大數(shù)據(jù)征信的“是與非”

傳統(tǒng)信用評估模型是根據(jù)一個人的借貸歷史和還款表現(xiàn)，通過邏輯回歸的方式來判斷這個人的信用情況。而大數(shù)據(jù)征信的數(shù)據(jù)源則十分廣泛，包括電子商務(wù)、社交網(wǎng)絡(luò)和搜索行為等都產(chǎn)生了大量的數(shù)據(jù)。

　　大數(shù)據(jù)征信可以通過我們在互聯(lián)網(wǎng)上留下的這些“足跡”清晰地描繪出一個人，但如何把控?cái)?shù)據(jù)源的“量”與“度”，各家機(jī)構(gòu)還在不斷嘗試。更重要的是，最終繪制出的人物“肖像”與個人信用究竟有多大的關(guān)聯(lián)度，至今仍存有爭議。

　　此前亦有接近監(jiān)管部門人士對《第一財(cái)經(jīng)日報(bào)》記者表示，個人征信牌照遲遲未能落地，其原因之一也在于監(jiān)管部門對于大數(shù)據(jù)征信的商業(yè)化應(yīng)用存有疑慮。尤其，以人臉識別為代表的關(guān)鍵技術(shù)的可靠性還有待進(jìn)一步檢驗(yàn)。

　　此外，“另一個更重要的癥結(jié)在于行政化監(jiān)管與商業(yè)化發(fā)展之間的矛盾?！痹撊耸勘硎?，現(xiàn)在個人征信市場的參與者越來越多，遠(yuǎn)不止申請牌照的八家機(jī)構(gòu)，如果該市場要商業(yè)化發(fā)展，那么監(jiān)管方式就要改進(jìn)。

　　何為大數(shù)據(jù)征信

　　在FICO中國區(qū)總裁陳建看來，征信的本質(zhì)就是采集和記錄信用信息并在整理加工后提供給決策者，而如今，得益于大數(shù)據(jù)、云計(jì)算、人臉識別、深度算法等技術(shù)的進(jìn)步，征信有了更廣泛的意義和用途。

　　“只要對消費(fèi)者的特征描繪和風(fēng)險(xiǎn)判斷有顯著作用的就可以叫征信?！标惤ㄕJ(rèn)為，現(xiàn)在一切信息皆可以成為信用數(shù)據(jù)，經(jīng)過分析后用于證明一個人或企業(yè)的信用狀況。因?yàn)閿?shù)據(jù)覆蓋廣、維度多，因此形成了廣義的征信，也就是大數(shù)據(jù)征信。

　　陳建表示，有價(jià)值的大數(shù)據(jù)具備幾個因素：第一要覆蓋面廣，用戶足夠多，例如銀聯(lián)、電信的數(shù)據(jù)；第二維度要有效，能夠有效轉(zhuǎn)為結(jié)構(gòu)化的數(shù)據(jù)，例如電商的數(shù)據(jù)；第三信息要穩(wěn)定。

　　不過，對于這種日益崛起的征信新業(yè)態(tài)，今年7月在上海外灘舉辦的“2015上海新金融年會”上，央行[微博]征信中心副主任王曉蕾直截了當(dāng)?shù)靥岢隽艘蓡枺拔也恢滥銈冋f的‘征信’是什么”？

　　央行的征信系統(tǒng)是一個“放貸人之間的信息共享數(shù)據(jù)庫”，主要采集的數(shù)據(jù)為身份信息、信貸信息、非金融負(fù)債信息三類，以及部分公共信息。因此，王曉蕾對于征信的基本定義為，“從放貸人那里采集借款人信息”。

　　而另一個“糾結(jié)”的概念在于，王曉蕾認(rèn)為，放貸機(jī)構(gòu)之“征信”是放貸機(jī)構(gòu)基于內(nèi)部信息的風(fēng)險(xiǎn)管理過程，而征信行業(yè)之“征信”是為放貸機(jī)構(gòu)的風(fēng)險(xiǎn)管理提供外部信息支持的活動，征信機(jī)構(gòu)應(yīng)該是一個純粹的獨(dú)立第三方。

　　如果按照這個界定，我們現(xiàn)在所談到的大數(shù)據(jù)征信跳脫了傳統(tǒng)“征信”范疇內(nèi)。不再局限于金融屬性的信息，并且也打破了“采集者與信息產(chǎn)生沒有任何關(guān)系”的獨(dú)立第三方原則。

　　例如芝麻信用、前海征信、騰訊征信，一方面它們的數(shù)據(jù)來源目前還主要來自母公司阿里、平安、騰訊，而另一方面，它們的兄弟公司又涉足放貸業(yè)務(wù)，例如阿里小貸。

