如何在3分钟内掌握个人征信的基础框架 |小课堂

如何在3分钟内掌握个人征信的基础框架 |小课堂
2017年05月28日 09:25 洪言微语

今天这篇文章,以干货为主,是我自己的学习笔记,梳理了个人征信行业的一些基础知识,可以帮助大家建立起对个人征信行业的基本认识框架,感兴趣的同学建议收藏起来,以备不时之需。当然,也欢迎在朋友圈分享,也许可以帮到更多的人。

此外,关于个人征信,大家有什么想法或补充,也欢迎留言(订阅号:洪言微语)分享~

按照服务的市场不同,可把征信机构分为个人市场、企业市场和资本市场三类。

个人市场,主要服务于个人征信评估,国内代表性机构为中国人民银行征信中心、8家个人征信试点机构、其他大数据征信服务机构;国际上代表性机构为亿百利Experian(英国)、爱克非Equifax(美国)、全联Trans Union(美国)、Schufa(德国)、意大利中央信用调查处等。

企业市场,主要服务于企业端征信评估,国内代表性机构为人民银行征信中心、135家企业征信机构;国际上代表性机构为邓白氏Dun & Bradstreet(美国)、格瑞顿Graydon(荷兰)、帝国数据银行(日本)、东京商工(日本)等。

资本市场,主要服务于债券和股票等资本市场信用评估,国内代表性机构为大公国际、中诚信、联合资信;国际上代表性机构为穆迪、标准普尔和惠誉。

二、个人征信机构的发展历程

国际上

从美国情况看,个人征信机构兴起于1920年代,大众消费文化刺激了个人信贷需求增长,大萧条的发生导致个人违约率上升,社会开始关注个人征信,个人征信机构开始崛起。

之后,美国相继出台了一系列个人征信相关的法律,开始形成规范化的征信体系。

1980年代,银行跨区域经营催生了全国性的个人征信需求,美国个人征信市场步入整合期,机构数量由2250多家骤降至300余家,并最终形成了以益百利Experian、爱克非Equifax、全联Trans Union三大征信局为主,300家地方性征信机构为辅的个人征信格局。

从机构属性上看,美国、英国、瑞士、瑞典等国家均为私人征信机构。法国、希腊、土耳其等国家均为公共征信机构。

德国、意大利、西班牙、日本等国则既有公共征信机构,也有私人征信机构,其中德国还有以行业协会为主体的会员制模式,为其会员提供一个信用信息共享的平台,相比之下,行业协会的信息收集和使用都较为封闭,仅对内部会员企业开发。

我国情况

2013年3月,我国首部征信行业法规《征信管理条例》开始实施;

2013年12月,中国人民银行制定的《征信机构管理办法》正式施行;

2014年6月,国务院出台了《社会信用体系建设规划纲要(2014—2020年)》,明确到2020年,基本建成以信用信息资源共享为基础的覆盖全社会的征信系统;

2015年1月,央行下发《关于做好个人征信业务准备工作的通知》,同意8家社会机构开展个人征信业务试点;

2016年11月,央行下发《关于加强征信合规管理工作的通知》,要求各相关机构开展征信合规自查自纠工作,加强个人信息保护。

新华社瞭望智库联合前海征信发布的《中国社会信用体系发展报告2017》显示,从工商注册信息看,市场上与“征信服务”相关的公司有2000家左右,其中有资质的不足5%。

除了央行征信中心、已经完成备案的企业征信和8家个人征信试点机构外,其他征信类服务机构主要以下面三种形式存在:

一是电商平台利用自身积累的海量交易数据构建的商业征信模式;

二是P2P网贷等尝试建立自身征信数据库;

三是涌现的围绕大数据征信领域的第三方技术和服务机构。

三、个人征信2.0时代的来临?

个人征信业务,主要涵盖数据的采集、整理、分析和应用(信用产品)等四个环节,传统的征信主要涉及以下信息:一是个人基本数据;二是金融数据,主要是信贷和信用卡相关数据;三是公共数据,包括税务、工商、法院、电信、水电煤气等部门的数据;四是个人信用报告查询记录。

数据源经过征信公司处理后,形成信用产品,广泛应用于金融机构、政府、公共服务机构、雇主企业及其他单位和个人的征信查询需求。

以美国为例,三大征信局不仅可以输出FICO评分,最为基本变量广泛接入定制化的客户应用和工具,还可为客户提供个人资产预测、破产预测、收入预测服务,同时还可超越风险领域,为客户提供智能化营销服务。

在移动互联网时代,数据的留存渠道和维度指数级提升,产生了大量的新型数据,如交易数据、社交数据、行为数据、兴趣数据等,如何把这些数据纳入到征信体系中去,成为新的课题。

随着一些大数据公司在这方面的探索,个人征信2.0时代正式开启。

以ZestFinance为例,在行为数据上,其基本的逻辑可分为五个步骤:

1、挖掘数以千计的不同变量,搜集相应的数据;

2、寻找这些变量之间的关联性;

3、在关联性的基础上讲这些变量重新绑定成一些比较大的变量;

4、将这些大的变量放入不同的分立的数据模型中进行处理;

5、每一个分立的数据模型给出一个分立的结论,再把这些分立的结论绑定,最终整合成一个自有的信用分数。

大数据征信模式虽然是未来行业发展的潮流,但就现阶段来看,也面临一些亟待解决的难题:

一是数据孤岛现象严重,数据不流通、数据获取成本高,不但难以收集结构化数据,而且企业机构不愿共享数据。

二是信息安全问题,监管法律尚未对信息收集种类、使用途径等作出明确界定,比如哪些数据可以采集、哪些数据不能采集等,并没有明确的界定。

三是数据所有权问题,这里面涉及到用户授权问题,同时也涉及到如何协调数据的所有者、采集者、存储者、整合者、利用者之间关系和利益问题。

四是应用场景问题,现阶段的应用仍集中于信贷领域,较为狭窄。

作者:薛洪言;微信公号:洪言微语

财经自媒体联盟更多自媒体作者

新浪首页 语音播报 相关新闻 返回顶部