關(guān)于二代征信報(bào)告

自2020年1月19日起，二代征信系統(tǒng)正式上線，中國(guó)人民銀行征信中心向社會(huì)公眾和金融機(jī)構(gòu)提供二代格式信用報(bào)告查詢服務(wù)。與一代征信系統(tǒng)相比，二代征信系統(tǒng)在收錄數(shù)據(jù)、信息更新、信用分計(jì)算、用戶權(quán)益保護(hù)等方面有所改進(jìn)。目前，二代征信報(bào)告主要涵蓋個(gè)人基本信息、信息概要、信貸交易信息明細(xì)、公共信息明細(xì)、本人聲明、異議標(biāo)注及查詢記錄這八個(gè)部分，基于這些信息可以更全面地展示金融客戶的信用狀況及歷史信用行為，為金融該機(jī)構(gòu)提供業(yè)務(wù)決策依據(jù)。二代征信中豐富的數(shù)據(jù)為變量衍生、授信模型、風(fēng)控策略的優(yōu)化迭代提供了支撐，輔助金融機(jī)構(gòu)精準(zhǔn)洞察客戶需求、構(gòu)建客戶畫像，輔助信貸審批，提升風(fēng)險(xiǎn)防控水平，更好地為金融客戶提供服務(wù)。

二代征信報(bào)告在金融領(lǐng)域的應(yīng)用價(jià)值

隨著銀行、信托、消費(fèi)金融公司、汽車金融公司等各類金融機(jī)構(gòu)相繼接入二代征信系統(tǒng)并加入報(bào)送行列，其覆蓋率、普及率以及數(shù)據(jù)質(zhì)量越來(lái)越高，二代征信報(bào)告的應(yīng)用價(jià)值日益增長(zhǎng)。二代征信報(bào)告在金融領(lǐng)域應(yīng)用廣泛，為金融機(jī)構(gòu)提供了更權(quán)威、易得、易用的客戶信用數(shù)據(jù)，為促進(jìn)金融交易、降低金融風(fēng)險(xiǎn)、提升社會(huì)信用意識(shí)提供支撐。

提升風(fēng)控能力：二代征信報(bào)告在金融信貸業(yè)務(wù)風(fēng)控環(huán)節(jié)上可以應(yīng)用于信用評(píng)估、風(fēng)險(xiǎn)識(shí)別、欺詐識(shí)別、風(fēng)控模型搭建等方面，通過(guò)數(shù)據(jù)挖掘、數(shù)據(jù)分析、變量衍生等技術(shù)手段實(shí)現(xiàn)征信數(shù)據(jù)的最大化挖掘利用，進(jìn)一步完善風(fēng)控模型或授信策略，有效提升業(yè)務(wù)審批質(zhì)量，規(guī)避潛在業(yè)務(wù)風(fēng)險(xiǎn)，保障金融體系良性發(fā)展。

（2）降低運(yùn)營(yíng)成本：二代征信報(bào)告為金融機(jī)構(gòu)提供權(quán)威可信的信用數(shù)據(jù)，有效降低了企業(yè)融資成本和金融機(jī)構(gòu)信貸業(yè)務(wù)審核成本，提高業(yè)務(wù)管理及運(yùn)營(yíng)效率。另一方面，也為資信良好的用戶縮短審批時(shí)間，實(shí)現(xiàn)秒批秒貸，升級(jí)用戶體驗(yàn)。

（3）提升貸后管理工作質(zhì)效：基于信用評(píng)估模型融合二代征信報(bào)告數(shù)據(jù)能有效衍生多維特征變量，有助于形成更精準(zhǔn)的貸后評(píng)分卡，為差異化、個(gè)性化的催收策略提供支撐，保障貸后管理工作質(zhì)量及效果最大化。因此，對(duì)于二代征信報(bào)告信息的深度挖掘?qū)τ诮鹑跈C(jī)構(gòu)提質(zhì)增效具有重要價(jià)值。

不過(guò)，目前國(guó)內(nèi)二代征信報(bào)告的讀取形式較為單一，缺乏豐富的特征變量體系，現(xiàn)有信息數(shù)據(jù)也無(wú)法直接用于業(yè)務(wù)場(chǎng)景。需要依托AI能力對(duì)征信數(shù)據(jù)進(jìn)行深入挖掘分析及變量衍生，構(gòu)建系統(tǒng)化的征信特征變量算法庫(kù)以及AI模型，實(shí)現(xiàn)智能化、自動(dòng)化的運(yùn)營(yíng)優(yōu)化、風(fēng)險(xiǎn)決策、營(yíng)銷分析，支撐金融機(jī)構(gòu)智慧轉(zhuǎn)型。

