第一篇：企業征信數據主要內容以及數據來源

企業征信數據主要內容以及數據來源

—、企業征信數據主要內容企業征信數據由企業信用信息轉換而來，企業信用信息只有經過數據處理后、被存儲到企業征信數據庫中的數據才是企業征信數據。企業信用信息只有轉化成征信數據之 后，才能達到商品化要求，才能用于生產企業征信報告。企業征信數據與企業信用信息之間的區別很大。企業征信數據除了帶有經過數據處理的特征之外，還要有統一數據格式要求，不僅同一項數據的結構和精度均相同，而且 對于每項數據的起始點和終結點都有嚴格的要求。企業征信機構不見得廣泛地采集所有能夠采集到的信用信息，企業信用信息或企業征信數據的采購是被限定在特定范圍之內的。企業征信機構是否加工或保存一類征信數 據，受到兩個基本條件的約束，一是技術，征信數據必須能對企業信用價值的評估做出 貢獻；二是成本，即在經濟上合算。對于加工和存儲成本高，又對制作報告產品貢獻不太大的征信數據，企業征信機構不會加工和保存。企業征信數據內容通常包括企業的注冊信息、財務報表、公共記錄、雇員、進出口情況、銀行往來情況、付款記錄、經營者簡歷、企業發展史、財務報表反映不出的經營 狀況、產品介紹以及相關的市場宏觀經濟狀況和行業發展狀況等。I