　　盡管有關(guān)大數(shù)據(jù)征信的定義和效用仍爭議不斷，但對于既無法接入央行征信系統(tǒng)又面臨快速發(fā)展的互聯(lián)網(wǎng)金融行業(yè)而言，利用大數(shù)據(jù)來幫助判定風(fēng)險(xiǎn)、開拓業(yè)務(wù)已是必然的選擇。

　　從應(yīng)用范圍來看，目前大數(shù)據(jù)征信已從金融業(yè)務(wù)向生活服務(wù)蔓延。其中，最核心的兩個價(jià)值就是：防范欺詐風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)。簡單來說就是：既要證明“你是你”，還要描述出“你是什么樣的人”。

　　如何證明“你是你”

　　無論是在傳統(tǒng)金融領(lǐng)域，還是互聯(lián)網(wǎng)金融領(lǐng)域，給客戶做信用評估的前提是必須知道這個人就是他自己。所以，如何利用證明“你是你”是大數(shù)據(jù)征信首先要解決的問題。

　　尤其，隨著越來越多的金融業(yè)務(wù)互聯(lián)網(wǎng)化，“反欺詐”面臨的挑戰(zhàn)也日益增大?！吧矸菡J(rèn)證”的重要性在各項(xiàng)監(jiān)管文件中反復(fù)被強(qiáng)調(diào)，而各家機(jī)構(gòu)也在不斷探索如何利用新的技術(shù)在網(wǎng)上實(shí)現(xiàn)身份的核實(shí)。

　　其中，在指紋、虹膜、人臉識別等一系列生物識別技術(shù)中，人臉識別因技術(shù)的成熟度和準(zhǔn)確率較高，以及其使用的便捷性而被進(jìn)一步普及。包括騰訊征信、芝麻征信在內(nèi)的多家個人征信機(jī)構(gòu)都有組建自己的人臉識別技術(shù)團(tuán)隊(duì)。

　　此前，在騰訊征信的北京媒體溝通會上，為騰訊財(cái)付通、微眾銀行、騰訊征信等提供圖像和模式識別技術(shù)支持的優(yōu)圖團(tuán)隊(duì)也向大家展示了“人臉識別”在“反欺詐”方面的應(yīng)用，即如何證明“你是你”。

　　根據(jù)現(xiàn)場的演示，在上傳身份證照片、自拍照片并與公安部的信息進(jìn)行比對之后，“人臉識別”的另一關(guān)鍵步驟是活體檢測，通過讀取隨機(jī)的數(shù)字串，分析聲音和唇語等信息來防范有人用視頻、照片等方式仿冒用戶。

　　據(jù)了解，在今年國際權(quán)威的人臉識別數(shù)據(jù)庫LFW上，騰訊優(yōu)圖團(tuán)隊(duì)在人臉驗(yàn)證測試中達(dá)到了99.65%的準(zhǔn)確率。目前，微信的“人臉識別”技術(shù)已經(jīng)在騰訊征信、微眾銀行、微證券開戶等場景中開始試用。

　　盡管人臉識別的準(zhǔn)確率已經(jīng)達(dá)到較高水平，但該項(xiàng)技術(shù)的商業(yè)化應(yīng)用才剛剛起步，它的有效性和安全性仍備受質(zhì)疑。

　　優(yōu)圖團(tuán)隊(duì)研發(fā)總監(jiān)黃飛躍也表示，該技術(shù)現(xiàn)在還不能說100%地成熟，而是適用于某些特定的應(yīng)用環(huán)境中。其中，金融領(lǐng)域的身份核實(shí)條件較好，由于用戶往往是為了通過驗(yàn)證所以比較配合。

　　芝麻信用首席科學(xué)家俞吳杰表示，整個的反欺詐產(chǎn)品從身份認(rèn)證到信息驗(yàn)證再到網(wǎng)絡(luò)關(guān)聯(lián)，每一步的技術(shù)含量非常高。以身份認(rèn)證為例，現(xiàn)在已有很多的途徑，比如信息交叉比對、人臉識別技術(shù)、KBA問答認(rèn)證等。

　　他以網(wǎng)絡(luò)關(guān)聯(lián)技術(shù)為例說明：它能把所有出現(xiàn)過違約行為的身份、手機(jī)、設(shè)備等關(guān)鍵點(diǎn)都在風(fēng)險(xiǎn)庫里面分門別類地保留下來，我們可以通過一層或者多層關(guān)聯(lián)找出所有的風(fēng)險(xiǎn)點(diǎn)供合作伙伴參考，這對技術(shù)和硬件要求都非常高。

