资源简介

(共39张PPT)
第八章 大数据金融与互联网征信
大数据金融
互联网征信
互联网征信的典型案例
第一节
大数据金融
第八章 第一节
大数据金融
一、大数据金融
定 义
麦肯锡公司在《大数据，是下一轮创新、竞争和生产力的前沿》的专题研究报告中对大数据下了定义，即大数据之大是指数据量大到超过传统数据处理工具的处理能力，是相对和动态的概念。此外，大数据又被引申为解决问题的方法，即通过收集、分析海量数据获得有价值信息，并通过实验、算法和模型，从而发现规律、收集有价值的见解和帮助形成新的商业模式。2012年，联合国发布大数据政务白皮书《大数据促发展：挑战与机遇》，IBM、EMC（易安信公司）、甲骨文、谷歌等跨国IT公司纷纷发布大数据产品，大数据成为席卷全社会方方面面的技术浪潮。
第八章 第一节
大数据金融
一、大数据金融
大数据的运用尚处于起步阶段，先行的企业主要是创新能力强、重视客户体验价值的互联网行业。大数据金融是互联网金融区别于传统金融最本质的因素。
大数据金融的作用机制是通过云计算等智能信息工具对序列之间的联系、动态信息数据序列进行分析，大幅度提高金融风险定价的效率，降低定价成本，有效减少信息不对称，使得单个客户的信用信息、消费倾向、理财习惯分析成为可能，在此基础上衍生出很多互联网金融的新模式。
图8-1 大数据金融是
传统金融数据+互联网金融数据
第八章 第一节
大数据金融
二、大数据金融的应用
金融授信可以说是大数据最早应用的领域之一，基于大数据对用户信用风险进行判断是一个重要的方向，尤其是在未来线下生活服务全面互联网化的趋势下，线下零售与服务的具体交易数据很可能被交易平台获得。
（一）大数据授信
大数据具有流式处理能力，可以实现对用户的动态评估，即交易风险的判断。
（二）交易风险控制
第八章 第一节
大数据金融
二、大数据金融的应用
（三）提现预测
目前互联网金融的一个很大的特点就是打破了原来流动性和收益率不能兼得的障碍，现在很多“宝宝”类互联网基金能够两者兼得。如果在技术层面能够实现大数据对互联网基金产品的支撑，会做得更高效。
（四）营销监控
与评估
大多数人都关注营销的最终效果，比如组织一场营销活动看最终转化了多少用户，其实很多环节会影响到用户的转化，包括哪些是关键影响环节，各环节对转化率的影响度是多少，用户接触情况，产品吸引性，消费滞后性等，这些都需要依赖大数据给出更准确的答案。
第八章 第一节
大数据金融
二、大数据金融的应用
（五）流失预警
通过大数据分析可以洞察用户在整个相关产品里的使用行为，预警潜在的用户流失风险和用户去向。
（六）精准营销
通过大数据，完全可以获得某个人的消费能力、喜好、习惯、社会关系等，从而可以准确地知道向他推销什么产品他会更乐意接受。
第八章 第一节
大数据金融
三、大数据金融运营模式
平台金融模式
平台金融模式是指平台企业通过互联网、云计算等信息化方式对其长期以来积累的大数据进行专业化的挖掘和分析，并与传统金融服务相结合进行服务模式创新，为客户提供资金融通的服务，以阿里小贷为代表。
供应链金融模式
供应链金融模式是指核心龙头企业依托自身的产业优势地位，通过其对上下游企业现金流、进销存、合同订单等信息的掌控，依托自己资金平台或者合作金融机构对上下游企业提供金融服务的模式，以京东、苏宁为代表。
第八章 第一节
大数据金融
三、大数据金融运营模式 （一）大数据在平台金融的运用
采用平台模式的企业平台上聚集了大大小小众多商户，企业凭借平台多年的交易数据积累，利用互联网技术，借助平台向企业或个人提供快速便捷的金融服务。
平台模式的优势在于：它建立在庞大的数据流量系统的基础之上，对申请金融服务的企业或个人情况十分熟悉，相当于拥有一个详尽的征信系统数据库，能够在很大程度上解决风险控制的问题，降低企业的坏账率；依托于企业的交易系统，具有稳定、持续的客户源。