二、企業征信數據主要來源(一）政府掌握的企業征信數據政府掌握的信用信息是公務信息的一部分，產生于政府執行公務或對企業實施監管的工作過程之中。根據企業征信機構的經驗，十幾個政府部門掌握了大量的企業信用信 息，如工商行政管理局、稅務局、中國人民銀行、海關總署、統計局、法院、國資委、商務部、郵政局等（見表3-1)。工商行政管理局掌握著大量的企業基本信息、企業財務信息和行政處罰信息。目前，工商行政管理系統掌握的信用信息是有條件的開放，其中企業登記注冊的信息是基本對外開放的。工商行政管理局在很多省市地區開通了 “紅盾網”，可以免費在網上査詢當地企業的登記注冊信息。統計局定期形成的各種統計報表和經濟普查報告，其中包括企業的財務報表。目前，統計局掌握的信用信息還沒有全部對外開放，還無法從這個信息源中得到單個企業的信 用信息。海關掌握企業從事進出口活動的相關信息，海關的統計部門和信息中心會定期形成報關單和各種進出口統計報表，主要內容包栝進出口的產品名稱、貨品數量、產地、發 貨地、到達地、交易對象、交易時間等。此外，海關還會形成季度和年度進出口統計和 分析報告。中國人民銀行征信中心負責國家金融基礎信息數據庫的建設管理工作，已經建立了公共的企業征信系統和個人征信系統，各類正規金融機構掌握的企業及個人信貸已經被 匯集到這兩個系統中。商業銀行等金融機構經企業、個人授權同意后，在審核信貸業務 申請以及對已發放信貸進行貸后風險管理的情況下，可提供企業、個人征信報告。國有資產管理委員會擁有國有企業的資產、隸屬、經理人員、并購、政策等資料。外匯管理局掌握著所管轄有外貿經營權企業從事外匯交易活動的外匯交易額、進出口貨 物情況、結匯情況、應收賬款情況等。房屋管理局主管房地產登記管理工作，確認房屋 權屬，辦理房屋所有權登記和初始登記、轉移、變更、注銷及設定他項權登記。公安局車輛管理所掌握所管轄區域內所有機動車所有權登記信息。還有些政府部門會定期公布諸如破產、抵押品置留權、動產抵押申請、民事訴訟、經濟仲裁等公共記錄，上述政府部門提供的企業信用信息非常有價值。(二）非官方的企業信用信息非官方的企業信用信息，是指政府公務信息之外的企業信用信息，有時也被稱為“民間信息”，特別指那些非商業化的企業信用信息。非官方的企業信用信息的主要來源 是商業銀行、行會商會、公用事業單位、電信公司、企業的供應商、各類房東、租賃公 司和新聞媒體等，這些信用信息的擁有者所提供的信息是龐雜的。但是，經過企業征信機構的篩選和處理，有些信用信息是可以利用的，能夠成為企業征信數據。商業銀行擁有大量的企業信用信息，如企業開戶信息，貸款、擔保和還款記錄等信息，資金流人和流出量及去向方面的信息。長期以來,商業銀行是最重要的民間信用信 息來源，對于那些沒有公共征信系統的國家更是如此。在許多國家，商業銀行都會向企業征信機構提供信用信息，它們不僅正常地提供企業信用信息，而且還不一定收取費用。中國人民銀行征信中心建立了我國企業和個人公 共征信系統，產生于商業銀行的企業信甩信息都被匯集到中國人民銀行征信中心的企業 征信系統中。目前中國人民銀行征信中心不對金融系統之外的機構開放，只向商業銀行等正規金融機構提供信息查詢服務。第三章企業征信業務公用事業單位產生了大量的用戶付費信息，這對于了解和評價其用戶的信用行為和財務能力是非常有用的。所謂的公用事業單位，主要包括電力公司、自來水公司、電話 公司、煤氣公司、供暖公司等，人們還經常將移動通信服務類公司也包括進去。如果一 個企業長期拖欠公用事業單位的費用，那么企業征信機構將視其的欠費額度大小，給予欠費企業不良信用記錄。另外，公用事業用戶的付費方式也對了解用戶的財務狀況和信 用行為有幫助。各行各業的行業協會或商會都有著自己行業情況的信息積累，如它們有相當詳細的業內主流機構、行業發展和從業人員變化等信息。這些信息可以反映行業當前的實際情 況和行業發展趨勢。行業協會掌握的信息有可能是與業內機構共享的，面向自已的會員 企業服務。很多行業協會都負責編纂本行業的年鑒，它們有采集年鑒所需信息的渠道，這些信息渠道對企業征信機構是有價值的。例如，《中國電子信息產業年鑒》《中國汽車 年鑒》和《中國金融年鑒》等。年鑒對行業在過去一年的發展情況、產品情況、技術水平、企業發展情況、盈利水平、發展趨勢、大事記等做了詳細的記錄和說明，具有較高的參考價值。在報紙、雜志、廣播、電視、網絡等公眾傳媒上，也有大量的信用信息在傳導，從中可以篩選出一些有用的信用信息。目前，互聯網巳經成為重要的“信息集散地”，從各 類網站獲取所需的信用信息成為企業征信機構的一個重要的信息渠道。政府部門的網站 是該部門的權威信息發布平臺，相關行業政策、法規和行業總體運行情況都會在部門網站中得到及時反映。大量網站對行業和企業的經濟活動給予動態報道，它們都是企業征 信機構的重要信息來源。不同信息來源的原始信用信息有可能存在不完整、有偏見、有誤導、不夠及時等缺陷，從征信機構的用戶角度對企業信用信息來源做出的評價，如表3-2所示。(三）商業化的企業征信數據及其采購商業化的企業信用信息是非官方信用信息的一部分，通常以征信數據的形式存在，是可以進行交易的商品。在發達國家的市場上，可以找到許多數據供應商，企業征信機構可以從數據供應商處采購數據。因為數據供應商是銷售數據產品的專業機構，它們有能力提供符合企業征 信機構要求的征信數據，而且數據的質量很高。除了數據供應商之外，企業征信機構還可以從其他的征信機構購買企業征信數據。一些擁有大型征信數據庫的企業征信機構也提供不同加工深度的企業征信數據，如企業 基本fe息等。在必要的時候，企業征信機構還可以委托其他類型的機構幫助調查，取得一些特殊類別或特別準確的企業信用信息。例如，委托律師事務所進行調查，通過律師取證得到 調查對象的賬本或特殊信息。當然，還可以委托會計師事務所進行調查。然而，通常企 業征信機構不使用律師事務所或會計師事務所提供的專案調查服務，盡管這種調査所取得信息的可靠性高，但費用太高。另外，這種調查的震動大，容易被調查的目標企業察 覺，可能傷害到企業征信機構與委托人關系。在市場上采購企業征信數據，要通過一個設定的工作程序，避免花錢卻沒買到可用的數據問題，或是買了質次價高的征信數據。一個好的企業征信數據供應商應該具備下 列特征：(1)是合法的征信數據供應商，提供的征信數據也是合法的。(2)提供的征信數據質量好，特別要剔除那些提供假數據（特別是假財務報表）的數據供應商。(3)征信數據的供應穩定，更新頻率高。(4)征信數據的廣度和深度達到要求。(5)征信數據的服務方式和數據格式符合買方的要求。(6)征信數據的價格合理。(7)大型的數據供應商還可以提供海外采購服務，代理銷售外國企業的征信數據。(8)個別數據供應商允許交換數據，可以節約買方的采購成本。|

