大数据如何弥补传统信贷的不足

1. 大数据征信与银行风险控制创新

大数据征信与银行风险控制创新

数据将是未来银行的核心竞争力之一,这已成为银行业界的共识。在大数据时代，银行所面临的竞争不仅仅来自于同行业内部，外部的挑战也日益严峻，互联网、电子商务等新兴企业在产品创新能力、市场敏感度和大数据处理经验等方面都拥有明显的优势。在此形势下，利用大数据征信创新和提高银行的风险把控也逐渐成为业界关注与探讨的重要话题。

银行业在风险控制中的不足之处

普华永道发布的《2015年中国金融及银行业展望》指出，截至2014年第三季度末中国的商业银行不良贷款总额上升36%，达到7670亿元人民币，是四年来的高点。预计2015年不良贷款上升的趋势将持续。上述数据的背后，除了经济下行导致的逾期风险上升的原因之外，银行在风险控制中存在漏洞与缺陷也是重要原因。

信息不对称与贷款欺诈

随着P2P、小贷等民间借贷的兴起，借款人越来越容易通过非银行途径获得贷款。而民间借贷机构无须向人民银行上报数据，非银行体系的贷款申请情况、负债情况和逾期情况等信息不清晰、不透明、无法提前预知的矛盾愈发突出，往往到了借款人逾期甚至失联，银行才被动了解到借款人在民间借贷领域的部分历史逾期借贷情况或负债过高等不良行为信息。

贷款欺诈问题也是银行面临的另一个问题，尤其是在信用卡领域和部分运用信贷工厂模式运作的贷款产品。银行固化的发卡审核流程以及信贷工厂运作模式已经不再是秘密。目前信用卡、贷款的包装、组团欺诈骗贷的情况屡见不鲜，尤其是在信用贷款领域，约有60%的信用贷款来自于欺诈，这其中有一半以上是由于身份造假和资料包装。在数据维度不全面的情况下，银行等放贷机构由于没有第三方大数据支持，缺乏充分和有效的交叉核验手段，容易被组团骗贷者钻空子。

信息不及时与贷后风险防范

信息获取的不及时也给银行在贷后风险管理中带来了不同程度上的麻烦。例如，银行往往希望第一时间知道一家企业客户在获得贷款后是否面临新的法律诉讼，但是大多数银行使用的方式仅仅是依靠信贷经理不定期手动查询当地法院网站的方式获取信息，这当中存在着巨大的不确定性，一旦信贷经理忘记查询或者操作失误，贷后司法诉讼监控工作将形同虚设。这还不包括持续监控该客户在民间借贷中的申请情况、负债情况和逾期情况等风险点。银行在贷后风险防范过程中的手段和效率都极大地制约了银行风险控制的效果。

成本和效率的矛盾

为了解决信息不对称的问题和信息获取不及时的问题，银行往往需要采集大量的数据来辅助判断。但是数据采集的过程中通常运用的方法是要求借款人或企业补充提供大量的资料，这个过程中涉及到大量的人工成本和时间成本。而为了提高效率，需要搭建一套能够实现部分数据的自动采集，同时需要自动化程度较高的后台管理系统，但是这必须组建专门的工程师团队和进行大量的IT开发工作，对不少中小银行来说也是一个沉重的负担。

大数据征信与贷款风险控制

大数据征信产业的兴起

2015年1月，中国人民银行发印发了《关于做好个人征信业务准备工作的通知》，要求芝麻信用管理有限公司、腾讯征信有限公司、拉卡拉信用管理有限公司等八家机构做好为期六个月的个人征信业务准备工作。这意味着，这八家机构或将成为我国首批商业个人征信机构。由此，正式拉开了大数据征信产业的序幕，个人征信市场成长空间已经打开。基于美国个人征信市场达600亿美元的规模，考虑到我国人口基数的庞大，未来发展成熟之后我国的个人征信市场空间很可能达到1000亿元规模。

