巨大的信貸市場需求與稀疏分離的數(shù)據(jù)造成了金融機構征信與風控上的困局。隨著互聯(lián)網(wǎng)與數(shù)字技術的發(fā)展，有條件的企業(yè)開始了五花八門的征信服務，而民間企業(yè)推舉最多的就是社交網(wǎng)絡大數(shù)據(jù)征信評價。社交征信應運而生自有其作用，但這個作用有多大呢？似乎也沒有達到大家所給予厚望的程度。

其作用大概只占5%-10%

業(yè)內人士分析稱，目前來說，社交網(wǎng)絡數(shù)據(jù)作為弱變量數(shù)據(jù)，其在大數(shù)據(jù)征信中的作用有限。國內運用人工智能與大數(shù)據(jù)做征信的初創(chuàng)企業(yè)星橋數(shù)據(jù)董事長丁卓博士表示：“其實，社交數(shù)據(jù)征信在做360度的用戶畫像刻畫中，其作用大概只占5%-10%。對于金融行業(yè)的評估來說，這些數(shù)據(jù)不能作為直接的評價參考。”

同時算話征信CEO蔣慶軍告訴雷鋒網(wǎng)，海量的大數(shù)據(jù)中和個人信用表現(xiàn)即所謂的Y變量能關聯(lián)起來的實際數(shù)據(jù)是很薄弱的，這種關聯(lián)數(shù)據(jù)不容易獲得，建模的數(shù)據(jù)也是不夠的，當然更不容易開發(fā)出成熟的評估模型。

再者，社交網(wǎng)絡上的數(shù)據(jù)真實性有多高？我們作為社交網(wǎng)絡的主力軍用戶，深深知道朋友圈、微博、空間的狀態(tài)與評論互動大部分實質可歸結為感性的“秀炫曬”，那么機器根據(jù)預先設置的特征參考提取出信貸機構希望獲取的數(shù)據(jù)之后，由此而形成結果就是對象的真實用戶畫像了？

去年8月，國外社交巨頭Facebook推出了涉足社交大數(shù)據(jù)征信的專利——當一個用戶申請貸款的時候，貸款方會審查該用戶社交網(wǎng)絡好友的信用等級。只有這些好友的平均信用等級達到了最低的信用分要求，貸款方才會繼續(xù)處理貸款申請。否則的話，該申請即被拒絕。而在此之前，阿里巴巴旗下螞蟻金服推出的芝麻信用分也在使用人脈關系、消費行為作為評估信用水平的依據(jù)。

國內，騰訊征信總經(jīng)理鄭浩劍日前也闡述了騰訊對于互聯(lián)網(wǎng)征信建設的探索，該公司主要依靠大數(shù)據(jù)與人工智能技術，基于旗下微信、QQ等近十億用戶的社交數(shù)據(jù)來進行征信工作，通過把結構化數(shù)據(jù)，文本分類，LBS數(shù)據(jù)，社交網(wǎng)絡傳播擴散等挖掘之后形成用戶畫像刻畫。

然而國際上似乎還有社交征信成功的案例。上述的例子中，F(xiàn)acebook的做法因其片面性被《大西洋月刊》評論稱“涉嫌貸款歧視”：有批評人士認為，這項專利重現(xiàn)了歷史上著名的“貸款歧視”做法：“Facebook 想要以你的好友名單為理由拒絕貸款”。這在芝麻信用的人脈應用中也是一樣的道理，但芝麻信用征集了消費行為數(shù)據(jù)作為補充，或者其實是后者為主導。

至于騰訊，騰訊合法獲得的用戶數(shù)據(jù)大多數(shù)都是QQ及微信用戶的行為記錄，但這些行為記錄對于征信的利用價值卻很低。那么，為了達到評價個人的目的，騰訊也許不得不利用用戶的內容數(shù)據(jù)，而一旦涉及用戶的交流內容記錄，那就有可能像Facebook那樣被認為觸及到用戶隱私保護的法律問題。