三、企業征信數據采集主要方式(一）公開數據的采集方式政府公務信息的采集主要存在如下常見方式：(1)掌握政府信息公開網站的結構，建立數據自動抓取系統，自動化采集。(2)建立商業化的信用信息采集關系。(3)建立數據交換關系。從公用事業單位采集信息，主要方法有兩種：一是從公用事業單位或通信公司采購數據，至少要采集欠費用戶的負面信息；二是承接公用事業單位或移動通信公司的信用 風險控制任務，幫助它們建立信用風險防范機制，包括欠費催收工作。對于征信數據供應商，企業征信機構主要的工作是對它們進行篩選。評價供應商優劣的硬性指標包括合法性、類型、覆蓋、質量、更新頻率、效率、成本、穩定性和服務 態度。(二）電話調查采集方式電話調查也是企業征信機構經常使用的調査方法之一,是一種低成本的調查方法。通常來說，企業征信機構使用電話調查方法的作用有兩個：一是采集信用信息，二是核 實信用信息。在以傳統作業方式操作的企業征信機構中，電話調查員主要的工作是采集信用信息，是根據委托人的需求進行個案調查。但是，在擁有大型征信數據庫的企業征 信機構中，電話調查員的主要工作是核實征信數據。在擁有大型征信數據庫的征信機構，如果向用戶提供征信數據產品或數據庫服務，需要有比較高質量的企業基本信息。因此，在這樣的企業征信機構，需要相當數量的電 話調查員同時工作。企業征信機構對電話調查員的培訓是很嚴格的，培訓內容包括相關法律法規、通話用語、掌握主動、應對拒絕、控制時間、認真記錄等。如果采用專業軟件進行管理，需 要實現一系列業務和管理功能，主要體現在提示、錄音和監控等功能上。對于企業征信 機構，最重要的是不能讓電話調査員使用非法的語言。由于對方是否提供信用信息完全出于自愿，因此企業征信機構要嚴格管理電話調查員的業務操作行為，防止電話調查員 在通話時冒充具有監管職能的政府公務員，避免產生糾紛和政府查處。總之，電話調查方法既有優點，也有局限性。企業征信機構應該合理使用電話調查方法，既不能過分依賴，更不能完全放棄。(三）信用信息資源共享方式使用信息交換方式對于企業征信機構有如下好處：(1)通過交換，得到自己需要的信用信息。(2)不是采購行為，沒有資金付出，經濟成本很低。(3)與交換對象建立了良好的合作或公共關系，形成一種雙贏的局面。(4)社會意義明顯，如促進了失信記錄的傳播，有助于加大失信懲戒機制的震懾力度。鑒于上述諸多優點，企業征信機構應盡量采用信息交換方式獲取自己所需要的信用信息。(四）信用信息采集的原則在采集信用信息時，應遵循以下4項原則：1.客觀真實性原則在采集信用信息時，應保證客觀、真實地反映企業信用狀況，堅決杜絕由于信用信息采集工作人員的主觀臆斷、個人好惡或者由于其他目的的故意隱瞞事實真相，造成評 估決策的錯誤。2.多渠道驗證原則在采集信用信息時，應通過多種渠道和方法采集信用信息，使這些信用信息能夠相互驗證。如果信用信息來源的渠道單一，由于信息資料短缺造成無法相互驗證，信用信 息的質量就無法保證，出現誤差的可能性就會很大。因此，一般要求通過3個以上的渠道 和方法采集客戶信用信息。3.低成本高效率原則采集信用信息必須考慮獲取信息的成本。對調查過于細致，固然能夠保證采集信息更全面，調查內容更準確，但也會造成采集費用過大，信用管理成本過高，使企業 的整體效益受到影響，違背了信用管理降低企業成本的初衷。因此，在采集信用信息 時，應盡量降低采集成本，用最低的成本采集到能夠滿足企業信用評估和決策要求的信息。4.時效性原則為了保證征信數據庫的更新頻率，要求征信機構定期更新征信數據，所以采集信用信息的工作要非常及時。征信機構要根據自己擁有信用信息源的多寡，安排適當數目的 人員照看信用信息源，及時將所需要的信用信息采集上來。同時，征信機構還要聘用適 量的電話調查員去核實信用信息。

第二篇：大數據征信

大數據征信 互聯網金融的羅生門

2015-02-19徐富記

從央行個人征信牌照開閘，到首家互聯網銀行微眾銀行給卡車司機發放第一筆貸款，互聯網金融的浪潮儼然已從P2P網貸洶涌到眾籌，又波濤到大數據征信。

史鐵生曾說過：“歷史在發生時未被發現，在發現時已被重組”，正如當下之大數據征信，盡管已悄然發生，但未被發現，而再發現時，卻已被改寫，局內人的自說自話，局外人的不明覺厲，大數據征信，似乎已成互聯網金融的羅生門。