技術(shù)探索：基于二代征信報(bào)告的信用評(píng)估模型實(shí)踐

作為國(guó)內(nèi)領(lǐng)先的對(duì)話式AI技術(shù)解決方案提供商，中關(guān)村科金充分挖掘科技在金融場(chǎng)景下的深度賦能，幫助金融機(jī)構(gòu)提升服務(wù)質(zhì)效、防范金融風(fēng)險(xiǎn)，以數(shù)智化的產(chǎn)品及服務(wù)助推消費(fèi)金融行業(yè)行穩(wěn)致遠(yuǎn)。自2020年二代征信報(bào)告正式上線時(shí)起，中關(guān)村科金就開(kāi)始針對(duì)征信數(shù)據(jù)報(bào)告進(jìn)行挖掘和加工，搭建衍生特征變量算法庫(kù)，實(shí)現(xiàn)變量開(kāi)發(fā)配置化，充分利用征信數(shù)據(jù)在信貸業(yè)務(wù)中的風(fēng)控及營(yíng)銷等環(huán)節(jié)提供輔助業(yè)務(wù)決策的技術(shù)方案。

例如在風(fēng)控領(lǐng)域，中關(guān)村科金將二代征信數(shù)據(jù)與三方渠道數(shù)據(jù)融合，通過(guò)從場(chǎng)景適配、模型搭建、系統(tǒng)支撐、貸后管理等方面入手，幫助金融機(jī)構(gòu)加強(qiáng)自主風(fēng)控能力，滿足監(jiān)管合規(guī)要求，實(shí)現(xiàn)對(duì)消費(fèi)金融細(xì)分業(yè)務(wù)場(chǎng)景下的精細(xì)化風(fēng)控。

在營(yíng)銷領(lǐng)域，通過(guò)構(gòu)建信用評(píng)估模型、客戶流失模型、客戶畫像等，為金融機(jī)構(gòu)開(kāi)展存量客戶經(jīng)營(yíng)、交叉營(yíng)銷提供策略支持，有效降低客戶流失率、提升營(yíng)銷轉(zhuǎn)化率。

1、萬(wàn)維變量庫(kù)：全面覆蓋信貸業(yè)務(wù)風(fēng)控需求

中關(guān)村科金利用樣本優(yōu)勢(shì)和對(duì)二代征信數(shù)據(jù)的深度挖掘分析，積累了豐富的模型服務(wù)經(jīng)驗(yàn)，建立了基于征信數(shù)據(jù)開(kāi)展風(fēng)控服務(wù)的優(yōu)勢(shì)，借此開(kāi)發(fā)了服務(wù)于海量金融客戶的征信報(bào)告解析程序，將非結(jié)構(gòu)化的報(bào)文數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)，在此基礎(chǔ)上開(kāi)展數(shù)據(jù)挖掘與變量衍生。

變量衍生的方法包括自動(dòng)化衍生方法和基于業(yè)務(wù)經(jīng)驗(yàn)的衍生方法。自動(dòng)化衍生方法是指利用特征升維方法，比如決策樹(shù)類、神經(jīng)網(wǎng)絡(luò)類算法，對(duì)原始變量進(jìn)行組合和計(jì)算，或者利用第三方的升維框架，對(duì)原始變量字段進(jìn)行加、減、乘、除等多種運(yùn)算；再按照應(yīng)用場(chǎng)景對(duì)變量進(jìn)行篩選，首先利用缺失率、眾數(shù)比例和PSI等指標(biāo)進(jìn)行篩選，然后利用IV進(jìn)行篩選，選擇出對(duì)特定場(chǎng)景有效的變量入變量池。

