大數據助力普惠金融

　　當前，無信用信息是普惠金融發(fā)展必須解決的難題。
　　國內有約9億消費者與傳統銀行有過接觸，但只有4億人獲得過信貸服務。國內約6千萬小微企業(yè)中，僅約12%獲得過傳統金融服務，8%獲得過租賃、保險、P2P等非銀行金融機構的金融服務。因此，仍有80%的小微企業(yè)和將近10億的消費者需付出較高代價才能獲得信貸服務——時間長、抵押物不充分、沒有財務信息、成本較高成為普遍問題。
　　其原因，在于金融機構放貸須以之前的信貸記錄作為授信依據，而大量民眾和企業(yè)尚無信貸記錄，從而在無法獲得貸款和無法積累信貸記錄之間惡性循環(huán)，直到大數據為該問題的解決提供了便利。
　　傳統的消費者信用風險評估主要從兩個維度進行：存款能力和還款意愿。
　　傳統金融長期使用信用報告查詢次數、信貸歷史、違約數等信貸直接相關信息作為基礎進行授信。
　　進入大數據時代，交稅情況、收入情況、社保公積金情況、搬家次數等信息，以及三大通信運營商的通訊數據和支付寶、微信、京東等互聯網終端中所留存的消費者行為數據，均可作為判斷依據，進行信用評估。
　　互聯網產品的注冊用戶和活躍用戶數量遠超央行征信系統，且相關信息更易獲得。
　　采集海量數據，從數據中沙里淘金，可以挖掘出與消費者信用直接相關的信息，比如信用場景、支付信息、賬戶活躍性等，可作為分析數據。通過細節(jié)洞悉消費者性格，探查申請人對信用申請的謹慎程度與還款誠意，再與其他成千上萬的信息數據相聯系，便能得出令人難以置信的精確圖景。
　　但相比于傳統征信數據的強相關性，這些大數據和消費者的信用狀況相關性較弱，因此有效的方式是：開發(fā)信用評分，加強弱相關數據的描述能力，面向普惠金融人群進行小額授信，使其有信貸信息的積累，再回歸到傳統的信用評估、信用服務，對以往無法服務的人群建立征信報告，進而實現對整體消費者人群的覆蓋。
　　本人曾從算法、模型、應用等方面嘗試開發(fā)電信數據作為信用評估參考的方式和渠道。國家層面也需要主導和加強金融基礎設施的建設，比如在三大通信運營商的內部建立信用風險服務機構等。
　　對此，一些互聯網金融公司也在積極探索，比如采取建模的方法，將電信數據、法律數據、求職數據、用戶自主提交的數據以及第三方數據進行整合、挖掘、分析。此外，傳統金融機構還可與互聯網金融機構互聯互通，以服務于日益活躍的互聯網場景。
　　融資難是全球性的普遍問題，在國外，哈佛大學肯尼迪學院的教授和博士為解決該問題，在無數據的情況下以發(fā)放問卷來進行專業(yè)心理測量，測試其誠信程度及財務的基本情況，進而對其信用風險進行預測。該模型已運行10余年，在拉美10余個國家推廣，從小微企業(yè)拓展到普通消費者，服務了上百萬人口，取得了商業(yè)成功。
　　我國如果將心理測試與大數據相結合，或許將產生更好的評估效果，對推動普惠金融大有助益。

相關熱詞搜索：助力 金融 數據