国内征信业发展迅速、特点鲜明。国家专项法律和政策规划促进了征信机构及服务的多样性，立信、供信、征信、用信各方共同组成了征信市场，推动形成了全社会共同参与的“大数据征信资源”和“大征信市场格局”。为积极拓展、充分融合、创新应用内外部大数据资源信息，商业银行应制定适合自己的大数据资源采集策略、集成供给策略、信息产品策略和创新应用策略，建立完善大数据应用体系，为提升自身市场核心竞争力、提高经营发展潜力，安装动能更加强大的大数据引擎。

在法律方面，征信专项法律对大数据征信涉及的范围，持一种宽泛、开放的态度。《征信业管理条例》仅将“个人宗教信仰、基因、指纹、血型、疾病和病史信息”作为禁止征信机构采集的内容；在政策方面，从《社会信用体系建设规划纲要（2014～2020年）》规划的“政务、商务、司法、社会”体系看，大数据征信涉及的更是一种全类别、全领域的信息范畴；在技术和理念方面，互联网＋、云计算、移动互联等大数据资源与技术的兴起，为信用经济和征信业提供了强大动力。互联网“一切信息皆信用”正在成为现代征信业的新教义。故大数据征信的范畴可概括为“以企事业单位和个人为对象，以了解掌握对象需求和风险为目的，以传统金融征信信息为基础，以新兴公共征信信息、商务征信信息、消费征信信息、社交征信信息为补充的数据采集、整合、加工、应用工作”。

商业银行大数据基础、局限与需求

基础：商业银行在国民经济中作用突出，其连通货币供给、货币需求、货币收支等职能，使其积累了大量的与企业及个人经济活动相关数据。这些数据可大致分为客户描述信息、申请签约信息、账户交易信息、业务状态信息、分类评价信息、分析估测信息六大类的客户数据，以及与这些客户数据相关联的行业、机构、时间、地域、渠道、介质、事件、数量等描述数据。由于商业银行的客户及其经济活动涉及到社会的方方面面，企业及个人与商业银行的互动往来也非常频繁，同时商业银行普遍注重开展信息化经营，故商业银行不断积累、持续更新的企业及个人信息，符合大数据“大量、高速、多样、价值”等基础特征。

局限：虽然商业银行具有较好的大数据基础，但其局限性也很突出。其局限主要表现为三个“分”：一是从行业间角度，公共资源信息分散在各公共管理部门、行业管理部门和公共服务机构，商业银行难以全面、高效地获得企业及个人公共信息，特别是随着互联网经济生活模式的兴起，对商业银行有价值的企业及个人商务信息、经营消费信息、关联社交信息逐渐向互联网服务商汇集，其形成的新兴大数据资源，分离于商业银行自有媒介形成的大数据资源之外；二是从行业内角度，银行业大数据资源非常庞大，但企业及个人相关信息分散在各家商业银行内部，彼此未能互联互通；三是从商业银行内部角度，客户数据来自各个业务条线，存储或应用大多处于分散状态，大数据应用效率较低。

需求：客户的需求挖掘和风险控制是商业银行需要大数据、应用大数据的主要动力。在客户需求挖掘方面，对潜在客户，商业银行需要大数据为其提供更全面、更多维度、更有时效性的企业及个人信息，以便准确把握客户的金融需求，进而从摆摊营销、扫街营销、陌生拜访营销和短信群发营销等传统的营销工作模式，有效升级到群体定位营销、事件名单营销、活动定制营销和需求精准营销等先进的营销模式；对存量客户，商业银行同样需要大数据，深入分析挖掘其价值潜力和发展潜力，进而做好业务推介营销、专业联动营销、客户培育营销和产品定制营销等客户维护工作。在客户风险控制方面，对潜在客户，商业银行需要大数据为其提供更有参照性、更多样化、更高效率的企业及个人风险识别信息，以便在营销准备工作环节中筛选好客户、准确定位目标客户，在客户准入工作环节过滤“坏客户”；对存量客户，商业银行需要大数据为其提供稳定持续、动态更新、真实可靠的企业及个人风险识别信息，在客户跟踪、业务监测、风险处置、不良追索等工作环节进行风险预警和控制，避免“客户劣变”给商业银行带来声誉、法律、资产等方面的损失。

