比较分析 | 国内外数字金融典型案例研究

目前国外的数字金融模式主要包括征信服务与借贷服务这两大类。与国内大型平台垄断格局不同，国外的数字金融机构更偏向于提供专业化、特色化产品服务。

1. Credit Karma

成立于2008年的Credit Karma，是最早的Fintech公司之一。Credit Karma的核心理念是为用户提供免费信用报告及免费信用评分。Credit Karma主要提供包括精简信用报告、信用评分、信用分析、信用监测以及信贷产品推荐在内的五种免费征信产品。其中，前四种产品主要为满足用户刚性征信需求，第五种产品则为满足用户潜在信贷需求。为了给用户提供高附加值金融服务，Credit Karma自建移动APP及Insight平台。前者主要便于用户实时查询自身信用状况，后者便于用户了解自身财务汇总情况及各项财务对自身信用的影响程度。Credit Karma的盈利模式为，基于用户信用状况及金融产品可得性，为用户提供金融机构的产品广告，并收取广告费用。

在大数据征信过程中，Credit Karma主要通过多方合作，来实现数据拓展及技术提升。一方面，Credit Karma积极与传统征信业巨头TransUnion及Equifax合作，同时吸纳互联网巨头Google的投资。另一方面，Credit Karma加强与传统银行合作，共同打造信用卡推荐、搜索及管理平台。当前，Credit Karma的数据主要来源于传统征信机构及平台用户，提供的个人信用报告及信用评分则直接来自于TransUnion及Equifax。未来，Credit Karma有可能进一步加强数据与技术融合，依靠数据挖掘及算法分析提供个性化推荐服务，并推出自主开发的大数据信用评分产品。

2. ZestFinance

成立于2009年的ZestFinance，是当前最为热门的大数据征信公司。ZestFinance的研发团队由数学家及计算机科学家组成。成立之初，ZestFinance主要通过ZestCash平台提供放贷服务，后专注于提供个人信用评估服务。在大数据征信理念上，ZestFinance坚持“一切数据皆信用”、“数据缺失即是信息”，致力于为美国三大个人征信机构无法覆盖的人群服务。这些人群一般没有信贷记录或信用记录不好（FICO分通常低于500，大约占全美人数的15%）。在大数据评分思想上，与传统评分模型依赖“强相关”数据不同，ZestFinance更加注重利用“弱相关”数据反映用户还款能力及还款意愿。

ZestFinance的最大创新在于运用“大数据+机器学习”方法构建新的评分体系。在变量选取上，ZestFinance基于第三方数据、用户自身数据以及互联网数据（传统信贷数据占比仅40%左右），提取多达70000个原始变量。在评分方法上，与传统线性回归不同，ZestFinance采用机器学习算法。通过机器学习，ZestFinance不仅能够获得准确评分，降低信贷坏账率，而且能够实现在控制坏账率的情况下，提升授信通过率，以此增加信贷业务总体盈利。在模型使用上，ZestFinance并不依赖单个模型的结果，而是经过原始数据提取、数据转换、元变量生成、模块创建、分数合成等步骤，基于数十个模型得出最终评分。与此同时，ZestFinance还通过挖掘相关规则来防范欺诈风险。事实上，无论是数据还是模型，ZestFinance均会进行不定期更新，以应对外界环境变化，并确保评分效果始终保持稳定。据其官网信息显示，相比于传统信贷，ZestFinance的处理效率提升近90%，风控性能提升近40%。

（二）借贷服务类数字金融模式的典型案例

3. Kreditech

成立于2012年的Kreditech公司，是德国有名的Fintech公司。尽管Kreditech只拥有300人左右的团队，但其业务范围已经涉及俄罗斯、西班牙、墨西哥、波兰、捷克、澳大利亚、秘鲁等多个国家。

一方面，针对特定借款人，Kreditech采集约两万个动态数据点，运用算法对借款人行为进行匹配分析。在此过程中，Kreditech尤其注重分析申请人的社交及消费数据。通常，Kreditech会要求访问申请人的Facebook或Tweet主页，以分析其朋友圈状况、个人社交动态、甚至好友信息等。与此同时，Kreditech也会要求访问申请人的eBay或Amazon主页，以了解其电商消费习惯、移动手机使用情况以及个人位置信息等重要数据。除此以外，Kreditech还会对申请人使用的浏览器、操作系统、输入出错率、取消键使用频次以及填写问卷所用时长等看似“无关紧要”的行为进行分析。Kreditech的实践表明，大数据技术与社交数据的结合，确实能够降低信贷违约率。

