只是場“希望在田野上”的意淫，其中趨勢尚待探究！

細數評分維度，民營征信補全場景金融數據

金融市場的大小不僅取決于人口市場規模的大小，也受消費者信用引起的金融系統風險的大小影響，而征信體系則是金融業的根基和保障。曾經一家獨大的央行中心已表現出明顯的不足：采集的征信信息在用戶多樣性，場景碎片化的當下越來越狹窄變得不合時宜。以芝麻信用分為首的個人信用評分，開始成為征信機構市場化運作的先驅，隨后其他民營征信機構紛紛推出自己的征信產品和評分制度，他們都是通過對海量信息數據的綜合處理和評估為客戶評分或評級從而直觀呈現用戶信用水平，其中評判的標準和維度大同小異。以芝麻信用為例，構成芝麻分的五個維度是：信用歷史、行為偏好、履約能力、 身份特質、人脈關系。這和傳統征信數據主要來源于借貸領域有所不同，脫胎于互聯網背景的民營征信體系數據資源更加豐富征信數據來源更加廣泛，各家除了基礎的個人基本信息、貸款信息、信用卡信息、信貸領域以外的信用信息等金融數據外，也在收集來自生活、電商等其他數據，甚至有人猜測，淘寶差評記錄、滴滴打車爽約、騙取保費時偽造個人信息等都將成為個人征信報告中的“污點”。另外數據采集也從線下轉移到線上，用戶信息呈現立體化、多元化、碎片化趨勢，當然個人線上生活痕跡更容易被記錄，因為這背后剛好是集社交、購物大成者的騰訊、阿里等在支撐。再者民營征信機構產品線更加豐富，比如還有評分體系，更深層次的模型、精準營銷以及大數據的服務等，總之我國征信評分體系開始用豐富多樣的“社交數據”或“電商數據”等場景數據去融合“金融數據”從而全面展示用戶信用數據降低風險，這恰好移動互聯大數據下的場景數據對金融數據的補充和完善。但這是否就代表更加科學更加優質的征信體系和行業生態？作為用戶，我們如何去評判這種變化是進步還是陷阱，是該積極擁抱還是消極旁觀，征信產品的價值到底在哪？在此基礎衍生出來的應用場景又將呈現怎樣的面貌？

回歸用戶，征信產品的應用場景在哪？

回答這些問題的前提是先確定評判的標準。網絡時代，數據就是信用，信用就是財富，而征信產品的價值大小取決于以下3條：

1、客觀事實呈現。各家征信企業個人征信數據是否全面完整體現個人信用狀況，來源渠道是否有效？民營企業的征信報告是否能和央行報告結合，互相參考、印證？評分系統從大量數據中提煉出來的預測信息和行為模式是否符合客戶信用表現的普遍性規律？

2、評估標準一致。實施過程中是否受審批人員的主觀感受、個人偏見、喜好和情緒等影響？審批人員人工經驗是否會加大審批的隨意性和不合理性？場景用戶不同的情況下，其評估和決策的標準是否相同？

3、評價準確監管公平。依托于大數據、運用統計技術科學是否能準確預測客戶各方面表現的概率？是否能讓金融機構準確地衡量風險、收益等各方面的交換關系，找出適合自身的風險偏好和收益的最佳平衡點?民營征信企業中，個別企業之間還存有多種業務交叉點，這種競合關系是否會影響最終評價的準確性，以及如何規避篡改個人數據等不正當競爭？個別監管征信公司既做基礎數據，又出個人評級報告，即是裁判又是選手，他們的信用如何監管？
 

既然標準確定，那又該如何使得征信評分系統更加科學優質。曾在Equifax多年任職首席統計學家現任國內首家互聯網消費金融公司馬上消費金融首席數據官的George恰好提供了部分答案：“模型的實質是靠找到人的本質特征來預測行為，我們在美國做的所有案例都表明金額征信數據是最能代表人的本質特征，別的數據達不到這樣的效果。只有算法而沒有適合建模的數據，由此得到的模型預測效果不理想”。因此，價值評判的難點就落在找到適合建模的數據上。正如George從技術角度的解釋：“評價模型效果的指標可以參考KS(Komolgorov-Smirnov)和Lift Chart。模型的好壞和KS(Komolgorov-Smirnov)指數不是線性關系，KS在25以下基本是隨機模型，KS在70以上實際中基本達不到，FICO在美國的模型差不多在50左右。