平台模式的特点在于企业以交易数据为基础对客户的资金状况进行分析，贷款客户多为个人以及难以从银行得到贷款支持的小微企业，贷款无须抵押和担保，能够快速发放贷款，且多为短期贷款。
第八章 第一节
大数据金融
三、大数据金融运营模式 （一）大数据在平台金融的运用
阿里巴巴集团是最早进行大数据金融模式实践的公司之一。目前，阿里金融对大数据的应用主要集中在支付宝、余额宝、阿里小贷这三款产品中，主要是为了发现风险、控制风险及对风险做出预期。
表8-1 大数据在
阿里金融中的作用
第八章 第一节
大数据金融
三、大数据金融运营模式 （二）大数据在供应链金融的运用
大数据在供应链金融中的作用是为融资企业提供授信。以京东商城为例，其以未来收益的现金流作为担保，获得银行授信，为供应商提供贷款。
京东供应链金融的优势在于缓解供应厂商资金流不足的问题。
京东供应链金融的劣势在于无法做到真正的普惠金融，其照顾的只是核心企业生态链中的小微企业，生态链外的企业由于无法掌握数据信息，无法得到融资。
第八章 第一节
大数据金融
四、大数据金融面临的挑战
“存不下”和“查不快”，是金融机构利用大数据处理问题时面临的两大难题。
可以说，人才紧缺是制约大数据应用的主要影响因素之一。
无效数据的大量生产与无序流动，严重扰乱了大数据时代的正常秩序，也对数据挖掘产生了不利影响。
图8-2 银行的复杂数据规模
第八章 第一节
大数据金融
五、大数据金融的发展趋势
（一）电商金融化，实现
信息物流和金融流的融合
（二）金融机构积极搭建
数据平台，强化用户体验
（三）大数据在金融领域
的应用将更为广阔
电商企业在长期发展中已经积累了大量数据和信用记录，运用这些数据走电商金融化道路已经是必然趋势。
电商跨界金融给传统金融造成了较大的冲击，因此，以银行为代表的金融机构借道电商，打响反击战。
目前，大数据在金融领域的应用主要集中在运营分析和征信管理这两方面。随着大数据与金融业的进一步结合，大数据在金融领域的应用将更为广阔。
第二节
互联网征信
第八章 第二节
互联网征信
一、传统金融征信 （一）金融征信的概念
概 念
征信是指对企事业单位和个人的信用信息进行采集、整理、保存和加工，并为信息需求者提供信用报告、信用评分、信用评级等服务。金融征信是社会征信体系的一个重要子领域，主要用来解决信贷市场信息不对称的问题。金融征信体系包含信用信息的记录、采集和披露机制，以及征信机构、市场安排和监管体制等多个方面。金融征信的健康发展有利于金融机构控制不良资产，能够促进金融市场的健康发展。
第八章 第二节
互联网征信
一、传统金融征信 （二）金融征信的发展
1
1988年3月，中国人民银行批准成立了第一家信用评级公司——上海远东资信评级有限公司，标志着我国资信评级企业的诞生。
2
1992年，中国第一家从事企业资信调查的民营企业——北京新华信国际信息资讯有限公司成立。
3
2003年，国务院赋予了人民银行“管理信贷征信业，推动建立社会信用体系”的管理职责，批准立了征信管理局，负责信贷征信管理工作。
4
2004年人民银行建立个人信用基础数据库并开始试运行，2005年银行信贷登记咨询系统升级为全国统一的企业信用信息基础数据库。
5
2012年12月国务院第228次常务会议通过了历时10年的《征信业管理条例》，该条例自2013年3月开始正式实施。中国征信业步入了有法可依的发展新阶段。
第八章 第二节
互联网征信
二、征信机构主要类型
（一）
服务型机构
（二）
数据型机构
服务型机构以提供信用评估、信用咨询服务为主要内容，它们可以根据金融信贷机构的具体要求，采集考察对象的信用数据，分析、评估考察对象的信用水平。服务型机构通常自身并不具备显著的数据优势，但具有专业的风险评估能力，能够收集到金融机构所需要的信息，并依托专业能力对考察客体进行风险评估。
据型机构通过收集第三方的数据并进行加工、整合、转换、挖掘，为金融机构提供信用评估报告和信用评分等服务。国内最为典型的数据型征信机构是中国人民银行征信中心。