四級征信機構 百花齊放

2015年新年伊始，央行下發《關于做好個人征信業務準備工作的通知》，正式開啟個人征信市場化閘門，民營征信迎來元年，以阿里巴巴芝麻信用為代表的基于消費大數據的征信機構、以鵬元征信為代表的基于公共大數據的征信機構和以社交數據作為征信模式的玖富旗下的閃銀（we cash）等征信機構紛紛登臺亮相。

以目前國內的信用體系，信用數據大致分為國家級、電商級、互聯網金融企業級、社交金融級，其中，國家級的信用數據為央行的征信中心和銀行等金融機構的信貸數據、各部委的具有公共屬性的比如通信、水、電、煤氣等公共數據。

電商級的即包括以阿里、京東為代表的消費數據；互聯網金融企業級的則如安融惠眾、上海資信；社交金融則如閃銀等開啟的新型征信模式。

毫無疑問，征信產業的發展不僅有效防范金融的風險，改善個人貸款質量，提高了銀行的凈收益，同時，隨著國內信貸行業及消費行業的提速，也再次催生了征信業的巨大需求，據《中國征信業發展報告(2003-2013)》顯示,截止 2012 年我國征信機構達到 140 家左右,總規模達 20 億,相較于美國近800 億市場和日本 40 億市場仍有較大的差距。

為此，方正證券研究認為，如果我國采取市場化模式,按照現有價格、企業及個人總數的體量,在發展成熟后我國征信行業僅個人征信市場總空間將在 1000 億左 右,相較目前不到 20 億的體量有 50 倍的成長,是名符其實的藍海。

我的“痛”，有誰知？

在如此藍海之下，我國目前的大數據征信的成長階段跟美國早起的征信市場類似，百花齊放，百家爭鳴，那么，現在的信用數據體系中，各種不同模式又各自有著怎樣的“痛”呢。

以央行的征信中心數據體系為例，由于起步較晚，目前我國個人的征信體系明顯存在覆蓋面不足的情形。到2013年底，央行征信系統收錄的自然人數量已經超過8億，但其中有信貸記錄的僅有3.2億人，占全國總人口數的1/4不到。另外征信在日常生活服務中的應用幾乎為空白。而且這些數據都來自于銀行的信貸數據，涉及面較為單一。

以電商為代表的消費信用數據“芝麻信用”的模式，則是通過分析人的互聯網行為記錄，對人的身份真實性、行為可信性進行評估并給出認證等級，并且首次作為第三方平臺征信數據，提供給P2P平臺等。

事實上，阿里巴巴在早年就已推出誠信通指數，這是阿里在誠信通會員的“誠信通檔案”基礎上推出評分系統，由A&V認證、證書及榮譽、會員評價、經驗值等要素構成。每次成功交易或獲得貸款，均會累計會員的誠信通指數，并實時公布，從而引導客戶注重累計自己的信用度、活躍度，形成信用市場的良性循環。

然而，眾所周知的是，阿里巴巴的金融業務無論是對個人還是對商戶，業已開展的如火如荼，這意味者如果芝麻信用要將自己的信用數據與p2p等金融機構互換（芝麻信用不一定會拿出自己的全部數據），那么，芝麻信用的數據值將是1+1》2的模式，一旦換取更多的信用值，自己的信貸業務又如火如荼，那么，阿里巴巴就充當了又當裁判，又做球員。

這就類似與美國的FICO，因為FICO為各家信用卡機構提供評分和信用結果，結果FICO自己又去發放信用卡，那么，信用卡機構是無法跟FICO長期愉快地玩耍的。

第三種模式則是以安融惠眾、上海資信互聯網金融征信機構，央行杭州中心支行行長張健華在日前發表的《我國互聯網征信發展與監管研究》披露的數據是，截至2014年7月25日，網絡金融征信系統（NFCS）（即上海資信）共接入203家P2P平臺，日均查詢量達約2000次。

與之相比，北京安融惠眾征信有限公司的數據量似乎更高，其創建的“小額信貸行業信用信息共享服務平臺”（MSP）于2013年3月正式上線，為P2P、小貸公司、擔保公司提供行業信息共享服務。截至2014年9月15日，MSP征信平臺會員機構已經達到405家，會員間信用信息共享查詢量已達日均9000余件，有信用交易信息記錄的自然人信息主體數量突破100萬人。

