/资讯中心/趋势研究/普惠金融的中国实践:技术驱动变革

普惠金融的中国实践:技术驱动变革

发布时间:2016-09-05 分类:趋势研究 来源:哈佛商业评论

一、技术变革助力信用价值创造


(一)人人有信用,信用有价值


在现代社会,“信用”被赋予了多重含义,简单来讲,信用就是诚实不欺、讲求信用、恪守诺言、遵守规则。从道德角度来看,信用是指参与社会和经济活动的当事人之间建立起来的、以诚实守信为道德基础的履约行为;从法律角度来看,信用是履行合同内容所确定的责任和义务;从经济学角度来看,信用则是指商品交换或者其他经济活动中授信人在充分信任受信人能够实现其承诺的基础上,用契约关系向受信人放贷,并保障自己的本金能够回流和增值的价值运动。由此,信用构成了人际交往、交易实现、借贷关系的根本要素。


信用的价值创造与经济中的交易密切相关。信用作为交易的前提,是交易正常进行的重要纽带,而交易则是价值增值的源泉动力。经济人往往深谙信用的重要性,一旦信用缺失,交易便会全面搁置,价值创造的路径即被阻隔。同时,交易行为的完整进行也会产生信用增进,只有信用不断积累才能不断的扩展交易范围及规模,个人价值或企业价值才能进一步提升。因此,信用创造价值早已超越了单纯的道德本身,信用的根本价值在于降低交易成本、熨平交易波动、追求价值增值。


生活中的信用有多种表现形式,每个社会人都在直接或间接参与信用活动并由此产生自身信用积累,即“人人有信用”。根据受信对象的性质不同,信用可分为组织信用和个人信用两类。组织信用包括政府、企业等各种社会组织的信用,而个人信用则是个人行为的体现,也是组织信用构成的基础。将信用上升到数据层面,即可得到包含基本信息、交易数据、金融数据等在内的信用数据库。在现代生活中,无论是人际交往还是交易活动,信用随之产生且易被大数据所捕捉,伴随着个人和企业的存续而持续存在。而任何一条信用数据都可以作为价值创造的基础。通过信用的价值创造以及交易的相互作用,形成价值规模的增长,即信用创造价值。


(二)信用管理与信用价值维系


信用的价值创造离不开信用的维系与有效管理。所谓信用管理,就是授信者对信用交易进行科学管理以控制信用风险的专门技术。信用管理的主要功能包括五个方面:征信管理(信用档案管理)、授信管理、账户控制管理、商账追收管理、利用征信数据库开拓市场或推销信用支付工具。


在现代社会,个人信用信息管理主要是指国家机关在社会管理和执法过程中,按照相关法律规定,将个人居住地点、学习工作经历、财产收入状况、履约情况等涉及个人信用的基本信息,动态、全面、系统地记录、采集和整理,形成国家统一的个人信用信息数据库。国家机关有权在行使职责的过程中按照规定的权限和程序利用,个人也可根据需要自行或授权特定单位和客户查询利用属于自身范畴的信用信息。企业作为独立的法人实体,同样是信用管理的重要参与主体,企业需按照法律规定,提供办公地点、经营情况、财务状况等相关的基本信息,并全面计量、记录和整理与企业相关的资金流向及税收缴纳等信息,形成统一的企业信用数据库,并在国家规定的权责范围内按照规定及权限合理利用信用信息。


信用信息以数据的形式得以存储,随着信用活动的发生和发展,不断积累完善,形成了信用价值的直观反映和判断依据。个人和企业信用信息被广泛的应用于信贷审核的条件中,作为信贷额度和信贷审批的重要环节。对于金融企业来讲,良好的信用管理能够降低坏账形成的可能性,提升后续信贷的可持续性。


二、技术革新应对中国信用困境


(一)中国信用困境


1.社会成员的信用信息并不完善,且缺少整合。


我国目前尚未建立完全覆盖全社会的征信系统。中国人民银行提供的数据显示,截至2014年年末,企业征信系统累计收录企业和其他组织1969万户,个人征信系统累计收录自然人数8.57亿,约占13.54亿人口中的63.3%,仍远低于美国征信体系对人口的85%的覆盖程度。中国人民银行征信系统中,对于自然人和法人的信用记录主要涉及其与银行体系的交易活动,即信息覆盖面主要集中在信贷系统,而对于个人其他经济活动和社会活动尚缺乏信用报告。