第八章 第二节
互联网征信
三、互联网征信的发展
（三）互联网征信机构不断扩大数据源
（四）积极建立失信联合惩戒机制
（五）强调对互联网征信的审慎监管
（一）个人征信对互联网征信机构开放
（二）逐步搭建综合信用信息共享平台
第八章 第二节
互联网征信
四、传统金融征信和互联网征信的比较
传统金融征信的数据来自于借贷领域，并主要应用于借贷领域，而互联网征信获取的主要是信息主体在线上的行为数据，不再局限于金融机构和政府机构提供的个人基本信息、账单信息、信贷记录、逾期记录等。
（一）数据范畴和内涵方面
截至2015年底，人民银行征信系统中有征信记录的人数约为3.7亿，占我国总人口数的24.7%，远低于美国征信体系85%的覆盖率。
（二）覆盖人群方面
第八章 第二节
互联网征信
四、传统金融征信和互联网征信的比较
（三）信用评价
思路方面
传统金融征信的思路是用昨天的信用记录来判断今天的信用，这就存在两个问题，一是昨天信用记录不好的人今天是否仍然是一个高风险者；二是对于过去没有发生过信用记录的人，如何判断其信用状况。对于第一个问题，互联网征信所获取的数据可以实时地反映个人的行为轨迹，并以此推断个人相对稳定的性格、心理状态和经济状况，进而推断其未来的履约能力。第二个问题则引出了两者的第四个差异。
（四）应用
领域方面
互联网征信因为数据来源、数据内涵、模型思路的不同，其信用评价更趋于对人的一些本性的判断。互联网征信不仅在市场营销支持、反欺诈、贷后风险监测与预警、账款催收等方面具有良好的应用表现，还可以运用于借贷以外更广的场景。
第八章 第二节
互联网征信
五、互联网征信存在的主要问题 （一）金融服务门槛高、覆盖面窄
要做好个人征信业务，必须具备充分的个人信用信息或有效的个人信用数据。制约互联网征信业务发展的掣肘之一就是信用数据共享问题，政府公共部门与民营征信机构、各民营征信机构之间、征信机构与其他金融机构之间都存在着严重的部门利益和信息鸿沟，要打破这一障碍离不开政府强有力的推动。
第八章 第二节
互联网征信
五、互联网征信存在的主要问题 （二）互联网征信机构的独立性问题
从基本理论和国内外实践看，征信机构不管是民营的还是官方的，都应是独立的第三方，既不能是信用信息的所有者，也不能是信用信息的潜在使用者。在征信机构非独立的情况下，信用数据信息在各征信机构之间、征信机构与其他金融机构之间也很难实现共享与交换，无形中损伤了互联网征信的准确性。在目前已经出台的部门规章和各指导意见中，均没有涉及征信机构的第三方独立性要求和具体标准，事实上这对以大数据为基础的互联网征信的健康发展埋下了隐患。
第八章 第二节
互联网征信
五、互联网征信存在的主要问题 （三）互联网征信报告的准确性问题
由于互联网征信数据大多依赖零散的、碎片化的信息和一些互联网行为数据，其对每个人的信用状况水平的刻画能力常被质疑。征信数据库不是一个信息筐，什么都可以往里装。因此，在选择征信数据源的时候，应该行之谨慎，从合法、合规和合理性的角度进行综合考虑。
第八章 第二节
互联网征信
五、互联网征信存在的主要问题 （四）个人信用的法律保护问题
目前，在我国还没有针对个人信息保护或应用的专门立法，一些条款散落在《宪法》和《消费者权益保护法》中，有关个人征信业务的监管也只有《征信机构管理办法》《征信机构监管征信管理条例指引》《个人信用信息基础数据库管理暂行办法》等几个部门规章予以约束。从我国的立法实践看，可以学习新加坡模式，尽快出台《个人信息保护法》，并以此为核心构建多部门联动协调的法规体系，再辅之以行业自律机制，构建多层次的法制框架。
第三节
互联网征信的典型案例
第八章 第三节
互联网征信的典型案例
一、ZestFinance——最热的大数据公司 （一）ZestFinance的业务形式
作为一家创新型的科技金融公司，ZestFinance自创立以来，由于其独特的商业理念而不断受到投资界和互联网金融领域的瞩目。