　　爭議大數(shù)據(jù)征信

　　解決了“身份認(rèn)證”的問題，接下來就要評估你的信用，即描述出“你是什么樣的人”。

　　在關(guān)于大數(shù)據(jù)征信的文章中，我們經(jīng)?？梢钥吹揭恍┌咐缃?jīng)常半夜上網(wǎng)的用戶可能被認(rèn)為沒有穩(wěn)定的工作而降低信用評分，買雙開門冰箱的用戶可能因?yàn)橛屑彝ザ庞迷u分較高，微博更新頻繁的用戶可能因?yàn)樯缃换钴S而信用評分較高等。

　　“這些考量因素被過度放大了，也許這只是用戶個人習(xí)慣而已。但每一個因素與個人信用的相關(guān)性有多大？我們還無法完全解釋，尤其當(dāng)數(shù)據(jù)源不足夠豐富時，這些評判便存在欠缺。”芝麻信用的技術(shù)專家景藝亮表示。

　　冰鑒科技CEO顧凌云在回國前曾領(lǐng)導(dǎo)并開發(fā)了ZestFinance前四代風(fēng)控模型，在他看來，大數(shù)據(jù)征信的核心并不是對某個變量極其依賴，而是把很多個都只有微小影響的變量通過非線性的算法整合在一起，從而使模型的整體表現(xiàn)更好。

　　“大數(shù)據(jù)其實(shí)并不一定就是數(shù)據(jù)量本身大，我們講求的是變量涵蓋的信息維度要多和均衡，然后才是能夠通過淺度學(xué)習(xí)和深度學(xué)習(xí)等多種復(fù)雜的算法把這些變量更有效地糅合在一起?！彼硎?。

　　王曉蕾認(rèn)為，互聯(lián)網(wǎng)記錄了借款人以前不可記錄的行為，獲得了以前無法獲取或獲取成本很高的數(shù)據(jù)，為放貸人了解借款人是誰、有沒有還款能力和還款意愿提供了新的渠道和方法。但是，相關(guān)的信息究竟如何使用有待進(jìn)一步研究驗(yàn)證。

　　王曉蕾引用2014年美國政策與經(jīng)濟(jì)研究委員會(PERC)的一項(xiàng)研究結(jié)果稱，非金融信息在信貸決策中的作用有限。例如，社交信息對于判斷借款人的還款意愿和能力暫無預(yù)測力。

　　“諸如水、電、煤、有線電視、手機(jī)等非金融信息納入征信系統(tǒng)，顯著地提高了薄信用檔案人群的信貸獲得能力，但對于厚信用檔案人群而言，邊際作用不大?！彼硎尽?/span>

　　“只有好樣本，沒有壞樣本是無法建立有效的信用評估機(jī)制的?！币诵胖琳\征信的董事總經(jīng)理趙卉表示，電商、支付、社交等數(shù)據(jù)只能作為信貸審核的參考值，而貸后數(shù)據(jù)才是強(qiáng)參數(shù)。

　　對于這種論斷，互聯(lián)網(wǎng)公司們或是不贊同的。

　　騰訊征信總經(jīng)理吳丹告訴記者，從這段時間內(nèi)測的結(jié)果來看，在模型中加入社交數(shù)據(jù)以后，對它的風(fēng)控能力有20%~25%的提升，尤其在小額貸款領(lǐng)域。因?yàn)?，通常一筆幾百塊的借款，違約發(fā)生的原因不在于借款人的還款能力而是意愿。

　　俞吳杰表示，通過大量的研究證明，人的行為數(shù)據(jù)和他的信用有直接關(guān)聯(lián)，因?yàn)樾袨楹茈y撒謊。從這段時間公測的結(jié)果來看，用戶的芝麻分越高，其貸款的違約率越低，二者呈單調(diào)、線性的關(guān)系，這也證明了芝麻分在信用評估上的有效性。

　　不過，僅僅依靠互聯(lián)網(wǎng)上的數(shù)據(jù)并不足以建立一個強(qiáng)大的信用評估體系。顯然，所有大數(shù)據(jù)征信的市場參與者都深知這一點(diǎn)?！霸谖磥?，把傳統(tǒng)數(shù)據(jù)和創(chuàng)新數(shù)據(jù)結(jié)合到一起，一定是我們要到達(dá)的終點(diǎn)?！敝ヂ樾庞玫目偨?jīng)理胡滔如此總結(jié)到。

　　顧凌云告訴記者，風(fēng)控模型本質(zhì)上還是對一個人金融還貸能力的預(yù)測和評估，所以，盡管ZestFinance大量采用非傳統(tǒng)的信用數(shù)據(jù)，但在大部分的風(fēng)險(xiǎn)評估模型中，傳統(tǒng)的信用數(shù)據(jù)(銀行信貸數(shù)據(jù))依然占有一定的比重，平均也在40%左右。