值得注意的是，大数据征信成为了互联网巨头的必争之地。除了阿里巴巴和腾讯，网络、京东金融、小米金融、360金融等互联网公司也表示将打造互联网征信系统，并有意申请第二批个人征信牌照，部分机构已经向人民银行提交了申请。互联网公司的高调介入表明，一方面互联网公司的创新特性和快速扩张特性给传统征信领域带来了新的活力和机遇，另一方面互联网公司各自不同的大数据优势和应用场景优势，将使得征信市场的竞争日趋白热化。
国内大数据征信产业发展趋势

各类大数据公司介入大数据征信市场，使数据维度和种类相比两年前有了极大的丰富。特别是伴随着移动互联网时代兴起，围绕着移动上网设备信息、地理位置信息、运营商信息的大数据公司和大数据服务层出不穷，并开始运用在P2P的贷款审核和交叉核验流程中。但是，数据的来源和有效性依然制约着大数据征信产业的发展，目前行业依然处于早起的探索阶段，尚未有成熟的“杀手级”应用工具出现。

信息孤岛依然存在。信息孤岛是目前制约国内信贷行业发展的重要因素。信息不对称、不透明，带来了大量的多头负债风险和欺诈风险。在国内大数据征信产业兴起时，市场对于消除信息不透明、打破信息孤岛寄予极大的期待。从目前行业的发展情况来看，信息孤岛在短期内无法完全消失。

首先，公共事业缴费、固定资产、社保、居住等与贷款风险控制息息相关的信息，依然归属于相关政府部门。虽然工商、司法等信息已经向社会开放，但是政府信息开放程度依然较低，这将是一个长期而复杂的过程。

其次，掌握大量公民信息的互联网公司相互之间难以产生信息互通。目前国内社交数据、电商数据、地理位置数据、搜索数据、移动设备使用行为数据等互联网信息分别集中于阿里、网络、腾讯、京东、360等互联网巨头手中，这些公司在跑马圈地的过程中存在着大量的竞争关系，数据互通、信息共享在目前看来可能性极低。

最后，征信公司之间的信息也难以互通。征信公司的核心竞争力在于拥有自己独有的信息。作为直接竞争对手，征信公司之间不可能用自己的核心数据去提升竞争对手的竞争力。可以说，一方面征信公司致力于解决信息不对称，另一方面征信公司也在构建数据壁垒。

应用场景逐渐丰富，组合信用评估或成主流。放眼征信行业较为发达的美国，征信报告的运用早已不仅限于金融领域，例如招聘、租房、租车、相亲等行业和领域都需要使用个人征信报告。随着“互联网+”的推动、大数据概念的提出以及P2P互联网金融的发展，目前国内的征信公司也在应用场景的丰富性上进行着探索和尝试。

从国内大数据征信行业的发展现状来看，由于信息孤岛、数据不完全共享的现状将长期存在，当行业发展到一定阶段，将会产生组合式的信用评估。譬如要求当事人同时出具多家机构的信用报告，从社交、电商、招聘、浏览行为、地理位置等不同角度对当事人做出全息用户画像，判断其综合情况。这是因为单方面的信用评估已不能全面评价一个人，必须发挥出各家大数据征信公司的信息优势才能全面评价。

大数据征信在贷款风险领域的应用案例

反映电商信用行为的芝麻信用。芝麻信用基于阿里巴巴的电商交易数据和蚂蚁金服的互联网金融数据，并与公安网等公共机构以及合作伙伴建立数据合作，数据涵盖了信用卡还款、网购、转账、理财、水电煤缴费、租房信息、住址搬迁历史、社交关系等等。芝麻信用以芝麻分来直观呈现信用水平，主要包含了用户信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度，从950～350分划分为5个等级，分数越高代表信用程度越好，违约可能性越低。芝麻征信还出具个人信用报告，其主要由央行征信中心负责提供，记录了个人基本信息、贷款信息、信用卡信息和信用报告查询记录等。

反映互联网社交行为的腾讯征信。腾讯征信的数据更多的是社交数据，其征信产品有两大类别：一是反欺诈产品，包括人脸识别和欺诈评测；二是信用评级产品，包括信用评分和信用报告。腾讯征信反欺诈产品的主要服务对象包括银行、证券、保险、消费金融、小贷、P2P等商业机构，它能帮助企业识别用户身份，防范涉黑账户或有组织欺诈，发现恶意或者疑似欺诈客户，避免资金损失。对于之前没有个人征信报告的蓝领工人、学生、个体户、自由职业者等用户，腾讯通过他们使用社交、门户、游戏、支付等服务，通过海量数据挖掘和分析技术来预测其风险表现和信用价值，为其建立个人信用评分。