ZestFinance最初的服务对象是信用程度较差或收入不高的借款人，其通过大数据挖掘出他们的信用信息，帮助他们享受正常的金融服务。ZestFinane的核心业务是消费信贷审批，主要客户是次级贷消费者，主要的竞争对手是银行或典当行。
第八章 第三节
互联网征信的典型案例
一、ZestFinance——最热的大数据公司 （二）ZestFinance的核心竞争力
1．数据挖掘能力
ZestFinance的大数据征信的数据不仅包括传统的信贷数据，同时也包括了与消费者还款能力、还款意愿相关的一些描述性风险特征。
2．模型开发能力
ZestFinance评分模型的改进提高了其信用风险评估水平。虽然这些新的模型仍然会遇到数据充足性和数据可得性的挑战，但是模型的持续改进还在进行中。
图8-3 ZestFinance的信用评估模型
第八章 第三节
互联网征信的典型案例
二、FICO——美国征信评分体系的制定者
FICO评分体系是在美国被普遍应用的评分标准，由FICO（Fair Isaac Company）公司于1989年发布。FICO公司成立于1956年，主要从事于商业分析和信用评估，随着时代的进步，现在的FICO公司已经成为一家大型分析软件及工具开发商，其客户遍布全世界，包括摩根大通、戴尔、花旗、桑坦德、宝马等。
第八章 第三节
互联网征信的典型案例
二、FICO——美国征信评分体系的制定者 （一）FICO评分系统
Fair Isaac公司开发了三种不同的FICO评分系统，其客户信息来源于三大征信调查机构：Experian，Equifax以及TransUnion。FICO公司开发过各种版本的评分标准，当前广泛被运用的是标准8,评分范围为300～850，越高的分数代表了更低的信用风险。
美国的信用分数分布状况如表8-2所示，从中可以看到两个规律：一是信用评分特别低和特别高的人占比都较少，大多数信用评分中等，大体呈现为左偏态的正态分布；二是信用评分分值越高，违约率越低。
信用评分 人数百分比 累计百分比 违约率
300～499 2% 2% 87%
500～549 5% 7% 71%
550～599 8% 15% 51%
600～649 12% 27% 31%
650～699 15% 42% 15%
700～749 18% 60% 5%
750～799 27% 87% 2%
800～850 13% 100% 1%
表8-2 美国的信用分数分布状况
第八章 第三节
互联网征信的典型案例
二、FICO——美国征信评分体系的制定者 （二）FICO评分模型中的主要因素
（1）
（2）
（3）
各种信用账户的还款记录，包括信用卡、零售账户（直接从商户获得的信用）、分期偿还贷款、金融公司账户、抵押贷款等。
公开记录及支票存款记录，主要包括破产记录、丧失抵押品赎回权记录、法律诉讼事件、留置权记录及判决。
逾期偿还的具体情况，包括逾期的天数、未偿还的金额、逾期还款的次数和逾期发生时距现在的时间长度等。
1．信用偿还历史
客户的信用偿还历史大约占总影响因素的35%，主要显示客户的历史偿还情况，可以帮助贷款方了解该客户是否存在历史的逾期还款记录。其主要包括以下数据：
第八章 第三节
互联网征信的典型案例
二、FICO——美国征信评分体系的制定者 （二）FICO评分模型中的主要因素
2．信用账户数
该项因素仅次于还款历史记录，占总影响因素的30%。该项因素主要是分析对于一个客户，究竟多少个信用账户是足够多的，从而准确反映出客户的还款能力。
3．使用信用的年限
该项因素占总影响因素15%。一般来讲，使用信用的历史越长，越能增加FICO信用得分。该项因素主要指信用账户的账龄，既包括最早开立的账户的账龄，也包括新开立的信用账户的账龄，以及平均信用账户账龄。
第八章 第三节
互联网征信的典型案例
二、FICO——美国征信评分体系的制定者 （二）FICO评分模型中的主要因素