就筆者了解，上述兩種征信機構目前階段還屬于接入更多數據階段，也只有接入的P2P、小貸公司、擔保公司的量足夠龐大，才能考慮在此數據量的基礎上，開發數據模型與信用評分。

第四種創新的模式則是基于社交的大數據征信模式，典型的代表企業為玖富旗下品牌閃銀，閃銀被看作是中國的Zestfinace，通過利用移動互聯網、利用大數據技術分析用戶的社交信息等數據，完成個人授信。

在閃銀的評價模型中，社交數據尤為重要，比如個人的微信、微博、朋友圈、校友錄、信用卡賬單等，通過附加社交維度評估個人信用狀況，大大降低傳統單一的通過資產或流水形式評估的信用風險。

揭開“大數據征信”面紗

如此來看，無論是正規軍，還是后起之秀，大數據征信，無論哪一家都需要解決的一個痛點是“大”，怎么才算大？是足夠多還是足夠重要？是一家獨大還是大而不全？在央行打開的這半扇羅生門里，需要撥開以所謂“大數據”為外衣的云霧，只有當我們看到征信業的新歷史正在發生時，我們才能發現這個歷史，而非在它重組之時。

撥開這層云霧，則回到征信的初衷，征信的本質在于解決兩方面問題：信用能力和信用意愿，換而言之，即解決個人的還款能力和還款意愿，再追根溯源一點，即解決壞賬和逾期兩個問題。

那么，大數據征信，無論是傳統在銀行的資金流水，還是在電商的交易，還是在各種社交平臺上的軌跡，都需要去驗證，這些數據對壞賬和逾期的相關性問題。

而這個驗證的工作，正如一個精巧的匠工，首先需要海量的數據積累，然后有的才是一點一滴地去校驗過程，只有這個過程做到足夠龐大，就像手表一樣，才能走得足夠精準。如此以來，征信對金融的價值才能準確發揮。

第三篇：研究報告摘要及數據來源那些渠道？

研究報告摘要及數據來源那些渠道

報告數據來源那些渠道？

本研究分析報告在本公司大量周密的市場調研數據基礎上，主要依據了國家統計局、國家海關總署、國家商務部、國家發展和改革委員會、國務院發展研究中心、工商局、稅務局、國家信息中心、各大商用數據庫等國內外多種相關信息部門提供的大量資料所撰寫。

報告采用數據分析方式有那些？

本報告采用宏觀和微觀相結合的分析方式，利用科學的統計分析方法，運用圖表及表格方式，直觀地闡明了各行業的經濟類型構成、規模構成、經營效益比較、生產狀況、對外貿易情況及投資風險等，是企業了解行業重點企業必不可少的資料。

報告重點分析了那些內容？有那些重要價值？

對行業的市場規模、前景、市場供需求及價格趨勢、從業企業以及國家相關產業政策進行了全面分析。首先分析行業發展環境，逐步分析行業區域分布情況、市場供需求狀況、行業上下游發展狀況等，并重點分析了我國行業技術、應用領域的發展及市場綜合競爭趨勢，并對行業投資前景及目前資源作了分析和判斷，為相關生產企業、經營企業、科研機構等企業在激烈的市場競爭中洞察先機，根據市場需求及時調整經營策略，為戰略投資者選擇恰當的投資時機和公司領導高層做戰略規劃提供了準確的市場情報信息及科學的決策依據，同時對銀行信貸部門也具有極大的參考價值。

信息來源：市場調查報告網

第四篇：ZestFinance用大數據顛覆傳統征信業

ZestFinance用大數據顛覆傳統征信業

2014-09-05 大數據邦

硅谷越來越多的科技企業開始向金融圈進軍。ZestFinance就是其中之一。這家公司打出的旗號是“將Google算法帶入征信領域”，其利用機器學習和大數據技術，創立了一套和傳統模式相異的信用評分方式，其中應用的數據變量是傳統模式的上百倍。

ZestFinance創立于2010年，創始人道格拉斯·梅里爾（Douglas Merrill）是Google的前信息總監兼工程副總裁，另一位來自金融圈的創始人肖恩·布德（Shawn Budde）曾在第一資本公司（Capital One）負責信貸業務。

記者專訪了ZestFinance的創始人梅里爾，他認為，“ZestFinance完全可以取代銀行現在用的算法。”