反映借款人风险的好贷云风控。好贷云风控是好贷网和全球最大的个人信用评分机构FICO（费埃哲）共同打造的大数据风控平台，整合征信公司、司法数据、工商数据、消费数据等重要数据源头，构建了金融贷款机构风控所需全行业各领域的风险数据库，同时包括反欺诈风险名单库、重大风险识别名单库、贷款申请记录名单库的数据，合计已超过7000万条。多达6000多个维度的数据库不仅能有效补足贷款机构本地的数据库，还能协助其大幅提高反欺诈识别和信用风险识别能力，同时结合FICO的信贷决策引擎为信贷机构提供服务。金融机构不用再投入巨资自建系统，不用花巨大精力和成本寻找各种风控数据。

银行风险控制与大数据征信的结合

大数据难以解决所有问题，但可以作为有效的工具。大数据能为信贷行业带来什么价值？笔者的判断是：大数据在未来一段时间，仍无法解决信贷风控中的所有问题；或者说单纯依靠大数据进行信贷风控、审批全流程的贷款种类还很有限。

但是，大数据已经可以解决信贷行业的一部分问题，并且将发挥越来越重要的作用。比如，大数据在进行反欺诈识别、风险动态监测、用户行为分析、用户画像等领域，都已经有了越来越多的运用。银行机构应当拥抱大数据，敢于和善于运用大数据辅助进行风险把控。
通过大数据，将民间借贷信息对银行透明化。银行机构通过大数据征信的数据，可以了解借款人在民间借贷的信息。目前大数据征信公司提供的民间借贷相关信息主要包含黑名单信息、贷款申请信息和被查询信息。以好贷云风控为例，其包含了各家征信公司的黑名单信息以及好贷云风控平台整合的数十家P2P平台的黑名单信息，同时也包含了好贷网的1000万条贷款申请记录和每个星期增加一倍的被查询信息。这些信息都从侧面反映了借款人的民间借贷情况。通过大数据征信，将能够使民间借贷信息对银行机构越来越透明，识别出更多的民间借贷风险，更好地进行贷款审核和反欺诈识别。

丰富数据维度，提升对信用档案客群风控能力。2014年，美国政策与经济研究委员会（PERC）对于非金融信息（也成为替代性信息）在信贷决策中作用的研究表明：诸如水、电、煤、有线电视、手机等非金融信息纳入征信系统，显著地提高了信用档案在案人群的信贷获得能力。

目前不少银行逐步认识到已经纳入银行传统数据库的信息量并不丰富和完整，开始积极与第三方大数据征信公司频繁接触与接洽合作，如客户信息、银行拥有客户的基本身份信息等。但客户其他的信息，如性格特征、兴趣爱好、生活习惯、行业领域、居住状况等却是银行难以准确掌握的；另一方面对于多种异构数据的分析是难以处理的，如银行有客户的资金往来的信息、网页浏览的行为信息、服务通话的语音信息、营业厅、ATM的录像信息，但除了结构化数据外，其他数据无法进行分析，更谈不上对多种信息进行综合分析，无法打破“信息孤岛”的格局。通过与第三方大数据征信公司的合作，尽力弥补自身在获取信息维度以及数据挖掘和分析能力方面的不足。

综上，笔者认为，在互联网时代和大数据时代的背景下银行如欲进一步加快转型的步伐、实现诚信社会与普惠金融的愿景、肩负信用风险管理重任，就要在信息使用、贷前调查、贷中监控等风险控制方面借助互联网的优势，拥抱大数据征信，充分利用内外各种信息做好客户征信和增信，进一步提高对风险的控制和管理水平，才能立于不败之地。