4．新开立的
信用账户
该项因素占总影响因素的10%。在现今的经济生活中，人们总是倾向于开立更多的信用账户和选择信用购物的消费方式，FICO评分系统也将这种倾向体现在信用得分中。
5．正在使用
的信用类型
该项因素占总影响因素的10%，是指客户持有的信用账户类型和每种类型的信用账户数，主要分析客户的信用卡账户、零售账户、分期付款账户、金融公司账户和抵押贷款账户的混合使用情况。
第八章 第三节
互联网征信的典型案例
三、YODLEE——大数据征信的先行者
YODLEE成立于1999年，通过提供大数据分析服务连接了4 500万个人客户，以及富达投资、美国运通等美国前7大金融机构客户，也因此获得了多达12 500个数据源头。YODLEE通过整合大型金融机构的银行信息，为客户提供了一站式信息数据的查询与分析服务，并通过FinApps的形式为客户打造了一个移动理财平台。
YODLEE的商业模式就是通过为客户提供数据的形式获得客户更多的数据，更多的数据也将使得YODLEE能够开发出更为完整的数据分析服务，提供更多元的商业解决方案。截至2015年，YODLEE已经获得了50项专利，并覆盖了80%的市场份额。
第八章 第三节
互联网征信的典型案例
四、First Access——利用手机数据源征信
First Access监控的是通话的时间、时点、地理位置、频率、通话费用等数据，并通过分析这些数据形成对客户行为特征的判定。在特定的客户行为特征模型形成之后，他人与之的通话也将成为其他客户行为特征的判定因素之一。最终First Access通过内部算法算出相应的信用额度。整个过程由于是运用自动化算法分析所完成的，因此从客户同意提供数据到信用额度的公布仅需要几分钟的时间。
First Access瞄准了发展中国家市场，通过查看客户的手机通话记录与短信记录来对客户的信用状况进行评判。
第八章 第三节
互联网征信的典型案例
五、阿里巴巴的芝麻信用评估模型
2015年1月5日，央行发布允许8家机构进行个人征信业务准备工作的通知后，蚂蚁金融服务集团旗下的芝麻信用率先推出产品——芝麻信用分。
芝麻信用从用户信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度进行打分。其中，信用历史是指用户过往信用账户还款记录和信用账户历史；行为偏好是指用户在购物、缴费、转账、理财等活动中的偏好及稳定性；履约能力是指评价用户享用各类信用服务并及时履约的情况；身份特质要求用户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；人脉关系这一维度意味着，芝麻信用也会考量用户的好友身份特征以及跟好友的互动程度。
第八章 第三节
互联网征信的典型案例
五、阿里巴巴的芝麻信用评估模型
图8-4 芝麻征信评分标准
芝麻信用分，分数分为五个级别：较差（350～550）、中等（550～600）、良好（600～650）、优秀（650～700）、极好（700～950）。
第八章 第三节
互联网征信的典型案例
五、阿里巴巴的芝麻信用评估模型
芝麻信用通过运用云计算、机器学习等技术对个人信用状况进行评价，并和商户进行合作，在信用卡、消费金融、酒店、租房、租车等多个金融类和生活类场景中为用户提供信用服务，使用户享受到信用的便利。作为蚂蚁金服旗下独立的第三方信用评估及管理机构，芝麻信用通过建立独立IT系统、数据单独存储、组织架构上禁止交叉任职、业务经营上独立决策等，保证征信机构独立开展业务。
在构建信用评分模型体系之时，芝麻信用专注经济信用预测，并利用先进的机器学习法，实现对经典信用评估模型的改良。
从征信产品的应用来看，芝麻信用的技术和评估结果已在多种金融类和生活类场景下有所应用，旨在向合作方提供更多元的决策分析要素，而非代替机构本身进行最终决策，目前已得到了多数合作机构的肯定。

展开更多......

收起↑