商业银行大数据征信应用策略

1.大数据征信资源采集策略

首先是大数据征信资源定位，即确定大数据征信的采集范围。一般来说，商业银行在识别客户需求、估算客户营销价值、判断客户优劣、预测客户违约可能的过程中，既需要借助银行内部已掌握的客户描述信息、申请签约信息、账户交易信息、业务状态信息、分类评价信息、分析估测信息，也需要借助外部机构掌握的客户公共评价信息、商务经营信息、收支消费信息、社会关联信息。即因提供金融服务而产生内部客户信息和需要专门引入的外部客户信息应共同组成商业银行大数据征信资源。

其次是大数据征信资源获取渠道选择，即确定大数据征信的工作路径。商业银行获取客户信息可以分为“接洽获取”和“背对获取”两种方式。“接洽获取”即银行“面向”客户，从客户线下申办业务时提交的各类资料中、从客户申办线上业务时填报的各类登记信息中、从客户变更维护的其本人更新信息中、从客户使用银行工具的行为活动中提取客户信息；获取渠道通常是商业银行专用媒介，包括线下的银行网点、柜面、自助机具和线上的银行服务热线、网上银行、电话银行、手机银行、短信微信银行、银行门户网、银行电商平台等。“背对获取”即银行“背对”客户，从电话及走访调查活动中、从行政公示和媒体披露中、从征信机构专项服务中获取客户信息，获取渠道包括银行调查登记系统、行政公共媒体门户网站、征信专项查询系统等。

再次是大数据资源采集模式，即确定大数据征信的工作布局。可分为内部大数据资源采集模式和外部大数据资源采集模式，后者因采集内容对象的不同，又可分为公共大数据资源采集模式和商业大数据资源采集模式两类。对内部大数据资源采集模式，商业银行之间是趋同的，即“前台系统记录-后台数据存储-跨系统信息集中-数据仓库整合-形成内部大数据资源”；但对外部大数据资源采集，商业银行会面对很多选择。比如“法院判决信息”，就是一种典型的银行外部大数据资源信息，它对银行“客户准入”“客户风险监测”“客户评价”等工作可发挥有益作用。为获取该信息，银行可选择直接从法院对接获取、定期从法院网站获取，也可选择从有该项数据资源的征信服务机构间接获取。

2.大数据征信集成供给策略

内部大数据资源集成方面，商业银行应打破相关信息时间、地域、机构、业务、产品、渠道、系统、部门之间的归属“藩篱”，将信息集成汇聚在具体客户名下，实现商业银行“业务籍数据”向“客户籍数据”的转变。尤其是大型商业银行，应将“数据资源”放在与财务资源、人力资源同等重要的地位，实现银行本部与其分支机构之间，银行母公司及其独资子公司、控股子公司和参股子公司的数据集成与共享。外部大数据资源集成方面，商业银行应尽量选择与具有社会影响力、行业代表性、数据资源多样化、服务类型多元化的征信服务机构进行合作，以保障相关数据的来源正当、数据可靠、服务稳定和信息时效。

内外部大数据资源整合方面，商业银行应参考行业、监管、统计等信息标准，建立本行统一的客户信息分类、信息内容定义、时序多源同质数据的优先级排序等业务应用标准，建立相对应的原始数据入库、多源数据整合、残差数据清洗、失真数据出库、历史数据老化等技术处理标准，以及业务技术相结合的数据质量管控标准。通过相关标准，使内部大数据资源信息与外部大数据资源信息充分融合，促进商业银行利用相关信息，了解客户整体情况、分析客户偏好、定位客户需求、把握客户风险状态，进而做好客户营销和风险控制工作。