以上是小编为大家分享的关于大数据征信与银行风险控制创新的相关内容，更多信息可以关注环球青藤分享更多干货

2. 如何利用大数据来解决中国的巨大的信贷差距问题

作为银行的一项主要资产业务，贷款资产的运动是一种以“两权分离、按期偿还”为本质特征的特殊价值运动。在现实经济活动中，银行的信贷活动，会受事先无法预料的不确定性因素影响，例如使银行贷款资金有可能遭受损失事件发生。主要表现为贷款到期不能按时收回和贷款的贬值等，这样就产生了贷款风险。从目前国有商业银行贷款资产质量的现状看，形势较为严峻。 国有商业银行信贷风险分析 政府行政干预带来的风险。按照经济发展的客观要求，国有银行是资金配置的主体，政府职能只限于宏观调控。然而在现实中，作为国有商业银行，虽然在人事、行政、业务上不受政府直接管控，但并不等于不受政府影响。作为资金配置的主体，政府并未从实际运作的干预中退出，中心地位并未淡化，往往造成部份项目投资效益不高，形成贷款沉淀。 社会保障机制滞后带来的风险。由于企业破产失业救济制度不完善，国有银行贷款风险无法直接分散和转移。企业与社会的问题没有解决，企业把生产所需资金缺口留给银行贷款解决，形成贷款风险压力；企业保险制度不健全，使银行无法保全贷款资产的安全性，增加了损失的概率。 法制不健全带来的风险。尽管我国陆续出台了银行法、票据法等许多法律，但是这些法律大多内容比较简单，有些内容有待于重新修订，并且有些法律与国家的某些政策相悖，银行在保全债权方面将会遇到较大的阻力，加大了银行的信贷经营风险。 缺乏科学经营管理带来的风险。国有商业银行缺乏科学规范的经营管理方式主要表现在：在经营上把效益性放在首位，而忽视安全隐患；没有建立起完善的责权对等的管理机制，一旦贷款出现问题，很难分清责任，更谈不上追究责任。 借款人(企业)还贷意愿不确定带来的风险。借款人(企业)还贷意愿与其(法定代表)的信用相关，还贷能力强的借款人(企业)还贷意愿不一定强；还贷能力弱的借款人(企业)还贷意愿不一定差。并且，信用度很难进行比较准确的考查、判断。所以，借款人还贷意愿存在很大的不确定性，这种不确定性必然带来一定的风险。 国有商业银行信贷风险的控制对策 为有效防止和化解国有商业银行信贷风险，避免由此带来的金融震荡和经济风险，通过上述对我国商业银行目前面临的信贷风险原因的分析，我们可以从如下几个方面着手治理商业银行的信贷风险。 进一步加强政府监督职能。政企不分一直严重困扰我国企业改革和发展。我国信用的深层次问题很大程度上表现为政府行为和地方保护主义。由于政府尚未完成由市场的参与者向市场的管理者的转变，为了政绩需要而急功近利，期望短期内地方经济有较大起色，过分干预银行贷款，削弱了市场功能作用和市场法则权威。因此，必须重新界定政府职能、规范政府行为。政府职能是弥补市场缺陷、维护社会公平，着力为企业经营提供必要的经济环境，同时支持并配合银行防范和制止企业逃废债务，确保金融资产的安全运行。 建立健全社会保障体系。形成全社会信用是提高银行资产质量的重要保证。恶意逃避银行债务、恶意欠款的单位必须受经济和法律制裁。作为政府部门，央行应对企业改制中兼并、重组、破产等跟踪监督，协助金融机构依法维护金融债权；应健全企业信息披露制度，解决银、企信息不对称问题：严格规范企业会计信息和信息处理标准化，并提高信息公开程度，以降低银行系统风险。

