网络征信行业分析报告.docx

网络征信行业分析报告.docx

《网络征信行业分析报告.docx》由会员分享，可在线阅读，更多相关《网络征信行业分析报告.docx（9页珍藏版）》请在冰点文库上搜索。

网络征信行业分析报告

2016年网络征信行业分析报告

2016年8月

目录

一、互联网时代下网络征信爆发可期3

1、传统征信行业背景概述3

2、互联网冲击下对网络征信行业的需求爆发4

二、ZESTFINANCE：

大数据征信的领跑者8

1、公司经营模式与独特之处9

2、zestfinance征信的数据来源9

3、Zestfinance征信的模型开发与分析11

4、Zestfinance征信相对于传统征信的优势13

三、芝麻信用：

大平台生态下的佼佼者14

1、芝麻信用数据来源16

2、芝麻信用评估模型16

3、芝麻信用的领先优势与运用17

四、互联网金融的基石，空间巨大，相关公司将明显受益17

一、互联网时代下网络征信爆发可期

1、传统征信行业背景概述

征信是依法收集、整理、保存、加工自然人、法人及其他组织的信用信息，并对外提供信用报告、信用评估、信用信息咨询等服务，帮助客户判断、控制信用风险，进行信用管理的活动。

中国的公共征信机构和民营征信机构并存。

截止2012年底，有政府背景的公共征信机构20家左右，其中央行下属的征信中心负责设立全国金融信用信息基础数据库，包括个人信用信息基础数据库和企业信用信息基础数据库，同时民营征信机构有50家左右。

全国金融信用信息数据库建成使用，包括个人信用信息数据库和企业信用信息数据库。

截至2012年底，企业信用信息数据库覆盖了近2000万家机构，有贷款信息的机构数有900万家，个人信用信息数据库覆盖了82亿自然人，有贷款记录人数近3亿。

中国目前的征信体系正处于由政府公共征信主导向企业市场化征信主导的过程，我们参考美国市场化主导的征信体系，看到经过长时间充分竞争，最终在个人征信领域，益百利（Experian）、艾可菲（Equifax）和全联（TransUnion）成为美国最主要的3家征信机构；在企业征信领域，邓白氏（Dun&Bradstreet）是全世界最大、历史最悠久和最有影响的公司。

这四家公司提供基本征信服务和相关衍生服务，客户涵盖各个行业，业务遍及世界各地。

四家征信公司占据美国征信业约70%的市场份额。

个人消费和金融业务的持续增长催生了巨大的征信需求，市场化全面多样的征信服务又刺激了消费信贷和金融业务量的增加。

目前美国市场化征信产值预计约700亿，中国人口总数是美国的4倍，市场化征信的发展前景广阔。

2、互联网冲击下对网络征信行业的需求爆发

互联网在交易和金融领域的渗透产生大量线上征信需求。

随着中国互联网和移动互联网的飞速发展，特别是电子商务交易额逐年快速增加和互联网金融的爆炸式增长，在线交易、第三方支付、在线理财、P2P网络借贷、电商供应链金融、众筹投资等模式方兴未艾。

根据网贷之家公布的最新数据，截至2014年年底，我国网贷运营平台达到了1575家，仅去年一年成立的平台数量就超过900家，累计成交量高达2528亿元，是2013年的239倍；网贷行业总体贷款余额达1036亿元，是2013年的387倍。

14年12月，美国P2P公司LendingClub上市再次点燃国内P2P热潮，LendingClub利用科技降低了审贷成本，提高了借贷双方交易的效率。

但我国由于征信体系缺失，历史数据少，网贷平台很难获得足够数据（评级模型也还需要大量数据支持），因此国内平台一般采用本金保障制度。

国内P2P网贷平台的信用风险和流动性风险不断加大，自2011年以来不断有报道出国内网贷平台跑路，11年问题平台就有10家，14年问题平台进入高发期，平台倒闭、负责人跑路现象频发。