银行有金融借贷数据,工商部门有公司登记、信用、罚款等等这些记录,交通部门有违章记录,电信部门有手机费的记录,公安、检察、法院等部门有立案、诉讼、审理、执行等记录。但是,这些信息没有交互,没有共享,没有汇总,只是一个又一个的数据孤岛,所以导致这些数据的价值没有发挥整合效应。


2,信用服务的市场不成熟,征信机构受制于信息数据获取的不全面,并不能提供满足征信市场需求的产品及服务。


官方数据显示,中国现有各类征信机构、评级机构150多家,年收入仅20多亿元人民币。且中国人民银行征信中心网站上显示,征信机构从信用信息产生的源头采集信息,具体来说,征信信息主要来自以下两类机构:提供信贷业务的机构。主要是商业银行、农村信用社、小额贷款公司等专业化的提供信贷业务的机构。其他机构,包括个人住房公积金中心、个人养老保险金等机构。目前,已有数家新兴互联网金融公司被纳入到中国人民银行征信系统中,但相比于互联网金融企业数量,互联网金融企业的征信难题仍然没有解决。总体上看,中国征信机构规模小,服务和产品种类少,信息获取难度大,难以满足社会经济发展对征信产品和服务的需求。


可见,当前信用数据既不足量,也不全面。由于缺少充分全面的信用数据支持,我国P2P发展过程中伴随着大量的跑路现象,信息不对称给投资者带来了巨大损失,也掣肘了普惠金融的健康发展。目前,互联网金融企业所提供的大部分普惠金融服务对贷款风险控制机制有特殊要求且对贷款审批速度要求较高。信用数据的缺乏很难满足无抵押、无担保的普惠金融特征,审批风险和信用风险由此加剧。信用缺失了基础数据,这是中国信用困境产生的根本原因。


(二)大数据直面信用难题


大数据作为新兴的技术手段,逐渐成为征信发展的基石。一方面,大数据先进的处理技术,从用户的行为习惯和喜好等多维度、立体化综合数据背后,找出其信用相关信息及其与信用的相关关系,最终得出信用评估值,以此来衡量社会单个群体信用状况。另一方面,大数据对用户及市场的分析,是征信产品设计、服务创新的有利工具。由此可见,大数据已成为征信发展的基石。


在国内,这是对传统征信方式的突破和有益补充。传统的征信方式,均是通过社会调研等现场实施方式铺开,显然,这种方式需要耗费巨大的人力、物力,且很难避免人为主观因素的干扰。所以,从收益与成本权衡,银行往往只会针对优质大客户展开征信调查。因无法搜集广大民众与中小微企业征信信息,而无法提供类似大客户的金融服务。大数据的出现,以其巨量综合信息,先进的数据处理技术及全新的数据分析思维方式,突破了传统征信方式的局限,使得全社会征信体系的建立得以开展,极大地扩展了现有征信系统。


三、技术革新推动信用变革发展


(一)大数据技术扩展信用数据边界


从数据内容组成来说,传统的信用数据(银行信贷数据)比重降至40%,甚至更低,非传统的信用数据,包括互联网上的行为数据和关系数据等成为主要来源。从数据覆盖对象来说,大数据可以覆盖没有被传统征信体系覆盖的人群,即没有征信记录的人群。从数据时效性来说,大数据提供的是用户现在的信息,而非局限于历史信息。


案例分享


基于非传统信用数据的小贷服务——QQ现金贷


QQ现金贷是基于手机社交软件QQ推出的一项能随时借款的服务,目前主要服务于手机QQ用户群体,如获得QQ贷款名额,即可在手机QQ完成申请、借款、还款流程,快速审核、2小时放款。无需担保、无需任何证明材料,只需绑定一张借款人本人的银行卡,即可在线申请额度为1-3000元、同时借款人可享受3天内还款免息的优惠。