這樣看來8家民營征信機構給我國帶來的“社交數據”或“電商數據”至少算是金融征信體系的新鮮血液，為評價模型提供了新的數據來源。盡管“電商數據”“社交數據”在金融風控中是否有效還需等待驗證，但這在事實上增加了數據資源，一是金融數據資源，二是社交等場景數據資源，這樣只要對泛場景大數據的充分挖掘就可能催生出更加科學的評價體系和更安全的金融消費環境，同時對使用場景的開發也有極大的促進作用。目前騰訊征信、阿里征信以及前海征信已經為P2P、小貸公司、消費金融以及中小銀行提供相關的風控管理。傳統的征信機構鵬元征信、上海資信等也將網貸、小貸、消費金融公司作為目標市場。其中消費金融、網貸成為首當其沖的“主戰場”。

近年，得益于消費金融行業潛力大、政策利好、國民信貸需求旺盛等因素，互聯網消費金融成為金融業的“新貴”，2017年，互聯網消費金融整體市場規模更將突破千億元大關。但目前我國的消費金融業仍處于初期，滲透率較低、基數較小，消費信貸理念正逐步擴散，征信與評級更是消費金融產業鏈上缺失的環節，獨立的第三方催收服務也未成型。一旦阿里、騰訊為背景的征信機構順勢借助電商、社交為基礎的生態系統來開發上下游的消費金融需求并提供風險控制服務就可解決目前消費金融行業個人信用數據不開放、信用信息分散和相互屏蔽等狀況，并大大降低風控成本。正如George所言，個人消費金融企業成功的關鍵在于其風控系統，尤其是信用風險模型的精準度。而消費金融領域的風險主要為兩類，第一類是欺詐風險，這是主官預謀的，是犯罪行為，這種風險的防范要靠事前模式識別和事后的信息共享以及執法。第二類是信用風險，這是由人的行為模式決定，模式的改變需要有主觀的認識和有意識的糾正。尤其是我國個人征信起步不久，個人信貸不夠普遍，需要正確的引導和教育來讓消費者意識到信用的價值，改正一些行為模式以增加和維護信用。另外信用風險的管理關鍵在于識別風險和找到對應措施。識別風險的最佳方式莫過于精確量化每一個消費者的信用風險，而措施則在于對消費者有一個全面了解，了解他們的行為，了解他們對消費金融的價值，然后有一個量化的價值和風險的平衡。這需要各征信機構建立公開平臺分享場景金融數據，甚至分享有知識產權的數據產品。同時金融機構也可如鵬元、馬上消費金融一樣積極自主開發信用風險模型，建立完善的信用收集、分析、評估和監督體系。作為消費金融公司，也應發揮自身優勢，利用互聯網和大數據，加強與互聯網消費金融平臺的合作，積極探索，挖掘內部交易數據信息，審核落實客戶信息真實性，準確識別客戶信用風險。

除了消費金融，網貸也已成為征信機構開拓業務的主要市場之一。征信公司主要為金融機構的借貸業務提供風控服務。但目前征信機構提供的產品與國內網貸平臺的業務需求仍未完全契合，尤其是P2B(企業和企業主）的需求，模型也有限。騰訊征信等互聯網背景的公司提供的更多是個人征信，而傳統征信公司則受地域限制，如鵬元、上海資信等作為地方性征信平臺，數據主要集中在各自所在的區域，但網貸平臺業務卻分布在全國。另外征信機構還需適應我們網貸平臺的業務多元性，畢竟除了人人貸、拍拍貸等少量P2P平臺外，更多平臺都涉及企業經營借貸業務。要知道就連消費貸和經營貸這兩種業務所需的征信模型都不一樣，網貸細分市場還需區別對待，征信產品決不可有“一招鮮、吃遍天”的妄想，網貸正在等待更加個性化針對性的征信體系。

總之征信行業的健康發展不是一家獨大，也不是標準化模板化的生搬硬套或“一刀切”。應用場景中期待在競合之中找到平衡點，并提高征信準確性增強用戶體驗的征信產品。