然而，美國個人消費信用評估公司（FICO）中國區總裁陳建表示，這不可能。在美國有1000多家當地信用局為消費者服務，基本隸屬于三大征信公司。這三家征信公司分別擁有覆蓋全美的數據庫，包含超過1.7億消費者的信用記錄。在三大征信公司收集了海量個人征信數據后，還須經過復雜的模型計算才能形成征信產品。這三家征信公司目前使用的計算方法模型都來自同一家公司，即被稱為“幕后大佬”的FICO。

越來越多類似ZestFinance的初創公司正在覬覦傳統華爾街的地盤。而其勢頭如同多米諾骨牌，不斷推向華爾街的要害。數據變廢為寶

在ZestFinance的官網上有這樣一句話：“所有的數據都是信用數據。”這句話恰恰濃縮了ZestFinance所做的工作——將成千上萬的數據“變廢為寶”，應用于信用評分。

這家公司在短短四年時間內，就先后獲得了高達1.2億美元的融資，其背后的出資人都是著名的IT風投，包括FlyBridge、GRP、LightSpeed以及Matrix等。

目前，美國絕大部分金融機構使用的信用評分都來自FICO的模型算法。自上世紀60年代至今，在美國的征信體系中，FICO的地位從未被撼動。

在美國，經過三大征信公司的整理和FICO的計算評分，海量的征信數據就變成了一份份整齊美觀的報告和325-900分值區間的評分，用戶可以只買報告，也可以報告+評分打包購買。

中國科學院院士、北京大學教授鄂維南對記者表示，FICO的評分模型的確首屈一指，但并非十全十美。FICO信用評分參考的數據變量只有不到50個，因此很多人摸清了FICO關注的變量后，就可以“模型套利”增加自己的信用評分，例如一個人可以每天反復在圖書館借書還書“刷信用”。

“針對FICO的不足，ZestFinance重新設計了一套信用評估模型。和FICO的不到50條參考變量相比，ZestFinance參考的數據變量多達上萬條，并采用非線性化的、更前沿的技術來進行分析，從而防止‘模型套利’的現象，更精準地評估消費者信用風險。” 的確，ZestFinance遠遠超出了FICO 50條變量的界限。在這個位于洛杉磯的65人團隊中，大多是數據科學家，他們開發了多個機器學習分析模型，而在這個模型中使用的數據變量多達上萬條。上萬條數據變量僅僅是原始信息數據，在這些數據基礎上，模型可以得出超過7萬個可以判斷信貸行為的指標。而模型跑完這些指標僅需要不到3秒鐘。

所謂機器學習，是讓計算機模擬或實現人類的學習行為，以獲取新的知識技能，在數據積累中不斷自我完善，可謂是人工智能的核心。ZestFinance的模型之一Hilbert就是成功地將機器學習進行商業應用的案例，讓機器承接7萬個指標的數據分析工作，尋找邏輯關系，并不斷自我改善，人類只需要根據結果進行一些邏輯分析和判斷。

“多年來，美國金融機構都在用50條數據變量來決定是否給一個客戶授信。問題在于，許多人并沒有完整的信用記錄，這導致在傳統信貸中他們不斷吃閉門羹，”梅里爾表示，“在ZestFinance，我們分析上萬條數據變量，借助更加廣泛的數據，從而對客戶的風險預判更加精確。”

數據的類型亦極其廣泛：一個人的網頁瀏覽歷史、手機付費記錄、超市購物清單都可成為重要的參考依據，甚至在用戶填寫信貸申請表時是使用大寫字母還是小寫字母，也可以成為數據變量。

“很多數據都可以服務于信貸，例如申請人在我們的網站上停留的時間，就可以反映他對申請貸款的謹慎程度和還款誠意。”梅里爾說。

鄂維南認為，信貸記錄屬于強變量，在強變量缺失的情況下，可參考多種弱變量，當這些弱變量組合起來，就可形成強變量，服務于信貸風控。“例如，孩子是一個家庭支出的源泉，那么如果能推測出借款人孩子的年齡，就能預測他的消費周期：嬰兒有奶粉等固定開銷、學生每到9月就要繳納學費等。只要能避開他的主要支出，就可控制壞賬。” 在中國，由于征信業歷史較短，缺乏足夠的信貸數據，就可以用許多弱變量數據來對一個人進行還款預測。目前，學界有許多人也在進行類似的課題研究。

對于這些“弱變量”的開發利用，陳建亦表示認同，“把數據的價值挖掘出來是不可避免的趨勢，大數據發展會越來越日新月異。”但他表示，從互聯網數據中挖掘價值，最早做的正是FICO。“銀行刷卡交易實時獲得數據，通過分析進行風險識別，FICO十幾年前就發明了，現在90%以上發達市場的銀行都在用FICO這套系統。” 爭鋒FICO 的確，在當前ZestFinance和FICO尚不能同日而語。FICO占領著美國99%的信用評分市場和絕大部分發達國家的信用評分市場，而ZestFinance目前僅服務過10萬名美國人。