QQ现金贷以腾讯信用评级为基础进行信贷审核,贷款审批流程完全依赖于非传统信用数据。腾讯信用评级主要由消费、财富、安全、守约四大指数综合评估得出。消费层面,主要由微信、手机QQ支付消费行为及偏好决定;财富层面,主要由腾讯产品内各资产构成、理财记录等产生;安全层面,主要由财付通账户的实名认证和数字证书判断;守约层面,主要有消费贷款、信用卡、房贷等是否如约还款等考量。该项目目前仅对部分符合筛选条件的借款人开放,借款人的申请是通过智能系统审批,会综合考量借款人的资质、QQ信用体系的评分等各方面条件进行审核。但对于一些QQ活跃度比较高、早期已添加银行卡实名认证、平时经常使用财付通、有过线上消费行为、QQ信用评分比较好的用户来说,体验资格比较容易获得。


信用的积累产生了未来获取更多优质的金融特权和生活服务的权利,信用的价值创造由此展现得淋漓尽致。同时,基于非传统信用数据的信贷模式也扩展了传统信用体系的边界,使得更多没有被纳入征信体系中的人有机会利用自己现在所拥有的点滴信息获取金融服务与生活特权的机会。


(二)大数据技术优化信用计算


基于大数据的信用融资不依赖传统的财报信用评价思维,而是通过企业本身的“大数据”,即生产、流通、销售中产生的所有信息进行分析,从而创建出一个大批量、高效能、全风控、低成本的信用评价模式,通过计算机而非分析人员核算出企业的信用额度。


案例分享


基于大数据的信用评估机构——美国ZestFinance


美国ZestFinance公司利用从第三方购买(包括银行信用卡数据、法律记录、搬家次数等非传统数据)、网络获取和直接询问用户等多个维度获得的大数据,而非完全依赖传统信用体系,对个人消费者从不同的角度进行描述和进一步深入量化信用评估。同时,基于大数据技术,ZestFinance开发的信用评估体系是对传统征信体系的完善和更新。它抛弃了只用很少变量的FICO信用评分模型,不仅采用机器学习的模型,而且使用更多变量,既可提高信用评估的决策效率,又能明显降低风险违约率。


ZestFinance通过融合多源信息,采用先进机器学习的预测模型和集成学习的策略,进行大数据挖掘和信用评估,提升了信用计算的效率和质量。具体优化过程如下:


第一步,数千种来源于第三方(如电话账单和租赁历史等)和借贷者的原始数据将被输入系统;


第二步,寻找数据间的关联性并对数据进行转换;


第三步,在关联性的基础上将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。然后将这些较大的变量输入到不同的数据分析模型中;


第四步,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。


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,这一切在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。这种机制的决策性能远远好于业界平均水平。大数据的运用和新型计算机分析模型的开发,从企业的全流程中挖掘信用数据,通过计算机智能分析快速得到更为精准的信用额度,大大简化了信用评估的传统流程。


(三)大数据技术使信用管理更加客观


计算机可以轻易对数据进行处理,在可以获得海量数据的情况下,随机样本分析的预测优势已无法凸显。大数据时代的来临,更多的是选择全面而完整的数据,将数据的样本扩大到数据总体。全数据模式为我们提供了多重视角,能够更加准确地考察细节并分析微观层面的情况,保证信用管理的客观性实现。从第三方征信角度来看,第三方征信机构所提供的数据,也应在保证信息客观真实的前提下被第三方所用。第三方征信机构的强项及核心之一就是数据挖掘技术,可以不通过企业,直接从第三方的电子化交易平台里挖掘数据,从而确保了数据的真实、有效。


案例分享


三条轴线客观分类数据——金电联行“全数据模式”


全数据模式在实践中的应用,金电联行的数据分类颇具代表性。金电联行(北京)信息技术有限公司(简称“金电联行”)成立于2007年,是基于大数据理论与云计算技术所创建的客观信用评价体系,为金融与社会管理提供创新性信用服务的专业机构。


金电联行将企业数据类型划分为三条轴线。


一是横轴,根据接触到的大量供应链数据,计算企业信用分值,和往年订单、回款、库存等的趋势分析以及所有的原始数据,形成了企业财富创造过程中的一系列数据;


二是纵轴,这是企业财富创造过程产生的一系列结果,包括现金流、税务、盈利、固定资产变化、财务创造等数据;


