读书笔记 | 4.3 基于征信系统的征信基础产品

一、征信系统出具的个人信用报告

（一）个人信用报告的主要特点

1. 针对不同对象的需求设计不同的版本

2. 征信系统的个人信用报告中引入信息的生命周期概念

3. 根据金融机构对信用信息的关注次序递进编排展示相关信息

4. 突出信息概要，丰富金融机构关注的重点内容

5. 版面展示主次分明，文字精准

（二）个人信用报告的主要内容

1. 报告头

2. 个人基本信息

3. 信息概要

4. 信贷信息明细

5. 公共信息

6. 声明信息

7. 查询记录

8. 报告说明

（三）与国内其他征信个人信用报告的主要区别

1. 在信息类型方面

2. 在信贷信息展示方面

3. 在信息范围方面

二、征信系统出具的企业信用报告

（一）企业信用报告的主要特点

（二）企业信用报告的主要内容

（三）与国内其他征信企业信用报告的主要区别

三、“数据解读”产品

中国人民银行征信中心经过多年的研究探索，已经开发出“个人信用报告数据解读”（以下简称“数字解读”）产品。这一产品是对个人信用报告反映的借款人信用风险状况的数字化解读，是利用个人征信系统的信贷数据，使用统计建模技术开发出来的个人信用风险量化服务工具， 用于预测授信机构个人客户在未来一段时间内发生信贷违约的可能性，并以 “数字解读”值的形式展示。“数字解读”是完全基于客观信息和统计技术开发的，不含有任何个人的主观判断在里面，是对信息主体未来违约情况的客观预测。

“数字解读”值的范围为0 一1000，每个值对应一定的违约率，其采用的“坏”定义是“在任何一家授信机构任何一种信贷产品上出现90天以上的逾期”。可以对个人信用报告进行“数字解读”的条件是借款人在个人征信系统中有信贷记录、信用历史长度不短于3个月且最近24个月内信贷记录有更新。

“数字解读”使用的样本数据来自目前个人征信系统的所有接入机构，覆盖了目前信贷市场上所有的信贷业务。“数字解读”的预测变量覆盖还款历史43%、 当前负债29%、信贷申请12%、信贷组合8% 以及 信用历史长度8% 五个主要范畴，没有考虑年龄、 性别、收入等借款人基本信息，变量设计和计算仅使用借款人信贷行为数据。

“数字解读”具有通用性、科学性和稳定性的特点。

• 通用性是指“数字解读”基于借款人在所有授信机构的信贷交易数据进行计算，是对借款人个人信用风险的全面评估，可供所有授信机构在贷前、贷中和贷后管理的各个业务环节使用。
• 科学性是指“数字解读”采用统计方法，对个人信用风险进行了量化。 经多方验证，结果表明，“数字解读”在各种应用场景中均可以较为准确地根据信用风险水平的高低对借款人进行排序。
• 稳定性是指随着时间的推移，“数字解读”可以稳定地发挥作用。

“数字解读”与授信机构内部评分的不同之处主要包括以下几个方面：

• 一是数据源不同。“数字解读”使用的数据包含借款人在所有授信机构的信贷交易数据和硬查询数据；授信机构内部评分使用的数据一般是借款人在本机构的数据，不包含借款人在其他授信机构的数据。
• 二是评估对象不同。"数字解读“预测的是借款人在未来一段时间内在任何一家授信机构任何一种信贷产品上发生某种程度信贷违约的可能性，而授信机构内部评分往往预测借款人在本机构某种具体业务上出线某种信用表现的可能性。
• 三是应用范围不同。 "数字解读“应用面广，可以应用于各类信贷产品贷前、贷中和贷后管理的各个环节；授信机构内部开发评分一般是针对本机构某项具体业务的某个特定环节进行设计和开发，具有较强的针对性，在应用上存在一定局限性。

在实际应用中，“数字解读”为授信机构内部评分互为补充、互为参考。”数字解读“为授信机构提供了分析借款人信用风险状况的另一面镜子，可单独使用，也可与授信机构内部评分结合使用。

具体到业务应用上，”数字解读“可以用于授信机构贷前、贷中和贷后管理的各个业务环节，如信贷审批、风险定价、额度管理、风险预瞥和催收等。”数字解读“的使用方式可以有以下三种：

• 一是作为风险计量工具，单独用于评估借款人的信用风险水平；
• 二是和授信机相内部评分结合使用，形成评分矩阵，从更多的角度对借款人的信用风险状况进行评估；
• 三是作为授信机构内部一评分模型的一个变量参与评分计算，提高内部评分模型的性能。

另外，一些市场化征信机构也开发出一些信用评分，如蚂蚁金融开发的芝麻信用分，通过接入阿里巴巴集团的电商数据和蚂蚁金融服务集团的互联网金融数据等，对个人用户的信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度综合考量，得出个人用户的信用评分，但这些评分与传统通用信用评分有较大差异，表现在两个方面。

• 一是数据来源不同。传统征信业使用的主要信息直接采集自金融机构；而市场化征信机构信用评分的数据采集渠道非常广泛，目前是消费者在互联网上留下的行为数据，如来源于其所属集团下互联网购物、支付平台，也包括一些合作银行的部分数据。
• 二是数据性质不同。 传统征信数据主要为信贷信息，社保、税收、法院等信息为补充。而市场化征信机构的信用评分中， 除使用一部分信贷信息外，还使用购物、支付、社交等多维度的互联网行为数据， 这些更多维度不仅能用于征信，也能用于判断消费者财力、刻画行为偏好， 从而为企业带来提高用户体验，增强营销精准度等其他商业上的价值
• 三是服务对象不同。传统征信业以信贷机构为服务核心。市场化征信机构的信用评分服务对象超出信贷领域，应用场景比较广泛，包括贸易、旅游、出租、订餐等领域