征信建设是所有金融企业风控环节的重要内容，是对信息主体的信用信息进行采集、整理和加工，并向信息使用者提供参考建议，用作缓解交易双方的信息不对称，降低信用风险，提高交易效率。

大数据征信的到来，其实并没有颠覆传统征信的基本职能，但由于大数据对数据整理、保存加工和分析预测技术带来了革命性的改变，完全颠覆了传统意义上的数据定义，以及由此产生的数据处理、样本调研和行为预测，让征信的数据来源变得更广泛、形式更丰富、容量更大以及征信成本更低，大数据征信比传统征信有了质的飞跃。

征信和金融企业的风控有着紧密联系，市场化征信机构不但可以为互联网信贷机构提供更好的征信信息共享服务，还可以为其提供反欺诈、大数据查询、信用评分等其他风险管理增值服务。在刘新海看来，未来更多信息的共享和交换将是大势所趋，一切数据皆信用。

风控管理是基于大部分消费者都有相似的经济行为模式

对某种信贷产品违约的消费人群有类似经济行为模式，守信人群的信贷历史记录也存在趋同现象，只要把这些行为模式转化成征信信息进行分类和比较，就可以对消费者进行风险管理。

当金融消费场景和目标人群越细分，风控效果越好

国内金融机构进入征信领域最好的切入点是垂直行业，在这个基础上逐步延展和综合，我们所知道的那些征信巨头，几乎都是从垂直消费场景做起的，一味追求大而全的场景模式，并不是大数据征信最优的发展路径。

未来征信在普惠金融、消费金融等领域的外溢效应很大

征信是信用风险管理的重要但不是唯一的组成部分，征信作为独立第三方，不参与金融业务，但其信息服务可以在数据、信息、解决方案等方面，可以为更多互联网金融机构提供决策支持，针对当前我国征信数据的发展情况，替代数据的需求非常大。

大数据对信用风险评估能有质的飞跃

数据自动处理技术、数据库技术及数据挖掘技术的发展带来征信业务的飞跃，传统征信机构和新兴的高新科技数据公司都已经从不同角度、不同环节尝试进入大数据征信领域。目前，大数据征信不仅可以处理微观信用风险，还可以支持宏观金融系统性风险管理、消费市场预测和重大金融决策等。

不同类型替代数据，能更好的帮助信贷企业进行信用评估

替代数据可以帮助信贷企业提高信用评分的准确性，传统的征信巨头在这些方面也做了很多的尝试，例如Experian将房租信息纳入个人征信产品和服务中，使得个人信用评分提升9%;FICO、Equifax和LexisNexis将电信和公共事业缴费大数据作为可替代数据;环联则整合大数据与传统数据，提供一种对消费者风险更精细的预测，将使美国95%的成年贷款人获得信用评分。替代数据是基于结构化的数据，是传统数据的重要补充，而且它更容易从市场获取。

基于消费者未来潜力的信用评估模式在中国也很有市场

UpStart是专门针对年轻人群的信用评估征信机构，年轻人信用记录比较薄，传统信用评分并不能很好的描述年轻消费者的未来还款情况，但UpStart开发了全新的信用评估模型，根据年轻人的教育程度和背景以及工作经历来评定他们的信用风险，是对年轻消费者未来金融行为作出一个预判提供给使用者，主要针对大学毕业生，有类似风投的思路，但该模式有一定的风险性。

阿里芝麻评分可成为共享经济评分数据的新维度

阿里芝麻评分的核心来源于支付宝数据和合作消费场景数据，评分的维护来自于用户信用历史、行为偏好、履约能力、身份特质、人脉关系，涵盖了信用卡还款、网购、转账、理财、租房信息等多方面，阿里体系以及共享经济模式的企业，可以使用阿里的芝麻评分作为替代数据，但阿里芝麻评分目前缺少金融数据和违约样本。

数字信誉是有价值的

对某个品牌忠诚度高、而且愿意进行社会分享的消费者，是可以获得更好的数字信誉。信誉经济学认为，从海量数据采集中，获得关于个人消费者的预测是可以转化为经济行为，未来消费者可通过数字信誉改善生活。

互联网经济场景下的征信第一步是要防欺诈

互联网经济环境提供了新的信息维度，但也带来了新的信息不对称，虚拟化也带来了新的交易信用风险管理问题，身份验证和防欺诈变得越发重要。未来，生物识别技术，包括人脸识别和声纹识别都将在征信领域发挥作用。

量化信用评估在个人信贷效果比较好

信用评分技术是信用领域最成熟和标准化的技术之一，其中样本的重要性是高于算法的，样本必须要足够多，多得要把好的和坏的场景区分清楚，当描述维度足够全的时候，信用评估体系在个人信贷领域能更有效的控制风险。

问答

Q:目前中国的信贷领域最有效的信用评估还是依靠央行征信系统，但其覆盖人群有限，国家是否有一些措施扶持民间征信机构的发展，协助更多的金融企业开展小微贷及消费金融业务?

刘新海:信用风险管理的创新和管理的专业水平是创新信贷机构的核心竞争力，这种核心竞争力的构建，除了依靠政府构建的金融征信数据系统，关键还是企业要根据自身业务和情况出发，因地制宜，构建符合企业自身发展的征信系统。

Q:市场上有哪些可替代数据能提升帮助企业对消费者进行信用评估?

刘新海:当前央行拥有信用报告的人数仅为3.2亿人，有信用评分的仅有2.75亿人，虽然与信用风险联系性最强的就是他本人的信贷数据，但仍有一些“替代数据”可以成为征信的数据源。比如电信数据、支付数据对于轻量型的贷款信用评估是可行的，还有包括税务数据、公共事业数据、电商数据、行为数据都可以成为很好的“替代数据”。目前国内已经有一些城市开放公积金数据与金融机构合作，这也是一个很好的开始。

Q:风险模型的建立是一个校验和优化的过程，一般情况下从建立到稳定下来有效的控制和经营风险大概需要多久?

刘新海:对于创新企业而言，风控建模的周期大概在6个月，运营成熟的需要1年多的时间。场景、目标人群确定的越精细，风控的效果就越好。一个征信系统从建立到发挥作用还需要时间和市场验证。