三是历史轴线,企业数据类型不但应该包括企业的现时数据,也要搜集其3-5年,甚至更长时间的数据。


与传统银行普遍采用纯财务报表分析有很大区别,金电联行力求得到中小微企业最精细的数据,比如厂商供应链上的每一笔订单、每一笔物流、每一次仓储、每一笔汇款、每一张增值税发票等等,这些数据规模能达到财务报表数据的1000倍,甚至上万倍。


通过这三大轴线产生的非常精细的数据源,就把企业的信用状况完整地呈现出来。最终呈现的结果能有效地化解中小微企业会计信息失真,没有信用积累和抵押、担保资源,难以进行信用评价的问题。不仅可以开展成批量的企业信用评价,而且还大大降低了企业融资的门槛,使其获得真正的信用贷款。


此外,金电联行主要的科研方向是“数据清洗”,即自身关联性、历史关联性和大数据库之间的关联性。大数据技术极大地提高了数据清洗能力,多维度验证了数据的客观、真实性。


(四)大数据技术使信用管理经济高效


用大数据的方式解决传统信贷信用问题,能从根本上解决对人力的依赖,使得信用管理更加高效而经济。


从数据采集角度来看,大数据节约了人工成本。大数据信用采用云计算技术,数据无需人工收集,而是用海量抓取所代替,既解决了人工压力,又拓展了参考数据的来源。


从数据处理过程来看,一方面,大数据避免主观判断,确保信息真实性,并且快速、高效。另一方面,也有效缓解了对人工数量的要求。从数据录入开始到评价结果输出的整个过程全部由计算机算法完成,避免了主观判断的影响;在数据审核上采用多重数据交叉检验来综合评定,能有效检验数据真实性;即使同时处理多个受评对象,仍然能够保证快速、准确的高效性,避免人工繁杂的劳动量可能带来的失误。综合评定用户信用等级,给每个行业、每个职业等赋予独立信用标签,解决审核人员经验主义审核方式可能带来的误差。


从数据处理结果来看,大数据保证了信用的实时性。大数据信用能够满足评价结果与信用信息的同步。当受评对象的信用信息发生变化时,能够对其信用进行快速及时的计算,保证了信用的实时性。


案例分享


大数据贯穿信用管理全过程——宜信商通贷


宜信商通贷是一个专为中小电商解决融资难题的网络融资服务平台。宜信基于大数据金融云计算,创新性地实现贷款用户实时授信,在几十秒内即可完成用户借款额度的预估,从而帮助淘宝、天猫、亚马逊等电商平台的卖家解决融资难题。


1.大数据扩展信用数据来源:以多维度数据为来源


宜信金融云的数据来源,不仅包含宜信历经9年积累的百万名客户真实数据以及传统的征信数据,也包括从互联网抓取到的公开数据,以及第三方合作伙伴的大量数据。商通贷除了在eBay、亚马逊等平台经用户授权获取的交易流水数据外,还通过物流、ERP等其他渠道获取第三方数据。系统运行中,通过对海量数据的交叉验证,帮助商通贷更加全面、动态地了解客户,提供较为准确的授信额度,提高了信审和催收的效率,并在风控和反欺诈方面提供有效保障。


2.大数据优化信用计算:以机器学习为核心


采集数据的目的是通过数据分析和挖掘技术,输出每个人的信用评估结果。商通贷除对结构化数据进行分析,还通过抓取大量非结构化数据,其中包括征信主体在社交网络中的好评量级、用户音视频数据等,利用机器学习进行智能化分析,引导系统做出一系列授信判断和决策作为重要的授信及额度配置依据。


3.大数据使信用管理更加客观:以知识图谱为依据


商通贷通过金融知识图谱中复杂的点线分析,对个人的性格特征、信用状况和财富属性等都做出更深层、更全面的了解,以此判断其真实的信用等级和信用使用情况,为合理授信提供宝贵的数据依据。


4.大数据使信用管理更趋高效:全线上操作,方便快捷


商通贷用户仅在30秒内就可以获得个人预估借款额度,无需客户线下提交任何资料,从申请借款、信用评估,到放款及还款的整个流程全部在线上完成。在授信过程中,商通贷倚靠金融云平台中的海量大数据,对客户信用进行有效分析,从而避免潜在的欺诈风险,并实时评估其合理的信用额度。(完)



文/巴曙松、华中炜、宋绪超、夏碧莹、周冠南、张祎、岳圣元、杜渡