3. 大数据在银行传统信贷全流程中，有哪些关键作用

我来说说吧，以芝麻信用为例，当发生电商交易，信用卡还款；亦或是导入领英账号信息，录入车辆信息，导入住房公积金信息。以上种种行为体现在信用分上，都会以提高芝麻信用分的形式体现出来。也即，在芝麻信用的体系中，将以上行为定义为好的，正面的行为。那么问题就在于，此类行为的好与坏，是由何种标准定义的，是否能经过检验。当然，以人们常规的认识，上述行为必然是好的行为。但，是否不符合以上行为的人群，其违约风险一定会高？按照以上的标准将人群进行区分，违约率是否会有显著差异？其差异是否达到了统计学显著的标准，从而可以作为结论使用？大数据提供了检验的方法，在其背后的所涵盖的统计学，计量经济学，以至于神经网络中，有大量的知识和技能用于验证上述定义是否有其科学依据。如果——不幸的——上述行为只是基于一般认识所得出来的结论，不加验证的将其纳入到大数据的信用评分体系中，那么最终得到的结果，对于大数据来说是可悲的。因为在这一方法论下，大数据只是作为约定俗称的惯常思维的眼神，只是相当于海量的信贷专家坐在一起进行讨论。我所希望的大数据，应该要像AlphaGo学习围棋一样，不管定式，不管手筋。从胜率的角度去评价每一个点位落子的价值，最终找出能够走向胜利的最优下法。应用在信贷审核中，就是抛掉所有约定俗成的见解，去重新寻找经过大数据验证的信用风险影响因素，并以此为基础，重新建立信用风险审核的新体系。

4. 如何利用大数据做金融风控

大数据能够进行数据变现的商业模式目前就是两个，一个是精准营销，典型的场景是商品推荐和精准广告投放，另外一个是大数据风控，典型的场景是互联网金融的大数据风控。

金融的本质是风险管理，风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。

传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据，利用评分来识别客户的还款能力和还款意愿。信用相关程度强的数据 纬度为十个左右，包含年龄、职业、收入、学历、工作单位、借贷情况、房产，汽车、单位、还贷记录等，金融企业参考用户提交的数据进行打分，最后得到申请人 的信用评分，依据评分来决定是否贷款以及贷款额度。其他同信用相关的数据还有区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率等。普惠在线

互联网金融的大数据风控并不是完全改变传统风控，实际是丰富传统风控的数据纬度。互联网风控中，首先还是利用信用属性强的金融数据，判断借款人的还 款能力和还款意愿，然后在利用信用属性较弱的行为数据进行补充，一般是利用数据的关联分析来判断借款人的信用情况，借助数据模型来揭示某些行为特征和信用 风险之间的关系。

互联网金融公司利用大数据进行风控时，都是利用多维度数据来识别借款人风险。同信用相关的数据越多地被用于借款人风险评估，借款人的信用风险就被揭示的更充分，信用评分就会更加客观，接近借款人实际风险。

常用的互联网金融大数据风控方式有以下几种：

验证借款人身份
验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以借助国政通的数据来验证姓名、身份证号，借助银联数据来验证银行卡号和姓名，利用运营商数据来验证手机号、姓名、身份证号、家庭住址。

如果借款人是欺诈用户，这五个信息都可以买到。这个时候就需要进行人脸识别了，人脸识别等原理是调用国政通／公安局 API接口，将申请人实时拍摄的照片／视频同客户预留在公安的身份证进行识别，通过人脸识别技术验证申请人是否是借款人本人。

其他的验证客户的方式包括让客户出示其他银行的信用卡及刷卡记录，或者验证客户的学历证书和身份认证。
分析提交的信息来识别欺诈

大部分的贷款申请都从线下移到了线上，特别是在互联网金融领域，消费贷和学生贷都是以线上申请为主的。
线上申请时，申请人会按照贷款公司的要求填写多维度信息例如户籍地址，居住地址，工作单位，单位电话，单位名称等。如果是欺诈用户，其填写的信息往 往会出现一些规律，企业可根据异常填写记录来识别欺诈。例如填写不同城市居住小区名字相同、填写的不同城市，不同单位的电话相同、不同单位的地址街道相 同、单位名称相同、甚至居住的楼层和号码都相同。还有一些填写假的小区、地址和单位名称以及电话等。

如果企业发现一些重复的信息和电话号码，申请人欺诈的可能性就会很高。

分析客户线上申请行为来识别欺诈

欺诈用户往往事先准备好用户基本信息，在申请过程中，快速进行填写，批量作业，在多家网站进行申请，通过提高申请量来获得更多的贷款。

企业可以借助于SDK或JS来采集申请人在各个环节的行为，计算客户阅读条款的时间，填写信息的时间，申请贷款的时间等，如果这些申请时间大大小于 正常客户申请时间，例如填写地址信息小于2秒，阅读条款少于3秒钟，申请贷款低于20秒等。用户申请的时间也很关键，一般晚上11点以后申请贷款的申请 人，欺诈比例和违约比例较高。