在中國，FICO目前擁有80人的團隊，已經和15家商業銀行、30多家城商行和農商行建立了合作。ZestFinance目前在美國以外的其他地區還沒有開展業務，但梅里爾告訴財新記者，目前正與多個中國金融機構洽談合作。

但從未來發展的空間而言，似乎新生事物總能贏得更多青睞。面對ZestFinance等新型信用評分公司的誕生，美國主流媒體紛紛給予了報道——《經濟學人》雜志寫道：“ZestFinance比傳統評分方法讓違約率下降了40%。”CNBC表示：“ZestFinance讓無賬戶人群不再被拒之門外。”

這一切聲音，似乎都劍指FICO。

梅里爾表示，ZestFinance采用了和FICO截然不同的技術。FICO是基于20世紀50年代創造的“邏輯回歸”模型，那時并無很多可供參考的數據變量。但隨著互聯網時代來臨，數據開始爆發式增長，FICO的評分方式并未改變。梅里爾這位曾經的Google人，則將Google算法引入了征信領域，走在了技術的前沿。“ZestFinance完全可以取代銀行現在用的算法。”梅里爾自信道。

對于外界的質疑，FICO表示很冤枉。陳建表示，外界對FICO其實缺乏了解。FICO并非只有一種算法，而是有幾百種算法。在美國僅注冊的算法專利就多達近200個。在不同的數據場景下，使用的數據變量和數量都不同。

陳建認為，數據變量并非越多越好。

“FICO信用評分的候選變量其實有1000多個，只是具體到每個評分中，只使用其中的幾十個變量。”陳建表示，認為變量越多模型越好是幼稚的說法。從統計學角度，模型計算一方面要抓住本質規律，一方面要避免過度擬合。

“變量太多會造成過度擬合的問題。就好比做一雙鞋子，與你的腳100%擬合，但別人都不能穿。FICO不是給一個人做一雙鞋，而是要給全社會使用。如果一些變量不是適用于每個人，就不適合放在模型中。”陳建說。

根據惠譽評級公司的研究結果，FICO分數的影響力正在下降。現在美國各個銀行都有自己的模型，他們會用自己的模型去跑征信原始數據，FICO評分只是其中一個參考變量。例如美聯銀行（Wachovia）對FICO評分的參考比重已經下降為零。

對此，陳建認為只是個別現象。“就我了解，目前美國銀行業99%的資產組合還是基于FICO上，拿出1%來試驗新的東西是可取的，但這并非主流。”

陳建表示，技術服務于產業，信用評分不是象牙塔里的空想，而是根基深入產業的積累。目前美國99%的銀行都使用FICO的評分系統，深厚的積累是其他公司難以比擬的。

陳建毫不掩飾他對FICO的自信：“FICO已經成為發達市場金融管理的肢體部分，不會有人想要卸掉自己原本的胳膊，換上一對高科技的塑料胳膊。” 為無賬戶人群服務

“金融包容”正在成為一個新興詞匯，它的含義是指讓沒有銀行賬戶或信用記錄不好的人群公平地享受金融服務。

萬事達公司CEO Ajay Banga近日在一份關于金融包容的倡議書中表示，目前全球有25億成年人沒有享受過金融服務，其中大部分是婦女和年輕人，以及一些居住在鄉村的人。在美國，目前有4400萬人沒有銀行賬戶。“因此，金融包容需要在所有國家倡議，絕非僅僅發展中國家。”

梅里爾表示，ZestFinance正是要為這些沒有銀行賬戶以及信用記錄不好的人解決貸款問題。

“我最初的靈感來自我的小姨子。”梅里爾向財新記者追憶道，當時他的小姨子要貸款換一副汽車輪胎，然而銀行因她沒有足夠信用記錄而拒絕。“后來是我給她借了錢。如果我不借錢給她，她就只能去申請‘發薪日貸款’了。”

梅里爾提到的“發薪日貸款”是指在發薪日之前兩周申請的小額個人貸款，借款人只需提供收入證明或政府救濟證明，承諾在自己發薪水后即償還貸款。如果到期無法還清貸款本金和利息，可以提出延期。然而，這種貸款的費率極高，每100美元收取15美元利息，年化利息高達400%。相比之下，信用卡的年化費率則只有12%-30%。