歸其原因：社交數(shù)據(jù)是弱變量弱相關

“實際上，對于根據(jù)社交數(shù)據(jù)分析出的結果，我們只能將其作為整個信用報告的補充，因為消費者在社交網(wǎng)絡上的關系只是松耦合，而不像是在企業(yè)機構中形成的緊耦合關系，”丁卓解釋道，在企業(yè)中每個人的薪酬、流水等都是確信的，但在社交網(wǎng)絡上，內容都是隨性的。“所以，社交網(wǎng)絡分析只能作為征信對象在基礎數(shù)據(jù)、深度數(shù)據(jù)以外的余信數(shù)據(jù)補充。”

在數(shù)據(jù)類型中，數(shù)據(jù)可以被分為強變量數(shù)據(jù)，即信貸、信用卡、社保、工商等來源于傳統(tǒng)金融機構和政府機構的信息；和商品生產、流通、消費等環(huán)節(jié)產生的中變量交易數(shù)據(jù)，以及社交、游戲等弱變量數(shù)據(jù)。

“在14000個數(shù)據(jù)源、70萬個來自于不同維度的數(shù)據(jù)變量中，我們結合金融機構的業(yè)務邏輯，分析變量的相關性系數(shù)，統(tǒng)計出其中從強到弱遞減的變量關系，而社交網(wǎng)絡數(shù)據(jù)明顯屬于弱相關變量?！?span style="line-height: 1.8;">星橋數(shù)據(jù)的核心團隊當中，有12名計算機科學與金融學領域的博士，27名碩士，其首席數(shù)據(jù)科學家、肯塔基大學計算機博士林振民與團隊一起，對數(shù)據(jù)變量的系數(shù)進行了數(shù)年的研究。

最重要的是，NLP（自然語言處理）仍然是個世界級難題，Google、微軟也沒有很好的解決方案。所以，目前的機器學習對于社交數(shù)據(jù)的處理準確度并沒有很高。如果有好的解決方案，意味著整個遷移學習、機器學習領域都會有一些質的進展，同樣，目前利用機器學習、人工智能進行的大數(shù)據(jù)征信和風控也會隨之獲得進步。

大數(shù)據(jù)征信還需在強、中變量著手

丁卓博士坦言，如今360度刻畫中，F(xiàn)ICO模型的作用仍占到50%左右，而剩下約45%的部分，則有賴于征信對象的交易行為數(shù)據(jù)來完成。丁卓介紹，傳統(tǒng)金融機構對客戶的信用評級一般依靠FICO模型，但這套模型在信貸、信用卡、外匯、民間借貸等強變量金融交易數(shù)據(jù)的基礎上才適用，“在下沉到年輕用戶和小微企業(yè)等客戶的過程中，F(xiàn)ICO就有很多需要改善的地方?！?/p>

這也是星橋付出極大的代價去對接京東、阿里巴巴、百度等互聯(lián)網(wǎng)平臺數(shù)據(jù)，打破數(shù)據(jù)隔離和信息孤島的原因。丁博士透露，在談判的過程中，能夠通過第三方中立機構間接實現(xiàn)與其他大公司的數(shù)據(jù)資源共享，是他們彼此合作的支撐?！按髷?shù)據(jù)的意義在于，能夠通過機器學習、語義分析等技術，把海量數(shù)據(jù)的相關性計算出來，連接起來進行動態(tài)分析?！?/p>

星橋的客戶包括工商銀行、招商銀行，據(jù)丁卓透露：“目前來說，銀行的信貸客戶以大型企業(yè)為主，但事實上他們也有獲取新客戶方面的擔憂。因為從長遠可持續(xù)發(fā)展來看，他們也要獲取更多小微型企業(yè)（供應鏈金融）以及年輕用戶群體（消費金融）等的客戶。通過合作我們了解到，很多銀行也想開展普惠金融業(yè)務。但由于對這部分客戶掌握的信息較少，他們不知道怎么做。他們不了解普惠金融的客戶群的特征，也不知道應該如何判斷這部分客戶的信用評級，因而不敢貿然開展。”

所以，在科技推動金融的發(fā)展背景下，適用于大型企業(yè)的FICO也需要有一個標準再適應市場的過程?！懊嫦蚰贻p用戶和小微企業(yè)等建立更符合他們特征的模型，這是未來五年內，銀行與征信機構必須要做的事情?！?/p>

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。