ZestFinance用大数据颠覆传统征信业.docxVIP

ZestFinance用大数据颠覆传统征信业 2014-09-05? HYPERLINK javascript:void(0); 大数据邦 硅谷越来越多的科技企业开始向金融圈进军。ZestFinance就是其中之一。　　这家公司打出的旗号是“将Google算法带入征信领域”，其利用机器学习和大数据技术，创立了一套和传统模式相异的信用评分方式，其中应用的数据变量是传统模式的上百倍。 　　ZestFinance创立于2010年，创始人道格拉斯·梅里尔（Douglas Merrill）是Google的前信息总监兼工程副总裁，另一位来自金融圈的创始人肖恩·布德（Shawn Budde）曾在第一资本公司（Capital One）负责信贷业务。 　　记者专访了ZestFinance的创始人梅里尔，他认为，“ZestFinance完全可以取代银行现在用的算法。” 　　然而，美国个人消费信用评估公司（FICO）中国区总裁陈建表示，这不可能。在美国有1000多家当地信用局为消费者服务，基本隶属于三大征信公司。这三家征信公司分别拥有覆盖全美的数据库，包含超过1.7亿消费者的信用记录。在三大征信公司收集了海量个人征信数据后，还须经过复杂的模型计算才能形成征信产品。这三家征信公司目前使用的计算方法模型都来自同一家公司，即被称为“幕后大佬”的FICO。 　　越来越多类似ZestFinance的初创公司正在觊觎传统华尔街的地盘。而其势头如同多米诺骨牌，不断推向华尔街的要害。 数据变废为宝 　　在ZestFinance的官网上有这样一句话：“所有的数据都是信用数据。”这句话恰恰浓缩了ZestFinance所做的工作——将成千上万的数据“变废为宝”，应用于信用评分。 　　这家公司在短短四年时间内，就先后获得了高达1.2亿美元的融资，其背后的出资人都是著名的IT风投，包括FlyBridge、GRP、LightSpeed以及Matrix等。 　　目前，美国绝大部分金融机构使用的信用评分都来自FICO的模型算法。自上世纪60年代至今，在美国的征信体系中，FICO的地位从未被撼动。 　　在美国，经过三大征信公司的整理和FICO的计算评分，海量的征信数据就变成了一份份整齐美观的报告和325-900分值区间的评分，用户可以只买报告，也可以报告+评分打包购买。 　　中国科学院院士、北京大学教授鄂维南对记者表示，FICO的评分模型的确首屈一指，但并非十全十美。FICO信用评分参考的数据变量只有不到50个，因此很多人摸清了FICO关注的变量后，就可以“模型套利”增加自己的信用评分，例如一个人可以每天反复在图书馆借书还书“刷信用”。 　　“针对FICO的不足，ZestFinance重新设计了一套信用评估模型。和FICO的不到50条参考变量相比，ZestFinance参考的数据变量多达上万条，并采用非线性化的、更前沿的技术来进行分析，从而防止‘模型套利’的现象，更精准地评估消费者信用风险。” 　　的确，ZestFinance远远超出了FICO 50条变量的界限。在这个位于洛杉矶的65人团队中，大多是数据科学家，他们开发了多个机器学习分析模型，而在这个模型中使用的数据变量多达上万条。上万条数据变量仅仅是原始信息数据，在这些数据基础上，模型可以得出超过7万个可以判断信贷行为的指标。而模型跑完这些指标仅需要不到3秒钟。 　　所谓机器学习，是让计算机模拟或实现人类的学习行为，以获取新的知识技能，在数据积累中不断自我完善，可谓是人工智能的核心。ZestFinance的模型之一Hilbert就是成功地将机器学习进行商业应用的案例，让机器承接7万个指标的数据分析工作，寻找逻辑关系，并不断自我改善，人类只需要根据结果进行一些逻辑分析和判断。 　　“多年来，美国金融机构都在用50条数据变量来决定是否给一个客户授信。问题在于，许多人并没有完整的信用记录，这导致在传统信贷中他们不断吃闭门羹，”梅里尔表示，“在ZestFinance，我们分析上万条数据变量，借助更加广泛的数据，从而对客户的风险预判更加精确。” 　　数据的类型亦极其广泛：一个人的网页浏览历史、手机付费记录、超市购物清单都可成为重要的参考依据，甚至在用户填写信贷申请表时是使用大写字母还是小写字母，也可以成为数据变量。 　　“很多数据都可以服务于信贷，例如申请人在我们的网站上停留的时间，就可以反映他对申请贷款的谨慎程度和还款诚意。”梅里尔说。 　　鄂维南认为，信贷记录属于强变量，在强变量缺失的情况下，可参考多种弱变量，当这些弱变量组合起来，就可形成强变量，服务于信贷风控。“例如，孩子是一个家庭支出的源泉，那么如果能推测出借款人孩子的年龄，就能预测他的消费周期：婴儿有奶粉等固定开销、学生每到9月就要缴纳学费等。只要能避开他的主要支出，就