近年來，特別是在金融危機后，華爾街和美國監管層不斷將目光投向“發薪日貸款”，認為這是高風險貸款，但屢禁不止。2014年6月5日，一批借款人向美國監管機構提起上訴，指出監管層將這些借款人列為“有聲譽風險”的群體是不公平的。按照訴訟內容，美國超過80家主流銀行都被監管層勒令中止和這些借款人的關系。

這些特殊借款人也引起了主流人群的同情。美國群眾自發組織了團體，推進針對無賬戶人群的金融包容。

“ZestFinance的使命就是給這些無銀行賬戶或信用記錄不好的借款人創造透明公正的信用評分。”梅里爾表示，通過成千上萬的數據變量，每個人都可以擁有一份公正的信用評價。

此外，ZestFinance還有另一個重要組成部分，即ZestCash貸款平臺。

ZestCash類似一家小貸公司，它的主要業務是給那些沒有銀行賬戶或者信用記錄不好的人提供小額貸款。ZestCash的借款中有90%是為了采購生活必需品，比如修車和醫療保險。

梅里爾表示，ZestFinance幫助信用記錄不好的人貸款主要通過兩種方式：一種是直接從ZestCash對其發放貸款；一種是讓使用ZestFinance評分系統的金融機構，通過ZestFinance的評分結果對其發放貸款。“迄今為止，我們已經幫助超過10萬名沒有銀行賬戶或信用記錄不好的美國人獲得了貸款。”

值得一提的是，ZestFinance并沒有因為目標客戶是“風險人群”而導致高壞賬率。梅里爾表示，目前借助ZestFinance獲得的貸款比銀行的“發薪日貸款”違約率低50%。“也就是說，在ZestFinance算法的幫助下，‘發薪日貸款’可以節約一半的成本。” 競爭與風險

金融危機后，銀行信貸更加謹慎，而硅谷的IT男們則不斷嘗到金融這塊蛋糕的甜頭，包括Prosper和Lending Club在內的P2P借貸平臺應運而生，類似ZestCash的小額信貸公司也風生水起，包括Zebit、Avantcredit、Kreditech、DemystData在內的公司都看準了銀行信貸這塊短板。這類公司的共同特點是利用大數據做信用分析，并且大多擁有自己的網絡信貸平臺。

Zebit創建的Lending Stream網絡借貸平臺，可以在4分鐘內獲得50-1500美元的半年期個人信用貸款。

Avantcredit打出的標語是“從這里申請貸款不會影響你的FICO信用分數”。該公司也是自建信用體系，針對不同人的評分，給出的利率也是不同的。

Kreditech位于德國漢堡，兩位自信的IT男利用大數據分析手段評估借款人還錢的概率，他們不要求客戶提供信用證明，15分鐘內就能提供500歐元以內的小額貸款。和ZestCash類似，Kreditech希望用戶提供盡可能多的信息，連用戶的借貸申請是使用iPad發送還是用老式電腦發送、輸入時出錯的概率、使用取消鍵的頻率等都考慮在內。

上述公司都獲得了風投的青睞，例如Kreditech2013年9月獲得了900萬美元A輪投資，Avantcredit2013年8月獲得2000萬美元B輪投資。

陳建認為，此類創新型公司和傳統的FICO與銀行信貸并不沖突，可以成為傳統市場的補充。

當然，這類公司也并非可以為所欲為，也要受到美國監管的制約。其中，1975年通過的《平等信用機會法》（Equal Credit Opportunity Act）中規定，貸款必須發放給所有資信可靠的申請人，不論種族、宗教信仰、性別、婚姻狀況、年齡和其他個人特征。然而，隨著互聯網大數據的井噴，這些信息都隨著網絡社交信息一起被納入了ZestFinance等公司的變量測算中。此外，由于所有的征信數據都必須經本人允許采集，因此這種海量采集數據的方式還會面臨侵犯消費者隱私的風險。

第五篇：2014中國物業服務百強企業研究數據來源

2014中國物業服務百強企業研究數據來源（1）物業服務企業填報的數據；

（2）中國房地產TOP10研究組對業主進行的滿意度調查（網上調查與網下調查相結合）數據；

（3）中國房地產指數系統（CREIS）數據庫及中國房地產統計年鑒；

（4）物業服務企業對外公布的信息（包括企業網站信息和對外派發的宣傳資料）；

（5）有關政府部門（包括建委、房管局和統計局等）的公開數據；

（6）2011、2012、2013中國物業服務百強企業研究收集的企業數據資料；

（7）2012、2013中國物業服務品牌價值研究收集的企業數據資料。