2014年出现提现困难或已倒闭的P2P平台达到275家，较上

一年大幅增长，给整体行业的健康发展蒙上了一层阴影。

国内P2P行业风险迫切需要完善国内网络征信体系来支持。

大数据、云计算技术为互联网征信快速增长提供科技支持和传统征信数据主要来源于借贷领域有所不同，脱胎于互联网的信用数据来源更广、种类更丰富，时效性也更强，涵盖了信用卡还款、网购、转账、理财、水电煤缴费、租房信息、社交关系等方面。

互联网产生数据最大的特征是实时，留有痕迹，容易追踪，相对于传统线下的采集和整合更加全面和准确。

但同时过于琐碎和大量的信息业对数据的存储和挖掘、分析计算能力有极高的要求。

大数据、云计算技术的发展正好将这一问题迎刃而解。

大数据征信利用社交网络、电商网站、网贷平台中产生的大量碎片化数据，非结构性特征强，挖掘其中相关性被放在更加突出的位置。

云计算则通过利用安全的中央网络和存储能力来增加效率，同时允许

他们使用专有的硬件部署来运行关键业务应用程序，为用户提供了效率和安全的保障数据挖掘技术和计算能力的提升为互联网征信的飞速发展提供了坚实的技术基础。

二、Zestfinance：

大数据征信的领跑者

ZestFinance，原名ZestCash是美国一家新兴的互联网金融公司，2009年9月成立于洛杉矶，由互联网巨头谷歌（Google）的前信息总监梅瑞尔（DouglasMerrill）创办。

公司精通于数据计算、分析和逻辑，旨在为那些个人信用不良或者不满足传统银行贷款资格的个人提供信用支持服务。

1、公司经营模式与独特之处

ZestFinance研发团队主要由数学家和计算机科学家组成，专注于提供信用评估服务，旨在利用大数据技术重塑审贷过程，主要面向传统信用评估解决不好的领域，将信用分数低而借贷成本高的人群视为服务对象，利用大数据技术降低他们的信贷成本。

与传统信贷管理业务比较，ZestFinance的处理效率提高了将近90%，风险控制方面，ZestFinance的模型相比于传统信用评估模型性能提高了40%。

2、zestfinance征信的数据来源

ZestFinance的数据来源十分丰富，依赖于结构化数据的同时导入了大量的非结构化数据。

一方面，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，将这类数据作为分析的重要数据源；另一方面，大量的非传统数据，如借款人的房租缴纳记录、典当行记录、社交数据、用户申请信息等，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，这类非结构数据是公司区别于传统征信方法的主要特点，公司认为非常规数据可以更加真实的反映借款人的状态和社会网络映

射。

在充分考察借款人借款行为背后的线索及线索间的关联性，就可以提供深度、有效的数据分析服务，降低贷款违约率。

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、网络登入数据信息等，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。

类似地，非常规数据是客观世界的传感器，反映了借款人真实的状态，是客户真实的社会网络的映射。

只有充分考察借款人借款行为背后的线索及线索间的关联性，才能提供深度、有效的数据分析服务，降低贷款违约率。

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。

3、Zestfinance征信的模型开发与分析

在拥有大量数据来源之后，通过ZestFinance研发团队中大量数学家和计算科学家的努力，开发出较传统FICO更加有效的分析模型，利用大数据技术重塑审贷过程，为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。

传统的FICO评分模型的基本思想是比较借款人信用历史资料与数据库中全体借款人的信用习惯，检查借款人的发展趋势跟经常违约、随意透支，甚至申请破产等各种陷入财务困境的借款人的发展趋势是否相似。

FICO主要从五个方面考察用户的信贷资质。

但随着信贷业务的进一步开展，FICO信用评分由于单一的标准、严苛的门槛和片面的评估结果而饱受诟病，特别是大量曾经有过信用记录或者没有基础数据的移民，无法得到有效评分，进而获得金融服务。