基于業(yè)務(wù)經(jīng)驗(yàn)的衍生方法是指按照對(duì)業(yè)務(wù)的理解，對(duì)特定時(shí)間切片內(nèi)用戶的申請(qǐng)、用信、還款和逾期等各個(gè)信貸行為發(fā)生的頻次、額度、比例等進(jìn)行計(jì)算，期望產(chǎn)生對(duì)于預(yù)測(cè)客戶的信用情況或貸后管理工作有效的變量。例如，對(duì)二代征信報(bào)告中的信貸類信息，可按照衍生逾期及違約信息、授信及負(fù)債信息、還款歷史和期數(shù)信息、貸記卡賬戶信息和反欺詐信息等細(xì)分類別進(jìn)行進(jìn)一步的衍生。目前，中關(guān)村科金有16個(gè)以上的變量維度分類，涵蓋1個(gè)月內(nèi)的信用卡使用率、未結(jié)清貸款法人機(jī)構(gòu)數(shù)、未結(jié)清貸款余額、貸款金額、賬戶數(shù)量、還款期數(shù)、逾期月數(shù)等。 一般而言，基于業(yè)務(wù)經(jīng)驗(yàn)開(kāi)發(fā)的變量效果好于自動(dòng)衍生框架產(chǎn)生的變量，而自動(dòng)衍生框架有助于擴(kuò)充可用變量庫(kù)。

截至目前，中關(guān)村科金累計(jì)開(kāi)發(fā)了上百個(gè)風(fēng)控模型，二代征信變量庫(kù)規(guī)模已經(jīng)突破萬(wàn)維，沉淀的專家變量已達(dá)數(shù)百個(gè)。這些變量可以基本覆蓋金融信貸場(chǎng)景下的貸前、貸中、貸后風(fēng)控建模需求。

2、信用評(píng)估模型：捕捉優(yōu)質(zhì)客群?助力業(yè)績(jī)?cè)鲩L(zhǎng)

中關(guān)村科金在變量庫(kù)的基礎(chǔ)上開(kāi)展了征信模型開(kāi)發(fā)及迭代工作，逐步形成了二代征信模型標(biāo)準(zhǔn)化產(chǎn)品，涵蓋面向消費(fèi)信貸、車貸等場(chǎng)景下的信用評(píng)估模型。

該系列信用評(píng)估模型集成了HTML或XML報(bào)文解析、數(shù)據(jù)結(jié)構(gòu)化、變量衍生計(jì)算和模型預(yù)測(cè)功能，可幫助客戶實(shí)現(xiàn)從接收?qǐng)?bào)文到產(chǎn)生決策依據(jù)的一站式服務(wù)。通過(guò)輸出[0,1000]范圍的評(píng)分值，此預(yù)測(cè)評(píng)分可直接供給下游決策引擎，供用戶開(kāi)展貸前風(fēng)控或貸中客戶風(fēng)險(xiǎn)動(dòng)態(tài)監(jiān)測(cè)使用。

從基于時(shí)間切片、總額、比例、查詢等衍生策略產(chǎn)生的上萬(wàn)個(gè)變量中選取數(shù)百個(gè)高IV或高覆蓋率變量入模。針對(duì)銀行、消費(fèi)金融等業(yè)務(wù)場(chǎng)景下的不同客群，以及不同風(fēng)險(xiǎn)表現(xiàn)周期，結(jié)合XGBoost、LightGBM等機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)定制化分析建模。經(jīng)驗(yàn)證，銀行客群模型效果最優(yōu)，KS均在0.35以上，AUC在0.70以上，和一個(gè)融合類信用分產(chǎn)品結(jié)合使用時(shí)，KS可升至0.4以上，風(fēng)險(xiǎn)識(shí)別效果提升30%+。

為縮短客戶投產(chǎn)時(shí)間，該系列信用評(píng)估模型采用了Springboot框架開(kāi)發(fā)，封裝了報(bào)文解析、變量衍生和預(yù)測(cè)模型等功能，使用時(shí)將原始征信報(bào)文通過(guò)接口輸入，即可通過(guò)返回獲得長(zhǎng)期風(fēng)險(xiǎn)和短期風(fēng)險(xiǎn)的信用評(píng)分。模型產(chǎn)品各個(gè)模塊采用松耦合設(shè)計(jì)，可按照客戶需求裁剪標(biāo)準(zhǔn)產(chǎn)品中包含的組件，以定制版進(jìn)行交付。

中關(guān)村科金信用評(píng)估模型基于真實(shí)的消費(fèi)金融業(yè)務(wù)樣本，面向下沉客群，經(jīng)過(guò)多個(gè)版本的迭代后形成了具備穩(wěn)定性的可交付產(chǎn)品。