内外部大数据集中供给方面，商业银行应考虑三个方面的措施。一是以客户级大数据为基础，为存量客户建立视图画像，使商业银行向各管辖机构、各业务条线、各产品条线进行内容全面、形式友好的客户级大数据集中供给；二是建立专项集中的企业及个人风险名单库，统一“风险客户”等级标准，集中支持各专业条线、各金融产品对高风险客户的新产品新业务营销的过滤工作；三是统筹各专业条线、各业务环节对大数据增量信息的需求优先序列，对新客户、高等级客户、高时效业务、高风险业务实现大数据实时采集式更新；对存量、一般、普通时效业务、低风险业务实现大数据集中、批量、排序、滚动更新。

3.大数据征信信息产品策略

大数据征信为商业银行提供了丰富的资源信息，商业银行只有组织好这些资源信息，才能使其为营销拓展、客户准入、调查审批、评级授信、额度调控、产品定价、风险监控、不良处置等工作服务。资源信息的组织形态，最形象的表达就是大数据信息产品，现将三种征信产品形成机制及应用方式抽样示例如下。

营销类大数据征信信息产品：如通过外部征信机构合作，引入政府招标采购的中标企业名单、新兴优质纳税企业名单、新获专利或产品认证的企业名单信息，结合内外部大数据中的地域地址类信息、企业潜在金融需求分析信息，形成专项营销类信息产品，推送商业银行营销机构、部门及客户经理，增加商业银行拓展客户、营销金融产品的机会。

验证类大数据征信信息产品：如通过外部征信机构合作，获取业务申办人在第三方机构记录的身份资质、财务状况、资金流向等信息，形成验证类信息产品，用大数据信息与客户自行提交的资料信息进行比对验证，提升商业银行对业务申请人“资质掺水”“财务美容”“规模夸大”“交易作假”“身份冒名”等虚假情形的识别和防范能力。

预警类大数据征信信息产品：如通过外部征信机构合作，获取客户违法犯罪、公示处罚、商业违约、民事追偿、公共欠费、经营波动、恶性舆情等信息，整合为综合预警类信息产品，推送商业银行风控机构、部门及风险经理，从客户准入起到客户退出止，发挥事前、事中、事后全流程立体预警的作用。

原文刊载于《中国城市金融》2017年第1期

　　好在随着移动互联网时代的来临，从电子商务到互联网金融，人们在网络上产生的数据“足迹”越来越多，大数据已经成为当前金融机构加强风险控制的重要补充手段。

　　大数据征信开启风控新格局

　　大数据征信是利用数据分析和模型进行风险评估，依据评估分数，预测还款人的还款能力、还款意愿、以及欺诈风险。在金融风控领域，大数据指的是全量数据和用户行为数据。目前使用的是围绕客户周围的与客户信用情况高度相关的数据，利用数据实施科学风控。

　　与传统征信相比，大数据的助力将带来以下三大益处。

　　首先，大数据征信模型可以使信用评价更精准。

　　大数据征信模型将海量数据纳入征信体系，并以多个信用模型进行多角度分析，以美国互联网金融公司ZestFinance为例，它的模型基本会处理3500个数据项，提取近70000个变量，利用身份验证模型、欺诈模型、还款能力模型等十余个模型进行分析，使评价结果更加全面准确，是模型评估性能大大提高。

　　其次，大数据征信能纳入更为多样性的行为数据。

　　大数据时代，每个相关机构都在最大程度上设法获取行为主体的数据信息，使数据在最大程度上覆盖广泛、实时鲜活。

　　过去，征信机构对于企业和个人信息的搜集相对比较困难，数据搜集数量也比较有限。随着互联网和大数据的普及，依托于大数据和云计算技术优势，可挖掘大量数据碎片中的关联性，推动数据统计模型不断完善，更加科学的反映用户的信用状况。

　　大数据风控的一个最大的优势就是丰富了信用风险评估的数据维度，征信数据规模越来越大，数据维度越来越广，模型不断迭代优化，大数据等新兴技术正在成为征信行业突破传统瓶颈的重要手段。