而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。

在ZestFinance平台的分析模型中大约有70000个变量，然后使用一些机器学习算法进行分析。

一旦机器承接了大

部分的工作，那么人类只需要根据分析结果进行一些逻辑分析和判断。

ZestFinance最早仅有信贷审批评分模型，随后不断细化其评估模型来支持不断推出新的信用风险业务。

2013年第一季度推出了催收评分，14年推出了市场营销评分、汽车贷款和法律催收，目前已经开发出八类信用评估模型，用于不同信用风险评估服务。

第一步，大量和借贷者相关的原始数据及关联数据都将被输入系统。

然后，Zestfinance可以通过寻找数据间的关联性并对数据意思进行转换。

再次，在关联性基础上将转换的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。

通过将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。

其中，ZestFinance开发了10个基于机器学习的分析模型，对每位信贷申请人的超过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。

这10个模型以如下的方式进行投票：

让你最聪明的10个朋友坐在一张桌子旁，然后询问他们对某一件事情的意见。

这种机制决策性能远远好于业界的平均水平。

4、Zestfinance征信相对于传统征信的优势

Zestfinance通过大数据收集和分析，对不同借款人进行全新的信用评估，相对于传统征信模式取得了以下优势：

1更低的获客成本和营销成本。

通过网络技术将大量存量数据提取与分析，节约了传统征信公司通过物理网点人工获客的成本，而更加快速的数据采集和评估、以及用户申请的广度，也极大降低了营销成本。

2相对更低的首次贷款违约率（Firstpaydefault，FPD）。

2012年初起，ZestFinance的首次还贷违约率在5%上下不断波动，但2013年初随着模型的改进，通过ZF评估后的首贷违约率在不断下降，并

明显低于其他竞争对手。

3更加高效评估过程与评价结果。

公司差不多每一个季度就会新推出一个新的信用评估模型，目前已经有14个模型。

ZestFinance评分模型的改进也提高了其信用风险评估水平，并不断提升给出相对优质评分结果的时间效率。

三、芝麻信用：

大平台生态下的佼佼者

芝麻信用管理有限公司是合法独立的信用评估及信用管理机构，其推出的芝麻信用是面向社会的信用服务体系，依据方方面面的信息，运用大数据及云计算技术客观呈现个人的信用状况，通过连接各种服务，让每个人都能体验信用所带来的价值。

类似于美国的FICO评分，芝麻信用通过网络数据的收集和评估

对不同的个体给出相应的芝麻分，综合考虑了个人用户的信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度的信息得出的。

其中，信用历史主要参考信用账户往常的还款记录及信用账户历史，行为偏好是指在购物、缴费、转账、理财等活动中的偏好及稳定性，而履约能力是指享用各类信用服务并确保及时履约的能力等。

身份特质是指在使用相关服务过程中留下的足够丰富和可靠的个人基本信息，包括从公安、学历学籍、工商、法院等公共部门获得的个人资料，未来甚至可能包括根据开车习惯、敲击键盘速度等推测出的个人性格。