四、實(shí)踐案例：助力消金公司實(shí)現(xiàn)200%的資產(chǎn)規(guī)模增速

在標(biāo)準(zhǔn)模型基礎(chǔ)上，中關(guān)村科金針對(duì)消費(fèi)金融業(yè)務(wù)場(chǎng)景開(kāi)發(fā)了匹配業(yè)務(wù)需求的定制化征信模型。這一模型同樣以征信變量和部分申請(qǐng)人的基礎(chǔ)信息作為輸入，無(wú)需三方數(shù)據(jù)源，可獨(dú)立工作。支持按照客戶要求，將模型輸出由數(shù)字化的評(píng)分映射為5個(gè)或10個(gè)風(fēng)險(xiǎn)等級(jí)，便于用戶根據(jù)模型輸出開(kāi)展業(yè)務(wù)決策。該模型產(chǎn)品以服務(wù)包形式進(jìn)行交付，可在客戶環(huán)境中實(shí)現(xiàn)快速部署及投產(chǎn)，最大程度提升金融業(yè)務(wù)決策效率。

征信數(shù)據(jù)應(yīng)用流程

目前，中關(guān)村科金信用評(píng)估模型該模型已經(jīng)成功服務(wù)于銀行、消費(fèi)金融公司、保險(xiǎn)等多家金融機(jī)構(gòu)。以中關(guān)村科金服務(wù)的某消費(fèi)金融公司為例，該客戶采用手機(jī)App完成貸款申請(qǐng)及放款，申請(qǐng)人僅提供手機(jī)號(hào)、身份證號(hào)和姓名等三要素信息。因產(chǎn)品上線時(shí)間短，缺乏樣本積累和征信數(shù)據(jù)挖掘經(jīng)驗(yàn)，只能調(diào)用大量的三方數(shù)據(jù)對(duì)申請(qǐng)人信用狀況進(jìn)行評(píng)價(jià)，面臨風(fēng)控成本高、運(yùn)營(yíng)效率低、風(fēng)險(xiǎn)難把控等業(yè)務(wù)難點(diǎn)。中關(guān)村科金依托自研的信用評(píng)估模型，為客戶提供從報(bào)文到信用評(píng)分的全流程數(shù)智化處理，跳過(guò)變量落庫(kù)開(kāi)發(fā)，打造基于征信數(shù)據(jù)的短期風(fēng)險(xiǎn)模型和長(zhǎng)期風(fēng)險(xiǎn)模型。依托征信模型精確量化申請(qǐng)人的信用風(fēng)險(xiǎn)、支撐信貸審批決策、強(qiáng)化風(fēng)控體系，有效支撐該企業(yè)實(shí)現(xiàn)業(yè)務(wù)增長(zhǎng)，其資產(chǎn)規(guī)模增速達(dá)200%+。

此外，在車貸、小微企業(yè)貸款等風(fēng)控場(chǎng)景中，中關(guān)村科金以該模型為基礎(chǔ)，利用客戶的少量樣本對(duì)該模型進(jìn)行遷移訓(xùn)練，并按照金融機(jī)構(gòu)要求對(duì)輸出結(jié)果做調(diào)整，可輸出分?jǐn)?shù)或客戶分級(jí)。例如在車貸場(chǎng)景中，基于中關(guān)村科金的信用評(píng)估模型可以針對(duì)客戶信用風(fēng)險(xiǎn)進(jìn)行精細(xì)化分級(jí)，最高支持10級(jí)分級(jí)，而常見(jiàn)的風(fēng)險(xiǎn)模型僅支持6級(jí)分級(jí)，更細(xì)致的分級(jí)有助于幫助金融機(jī)構(gòu)更好的捕獲優(yōu)質(zhì)客群。經(jīng)驗(yàn)證，應(yīng)用中關(guān)村科金信用評(píng)估模型進(jìn)行業(yè)務(wù)決策，其優(yōu)質(zhì)客群逾期率、遷移率等關(guān)鍵指標(biāo)明顯降低，助力金融機(jī)構(gòu)業(yè)績(jī)?cè)鲩L(zhǎng)。

本文作者：李國(guó)慶 中關(guān)村科金人工智能資深產(chǎn)品專家