　　最后，大数据征信带来了更为时效性的评判标准。

　　传统风控的另外一个缺点是缺乏实效性数据的输入，其风控模型反映的往往是滞后数据的结果。利用滞后数据的评估结果来管理信用风险，本身产生的结构性风险就较大。

　　大数据的数据采集和计算能力，可以帮助企业建立实时的风险管理视图。借助于全面多纬度的数据、自我学习能力的风控模型、实时计算结果，企业可以提升量化风险评估能力。

　　不过，虽然大数据征信能够降低信息不对称，更全面地了解授信对象，并增加反欺诈能力，同时更精准的进行风险定价，但目前还不能完全取代传统征信。大数据风控可以从数据维度和分析角度提升传统风控水平，是一个必要的补充，可以让传统风控更加科学严谨，但目前由于覆盖率、匹配率等问题，不能完全取代传统风控。

　　大数据征信如何提升金融机构风控能力

　　下面我们以一份人数约5万的小额贷款客户数据样本，将通过分析得出哪些变量对于不良率有显著影响；另外，对这个数据样本使用前海征信的大数据征信产品进行评估，通过比较实际不良客户和大数据评估结果，来看看使用大数据征信产品是否能有效起到风控能力的提升作用。

　　1F 客户基本系信息和不良率的关联分析

　　在这份小额贷款客户的整体数据中，大约有27%的不良客户。我们来看看学历、婚姻状况及地域等基本信息中与不良客户的关联度。

　　见图2-1，我们发现高中及以下学历是不良客户主要构成；但经过分析，样本数据中学历信息完善度较低。因此，要想降低不良率，可以关注客户的学历信息是否完善，并进行严格审核。

　　见图2-2，在考虑婚姻情况与不良客户之间的关联时，发现不良客户中未婚者占比明显高于已婚者；说明如果能提高样本的婚姻信息完善度，并严格审核这个指标，亦可以对降低不良率起到一定作用。

　　通过对客户信息进行地域分析发现，不良用户的出现与地域分布有极大的相关性，如图2-3，不良用户会呈现集中式分布，说明客户的地域信息也可作为有效的审核参考指标。

　　从上述分析中可以看出，客户基本信息如学历、婚姻、年龄、收入、地区等，均与风险有一定关联度，所以应该尽可能完善客户信息，并可部署在授信前段进行身份验证，提高审核效率。

　　2F 大数据评估和不良率的匹配情况

　　接下来，我们看看前海征信大数据产品对不良客户的评估情况。

　　首先看看好信度好信分。

　　前海征信推出的好信度好信分，是基于大量金融数据、互联网行为等信息来刻画客户身份、履约能力等七个不同维度，从而获得的综合信用得分，可用于分析好信度分和客户最终出现不良是否有相关关系。

　　我们再来看看常贷客评估的情况。

　　前海征信的常贷客数据，来源于好信平台系列产品的数据共享，包含千万级别客户信贷行为信息，可查出客户短期内是否向其他机构申请过贷款。此前数据证明，常贷客信贷逾期风险是普通客户的3到4倍，可供用户信用审核参考。让我们来看看这一数据对于样本的表现情况。

　　见图2-8，对比数据表明，随着命中机构数目的增加，不良客户比例有着显著提高。因此，常贷客对于客户不良情况有显著的识别及区分能力。

　　最后，我们来看看风险度评估的表现。风险度基于千万量级的风险数据库，并结合多维的外部数据，利用大数据建模从多方面对客户出现信用风险的可能性。

　　目前，风险度整体命中率约为8.5%。被风险度命中的客户，其不良比例显著高于未命中的客户。见图2-9和图2-10.

　　综上所述，大数据征信评估有望对金融机构降低信用风险和欺诈风险带来显著效果。因此金融机构在设计授信政策时，不妨多维度使用征信产品数据，实现全流程大数据风控，从不同角度筛选不良客户。

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，百度、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、百度、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。

作者简介：

吴昊，现任好贷网大数据事业部总经理，中国大数据风控联盟发起人，人民银行征信中心“个人信息保护”课题组成员，负责好贷数据仓库构建、数据清洗、策略模型和好贷云风控业务。