这些异常申请行为可能揭示申请人具有欺诈倾向，企业可以结合其他的信息来判断客户是否为欺诈用户。
利用黑名单和灰名单识别风险

互联网金融公司面临的主要风险为恶意欺诈，70%左右的信贷损失来源于申请人的恶意欺诈。客户逾期或者违约贷款中至少有30%左右可以收回，另外的一些可以通过催收公司进行催收，M2逾期的回收率在20％左右。

市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单在两百万左右。

黑名单来源于民间借贷、线上P2P、信用卡公司、小额借贷等公司的历史违约用户，其中很大一部分不再有借贷行为，参考价值有限。另外一个主要来源是催收公司，催收的成功率一般小于于30%（M3以上的），会产生很多黑名单。

灰名单是逾期但是还没有达到违约的客户（逾期少于3个月的客户），灰名单也还意味着多头借贷，申请人在多个贷款平台进行借贷。总借款数目远远超过其还款能力。

黑名单和灰名单是很好的风控方式，但是各个征信公司所拥有的名单仅仅是市场总量的一部分，很多互联网金融公司不得不接入多个风控公司，来获得更多的 黑名单来提高查得率。央行和上海经信委正在联合多家互联网金融公司建立统一的黑名单平台，但是很多互联网金融公司都不太愿意贡献自家的黑名单，这些黑名单 是用真金白银换来的教训。另外如果让外界知道了自家平台黑名单的数量，会影响其公司声誉，降低公司估值，并令投资者质疑其平台的风控水平。

利用移动设备数据识别欺诈
行为数据中一个比较特殊的就是移动设备数据反欺诈，公司可以利用移动设备的位置信息来验证客户提交的工作地和生活地是否真实，另外来可以根据设备安装的应用活跃来识别多头借贷风险。

欺诈用户一般会使用模拟器进行贷款申请，移动大数据可以识别出贷款人是否使用模拟器。欺诈用户也有一些典型特征，例如很多设备聚集在一个区域，一起 申请贷款。欺诈设备不安装生活和工具用App，仅仅安装和贷款有关的App，可能还安装了一些密码破译软件或者其他的恶意软件。

欺诈用户还有可能不停更换SIM卡和手机，利用SIM卡和手机绑定时间和频次可以识别出部分欺诈用户。另外欺诈用户也会购买一些已经淘汰的手机，其机器上面的操作系统已经过时很久，所安装的App版本都很旧。这些特征可以识别出一些欺诈用户。

利用消费记录来进行评分

大会数据风控除了可以识别出坏人，还可以评估贷款人的还款能力。过去传统金融依据借款人的收入来判断其还款能力，但是有些客户拥有工资以外的收入，例如投资收入、顾问咨询收入等。另外一些客户可能从父母、伴侣、朋友那里获得其他的财政支持，拥有较高的支付能力。

按照传统金融的做法，在家不工作照顾家庭的主妇可能还款能力较弱。无法给其提供贷款，但是其丈夫收入很高，家庭日常支出由其太太做主。这种情况，就需要消费数据来证明其还款能力了。

常用的消费记录由银行卡消费、电商购物、公共事业费记录、大宗商品消费等。还可以参考航空记录、手机话费、特殊会员消费等方式。例如头等舱乘坐次数，物业费高低、高尔夫球俱乐部消费，游艇俱乐部会员费用，奢侈品会员，豪车4S店消费记录等消费数据可以作为其信用评分重要参考。

互联网金融的主要客户是屌丝，其电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。有的互联金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，其可以借助于工具将客户历史消费数据全部抓取并进行汇总和评分。