另一方面，Kreditech通过科技手段，来提升服务效率。Kreditech拥有包括Kredito24、K24、Flexinero以及Zaimo等在内的多个网络借贷平台，提供24小时不间断贷款申请服务。与此同时，Kreditech基于大数据分析，采取纯线上贷款审批操作，提供包括小额分期贷款、个人财富管理、电子钱包、透支及支付等服务。据统计，Kreditech的单笔最高贷款金额为500欧元，平均审核时间为35秒，平均到账时间为15分钟。目前，Kreditech已为200万人提供信用评分，累计发放贷款50万笔。

4. Affirm

成立于2013年的Affirm，是由PayPal的联合创始人Max Levchin创立的一家消费金融公司。Affirm主要为电商和教育这两类场景开发消费金融产品，将消费金融与移动支付相结合，为年轻群体提供代替信用卡的在线支付服务。针对电商消费场景，Affirm设计了“Buy with Affirm”的产品，并通过与Cross River Bank及在线支付公司Stripe合作，实现包括放贷、支付及还款在内的无缝对接。截至2016年5月，与Affirm开展分期付款合作的零售商超过700家。在合作过程中，一方面，Affirm通过JS代码编写的APIs来与商家实现快速、安全对接。另一方面，Affirm承诺自行承担贷款违约风险，以此维护双方合作的持续性。

Affirm最大的创新在于综合FICO评分及社交媒体档案记录（例如借款人的Facebook账号信息）开展个人信用评分。在此意义上，即使借款人（例如大学生、刚毕业的人群）没有银行借贷记录，其同样能够获得便利的信贷服务。在评分方法上，Affirm将传统与非传统方法相结合，提升借款利率设定的合理度。在授信流程上，Affirm会要求借款人在线填写姓名、电话号码、出生日期以及社会保险号后四位，在通过短信确认借款人身份后，即可进行放贷决策，整个过程仅需几分钟时间，信贷效率极高。与此同时，不同于信用卡的“一次授信循环放贷”模式，Affirm借助大数据评分系统，每次独立审核借款申请以确保授信准确。除此以外，Affirm还会定期将用户的逾期信息发送给征信巨头Experian，以此来惩戒借款人的违约行为。

5. Upstart

上线于2014年的Upstart，是美国一家专门针对年轻群体的P2P（Peer-to-Peer）信贷机构。Upstart将服务人群定位为20世纪80年代后期及90年代初期出生的年轻群体。这类群体的平均年收入为10万元左右，平均FICO分为691，几乎都拥有大学学位。Upstart为这类群体提供的贷款额度一般在35000美元以下，贷款利率为6%-17.5%，收取1%-6%的中介服务费。

在考虑传统FICO分的同时，Upstart注重考察借款人的受教育信息，尤其是将GPA作为衡量申请人信用状况的重要标准。Upstart认为对高GPA的年轻群体而言，其通常拥有较高素质，高素质则能够为其带来高收入。与此同时，高素质意味着良好的还款意愿，未来的高收入则是还款能力的重要体现。因此，即便这类群体当下的FICO分不高，Upstart仍然愿意为其提供信贷服务。基于大数据评分思想，Upstart充分利用智能管理及分析技术构建评分模型，主要包含传统信用数据、GPA、教育背景、SAT考试得分、受教育年数以及工作经历等。通过对不同维度进行挖掘，Upstart制定了比FICO更好的信用评级方法。具体包括AAA、AA、A、B、C、D、E七个等级，不同等级对应的贷款额度及利率各不相同，构成差异化信贷模式。

6. VisualDNA

成立于英国的VisualDNA公司，通过心理测试获得反映用户心理行为的数据，并据此分析得出个人信用评分。VisualDNA拥有先进的行为学分析方法，通过设计一系列问题，来考察与用户心理行为相关的属性。这些属性包括坦率程度、责任心、外向性、情绪稳定性、亲和力以及认知偏差等。例如，衡量借款人在恶劣处境中的逻辑思考能力，可以帮助贷款机构评估借款人在不利情境下的还款意愿。在对用户进行问卷调查的同时，VisualDNA还会申请访问用户的Cookie数据，从而通过交叉验证不同行为数据来提升分析结果的准确率。除此以外，VisualDNA采用图片形式设计问卷选项，以激发被问用户的潜意识，同时增强人机互动的趣味性。

当前，VisualDNA已经在俄罗斯、墨西哥、马来西亚、南非、土耳其以及波兰等多个国家试点及运营，在信用卡及个人贷款领域取得了较好的应用效果。在业务规模不变的情况下，利用VisualDNA可以使违约率降低23%。与此同时，在控制违约率的情况下，VisualDNA可以为信贷记录缺失用户服务且总体贷款通过率可提升近50%。