履约能力包括享用各类信用服务并确保及时履约，例如租车是否按时归还，水电煤气是否按时交费等。

信用历史是指过往信用账户还款记录及信用账户历史。

目前这一块内容大多来自支付宝，特别是支付宝转账和用支付宝还信用卡的历史。

人脉关系是指好友的身份特征以及跟好友互动的程度。

根据“物以类聚人以群分”的理论，通过转账关系、校友关系等作为评判个人信用的依据之一。

其采用的人脉关系、性格特征等新型变量能否客观反映个人信用，但目前还没有将社交聊天内容、点赞等纳入参

考。

行为偏好是指在购物、缴费、转账、理财等活动中的偏好及稳定性。

比如一个人每天打游戏10小时，那么就会被认为是无所事事；如果一个人经常买纸尿裤，那这个人便被认为已为人父母，相对更有责任心。

芝麻分在350至950分之间，目前主要分为“较差”“中等”“良好”“优秀”“极好”五个区间表现，分值越高，信用越好。

1、芝麻信用数据来源

芝麻信用的数据来源主要基于互联网，涵盖了信用卡还款、网购、转账、理财、水电气缴费、租房信息、住址搬迁历史、社交关系等方方面面。

但征信是专业性非常强的领域，目前芝麻征信等民营征信机构无法和央行的征信系统对接，普遍存在选取维度不够、数据源有限等问题。

因此，芝麻信用将通过积极拓宽应用场景，探索风控加强监管。

值得注意的是公司的分数评价中来自淘宝、支付宝等“阿里系”的数据仅占30%-40%，其余数据来自公共部门及合作商家，此外也有用户自行提交的数据。

芝麻信用主要通过三个渠道扩充数据源：

第一是新增合作商

家，加强信息共建；第二是打通更多公共部门，获取更多公共数据；第三是鼓励用户自行上传资料，包括结婚证、房产证、银行账单等。

芝麻信用已经与租车、租房、婚恋、签证等多个领域的伙伴谈定了合作，并将很快试验性地对外提供服务，通过让租车、租房、婚恋、签证等多个领域企业采纳芝麻信用数据，将更多的拓展信用场景，进而得到更多的数据来源。

当芝麻分达到一定数值，租车、住酒店时可以不用再交押金，网购可以先试后买，办理签证时不用再办存款证明，贷款时可以更快得到批复、拿到比别人更低的利率。

2、芝麻信用评估模型

据蚂蚁金服介绍，芝麻信用的评分模型类似于银行违约概率模型，以线性回归和逻辑回归为主，其中也包括决策树分类、神经网络等机器学习技术。

芝麻信用模型所采用的数据维度多达几万个，这些维度大致分为之前介绍的五个类型：

身份特质、履约能力、信用历史、人脉关系、行为偏好。

它是基于众多数据模型和指标计算得来的。

其次，信用是一个长期累积提升的过程，芝麻分参考了国际上主流的个人信用评分模式，将区间设定在350-950，不同区间代表了不同信用水平。

正常情况下，一个人信用信息是相对稳定的，反映在芝麻分上也会保持相对稳定。

芝麻分是芝麻信用根据当前了解的信息，运用大数据方法综合评估而得，这个信用提升是一个循序渐进的过程。

而模型的建立和修正也是一个持续的长期过程。

在用户隐私保护方面，一切以用户授权为准。

这其中阿里巴巴集团并非向芝麻信用主动提供数据，而是在用户授权之后，公司从淘宝平台提取用户数据，继而进行综合评分，用户不授权，则不能提取数据。

3、芝麻信用的领先优势与运用

芝麻信用在数据源、信用模型和数据源的广度等方面都非常有优势。

1）蚂蚁金服拥有3亿实名用户，覆盖近一半中国网民，涵盖上百种场景数据。

2）严密的云计算信用模型系统体系：

自动用户评估系统，用户画像信息档案，关系识别与评价，个人评分系统。

3）互联网用户识别覆盖度60%，评分区分能力好。

依托于支付宝的合作和阿里巴巴的电商背景，芝麻信用在互联网数据来源和质量上有先天优势，加上阿里云等的技术支持，我们认为芝麻信用将最早从互联网征信行业中脱颖而出，成为中国网络征信的领跑者。

四、互联网金融的基石，空间巨大，相关公司将明显受益

网络征信作为未来互联网金融发展的基石，面对14年中国23万亿的居民信贷总额，123万亿的电商交易额，千家以上的P2P公司，发展空间巨大。

介入网络征信领域的相关公司将受益明显，建议关注我们计算机组推荐的飞利信（政府端大数据）、银之杰（票联、参股征信公司）、安硕信息、中科金财，传媒组推荐的东方财富。