参考社会关系来评估信用情况

物以类聚，人与群分。一般情况下，信用好的人，他的朋友信用也很好。信用不好的人，他的朋友的信用分也很低，

参考借款人常联系的朋友信用评分可以评价借款人的信用情况，一般会采用经常打电话的朋友作为样本，评估经常联系的几个人（不超过6六个人）的信用评分，去掉一个最高分，去掉一个最低分，取其中的平均值来判断借款人的信用。这种方式挑战很大，只是依靠手机号码来判断个人信用可信度不高。一般仅仅用于反欺诈识别，利用其经常通话的手机号在黑名单库里面进行匹配，如果命中，则此申请人的风险较高，需要进一步进行调查。

参考借款人社会属性和行为来评估信用

参考过去互联网金融风控的经验发现，拥有伴侣和子女的借款人，其贷款违约率较低；年龄大的人比年龄低的人贷款违约率要高，其中50岁左右的贷款人违 约率最高，30岁左右的人违约率最低。贷款用于家庭消费和教育的贷款人，其贷款违约率低；声明月收入超过3万的人比声明月收入低于1万5千的人贷款违约率 高；贷款次数多的人，其贷款违约率低于第一次贷款的人。

经常不交公共事业费和物业费的人，其贷款违约率较高。经常换工作，收入不稳定的人贷款违约率较高。经常参加社会公益活动的人，成为各种组织会员的人，其贷款违约率低。经常更换手机号码的人贷款违约率比一直使用一个电话号码的人高很多。

午夜经常上网，很晚发微博，生活不规律，经常在各个城市跑的申请人，其带贷款违约率比其他人高30%。刻意隐瞒自己过去经历和联系方式，填写简单信 息的人，比信息填写丰富的人违约概率高20%。借款时间长的人比借款时间短短人，逾期和违约概率高20%左右。拥有汽车的贷款人比没有汽车的贷款人，贷款 违约率低10%左右。

利用司法信息评估风险

涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。

寻找这些涉毒涉赌的嫌疑人，可以利用当地的公安数据，但是难度较大。也可以采用移动设备的位置信息来进行一定程度的识别。如果设备经常在半夜出现在 赌博场所或赌博区域例如澳门，其申请人涉赌的风险就较高。另外中国有些特定的地区，当地的有一部分人群从事涉赌或涉赌行业，一旦申请人填写的居住地址或者 移动设备位置信息涉及这些区域，也要引起重视。涉赌和涉毒的人员工作一般也不太稳定或者没有固定工作收入，如果申请人经常换工作或者经常在某一个阶段没有 收入，这种情况需要引起重视。涉赌和涉毒的人活动规律比较特殊，经常半夜在外面活动，另外也经常住本地宾馆，这些信息都可以参考移动大数据进行识别。

总之，互联网金融的大数据风控采用了用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。互联网金融企业通过分析申请人的社会行为数据来控制信用风险，将资金借给合格贷款人，保证资金的安全。

5. 当传统金融模式遇到了大数据后会有哪些转变

1. 大数据对金融最重要的影响，在于其能使一部分长尾需求得到满足。

2. 金融行业是很有专互联网机会的行业，属更是很有大数据潜力的行业。

3. 大数据时代，互联网创新、平等、普惠的精神，将慢慢融入金融。这种二八定律会慢慢改变。

4. 二八定律：在当前利率非完全市场化与小微企业抵押担保品欠缺的情况下，采用传统信贷技术从事小微金融，需付出的边际成本与服务大企业相差不大，在信贷供给资源仍显稀缺的情形之下，银行具有提高授信门槛以迫使高风险客户退出信贷市场的动机，银行服务 80% 低端客户所带来的利润微乎其微，还不如将这部分客户赶出市场，全力支持 20% 的高端客户。

5. 大数据（big data），是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。

6. 大数据助推个人信贷“线上化”

大数据助推个人信贷“线上化”
现代信息技术的不断进步，让大量银行业务得以通过电脑或手机完成。而在大数据的助力下，以往周期冗长、手续繁琐的信贷业务也开始尝试“线上化”。
中国平安旗下平安普惠今年8月17日上线了房屋抵押贷款新品种“宅e贷”。借助这一产品，贷款从申请到审批都可以在线上完成。客户提交申请后，贷款资金最快4个小时就能到账。
据中国平安信用保证保险事业部总经理助理秦福荣介绍，目前“宅e贷”试点城市超过40个，短短几个月其新增贷款规模在平安普惠旗下所有贷款品种中占比已超过一成。
秦福荣表示，“宅e贷”之所以能实现从申请到审批的“线上化”，得益于强大数据的支撑。目前“宅e贷”与5家第三方机构达成合作，加上平安集团 内部的大数据系统，构成了便捷高效的评估体系。秦福荣透露，“宅e贷”正在探索租用平台、全流程代理等多种模式，与合作伙伴分享线上房屋抵押贷款市场机 会。
“宅e贷”进军个人房屋抵押贷款，只是大数据助力传统信贷业务“线上化”的众多案例之一。
去年末，建设银行率先推出个人网上自助贷款产品“快贷”，依托的便是建行客户资产、负债和信用等海量金融信息。浦发银行与中国移动联手正式上线“和利贷”系统，借助后者的交易往来记录，为客户提供标准化小额信用贷款。
在金融界人士看来，未来要让更多信贷产品实现“线上化”，仍有赖补上征信体系这一“短板”。
曾在银行业从业数十年的秦福荣坦言，最怕就是碰到没有任何信用记录、无从评估信用水平的“小白”。一些银行界人士也表示，央行建立了较为完善的征信系统，银行内部也有大量的信用数据，但仍难以满足开发更多线上贷款品种的需求。
本月初在上海举行的“2015互联网金融与征信体系建设高峰论坛”上，中国人民大学法学院副院长杨东表示，在“互联网＋”时代，大数据金融使得 个体在网络上的微观行为可以得到综合分析及有效利用。每个老百姓、每家企业的交易行为都被纳入金融大数据的收集范围，这也奠定了大数据金融征信的基础。
在杨东看来，完善互联网金融征信体系不仅需要建立征信数据库之间的信息共享机制，还要完善互联网征信监管机制，并加大对失信行为的惩戒力度。征信行业本身，也需要实现从官方主导向民间发展的转变。
秦福荣也表示，借助网络购物、第三方支付等途径，消费信息、行为模式、家庭状况等大数据正在帮助互联网金融打造一个“不一样的信用体系”。这也有助于包括信贷在内的更多传统银行业务走向“线上”。

7. 什么是大数据征信与传统征信有何区别

如今大数据概念已经广为传播，什么都能够和大数据扯上关系，似乎有大数据才更可靠。就能贷款的征信系统也开始用上大数据了。那么什么是大数据征信呢？其实支付宝花呗，京东白条，p2p网络借贷等都是建立在大数据基础上的信用贷款模式。
一般来说，的我国的征信系统数据主要从各种国家及或是金融机构外加例如公共机构的数据为判断。而大数据征信是什么呢？对大数据无公认的定义，一般认为大数据是指所涉及的资料量规模巨大到无法通过主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为服务于经营决策的资讯。简单的说，例如电商行业比如淘宝网、京东电商做出判断的消费数据信息就是大数据征信，他们和一些第三方的互联网金融机构都有属于自己的可靠大数据征信来源。而这些依靠大数据为信用依据所给出的网络虚拟信用贷款服务，似乎已经成为了互联网金融未来的发展趋势。
大数据征信与传统征信的区别
从类型上看，传统征信公司采用的是同业信息分享模式，即客户查询一条信息需要先共享一条相应的信息；而互联网公司则是利用自身的海量数据优势和用户信息，从财富、安全、守约、消费、社交等几个纬度来评判，为用户建立信用报告，形成以大数据为基础的海量数据库。
值得一提的是，传统征信模式面临的难题是征信数据不全、平台上传数据积极性低、更新不及时、接入门槛高等问题。而大数据征信模式，其优点在于数据来源广泛，弥补传统征信覆盖面不足的缺陷；数据类型多样化，不局限于信贷数据，更能全面反映个人信用情况。其难点在于：信息过多引起的数据杂乱，整合多方数据困难，且数据相关性分析需要较长时间和实践来检验，短期内信用评价数据精准性较低。此外，大数据征信也面临着法律风险，在个人隐私保护上较难把控。