芝麻信用和fico評分有什么差異

如果你身為高富帥或者白富美，同時又是個剁手族，那你的阿里巴巴芝麻信用分一定很高。這樣，當其他人還在焦急地等待簽證消息時，你就可以瀟灑地從限量版的包包里拿出iphone6s，支付寶，輕觸芝麻信用，哇，你的芝麻信用分數(shù)是760!隨后你任性地把護照和iphone6s扔在簽證官面前，看著他/她在你護照上蓋章，你微笑著說：please charge visa fee directly from my ant credit account (螞蟻花唄)!

除了簽證辦理之外，其他許多生活方面的應(yīng)用也離不開芝麻信用。如果你想免押金租車、租房，在酒店先入住后付款，都需要一定的芝麻信用分數(shù);更不用說金融方面的信用貸款了……fico評分在中國的推廣一直說不上熱火朝天，可是在中國有芝麻信用分的人不說上億，起碼也有幾千萬吧。這么廣泛的客戶來源，再加上支付寶的強大覆蓋力，fico評分這樣的傳統(tǒng)信用評分還有多大價值呢?會不會在不遠的將來，就被芝麻信用分、騰訊征信評分取代映襯得黯然失色呢?

其實也不能一概而論。讓我們先看看傳統(tǒng)的fico評分和芝麻信用分是如何計算出來的吧：

fico評分是fair isaac公司開發(fā)的信用評分系統(tǒng)，也是目前美國應(yīng)用得比較廣泛的一種。fico評分系統(tǒng)得出的信用分數(shù)范圍在300～850分之間，分數(shù)越高，說明客戶的信用風(fēng)險越小，它采集客戶的人口統(tǒng)計學(xué)信息、歷史貸款還款信息、歷史金融交易信息、人民銀行征信信息等，通過邏輯回歸模型計算客戶的還款能力，預(yù)測客戶在未來一年違約的概率：

1. 人口統(tǒng)計學(xué)信息：如客戶年齡、家庭結(jié)構(gòu)、住房情況、工作類別及時間等;

2. 歷史貸款還款信息：即過去6個月或12個月的付款方式、逾期次數(shù)等;

3. 歷史金融交易信息：即過去6個月或12個月的平均月交易筆數(shù)、金額等;

4. 銀行征信信息：如過去12個月中新開的賬戶總數(shù)、所有賬戶的總額度、賬戶是否逾期等。 的大數(shù)據(jù)征信比較終無法替換fico評分，而只是用來補充fico評分的不足。原因包括多個方面：

1. zestfinance 的大數(shù)據(jù)征信的體量不大，到現(xiàn)在只為10萬美國人提供服務(wù)，對模型的有效性、準確性還很難做出有效的評價。 的大數(shù)據(jù)模型也給傳統(tǒng)的風(fēng)險管理帶來挑戰(zhàn)：傳統(tǒng)的fico評分需要處理的變量比較少，對模型結(jié)果可以給出合理的解釋，方便金融機構(gòu)不同部門之間、金融機構(gòu)與客戶之間的溝通。而zestfinance 的基于大數(shù)據(jù)的數(shù)以千計的變量規(guī)模和多模型應(yīng)用，使得數(shù)據(jù)的處理和模型的解釋變得很復(fù)雜，在實際應(yīng)用中會帶來許多麻煩。 在利用個體消費者的大數(shù)據(jù)進行信用評估時，很多數(shù)據(jù)會涉及個人隱私，比如個人社交網(wǎng)絡(luò)數(shù)據(jù)(微信朋友圈)、電商交易數(shù)據(jù)、通話記錄等，所以涉及個人隱私的保護和合規(guī)性。

看，以上這些信息都是fico評分模型的自變量，比較終會通過邏輯回歸模型輸出比較終分數(shù)。不同的是，阿里巴巴推出的芝麻信用分則是以大數(shù)據(jù)分析技術(shù)為基礎(chǔ)，采集多元化數(shù)據(jù)，包括傳統(tǒng)的金融類交易、還款數(shù)據(jù)，第三方的非金融行為數(shù)據(jù)，互聯(lián)網(wǎng)、移動網(wǎng)絡(luò)和社交網(wǎng)絡(luò)數(shù)據(jù)等，幫助貸款方從多個方面考察個體的還款能力、還款意愿，做出合理、全面的信用評分。

上圖展現(xiàn)了基于大數(shù)據(jù)分析技術(shù)的機器集成學(xué)習(xí)法ensemble。不同于傳統(tǒng)的邏輯回歸模型，它采集了上萬個數(shù)據(jù)項、從不同的層面(還款能力、還款意愿、欺詐可能性、穩(wěn)定性等)對個體進行建模打分;再把這些單個層面的評分、結(jié)合個體的綜合信息，給個體一個比較終的信用評分。

兩種評分模型采用數(shù)據(jù)量的不同體現(xiàn)了其評分思路的區(qū)別。通常，fico評分模型只有十幾個評分項，每一個評分項對目標變量(即是否違約)的預(yù)測性和影響力都很高。但是，在機器集成學(xué)習(xí)法中，比較終進入模型的評分項可能多達成千上萬，而且每一個這樣的評分項對目標變量的單獨預(yù)測性可能都很小;ensemble就是利用機器學(xué)習(xí)法，把這么多微小的預(yù)測性匯總成為比較終對個體的違約可能性有很強預(yù)測性的評分。

那么，芝麻信用有哪些局限性呢?我們不妨參照已有的實例來進行橫向?qū)Ρ确治觥Ｃ绹幕ヂ?lián)網(wǎng)金融公司zestfinance從2009年就開始研發(fā)基于大數(shù)據(jù)的信用評估模型：融合多源信息，采用機器學(xué)習(xí)的預(yù)測模型和集成學(xué)習(xí)策略，進行大數(shù)據(jù)挖掘。他們收集了上千種來源于第三方的數(shù)據(jù)，比如水、電、煤賬單，電話賬單，房屋租賃信息，和傳統(tǒng)的金融借貸、還款信息等;通過機器學(xué)習(xí)的方法尋找數(shù)據(jù)間的關(guān)聯(lián)性并對數(shù)據(jù)進行必要的轉(zhuǎn)換;在關(guān)聯(lián)性的基礎(chǔ)上將數(shù)據(jù)重新整合成不同的測量指標;每一種指標反映個體的某一方面特征，比如詐騙概率、長期和短期的信用風(fēng)險和償還能力;比較后，將所有指標按加權(quán)投票的原則，做成比較終的信用評分。

但是zestfinance的個體信用評分只適用于缺乏或沒有信貸記錄的人群，也就是說，這些人或者剛移民到美國，或者之前從來沒有過貸款行為。所以zestfinance 的大數(shù)據(jù)征信比較終無法替換fico評分，而只是用來補充fico評分的不足。原因包括多個方面：

1. zestfinance 的大數(shù)據(jù)征信的體量不大，到現(xiàn)在只為10萬美國人提供服務(wù)，對模型的有效性、準確性還很難做出有效的評價。

2. zestfinance 的大數(shù)據(jù)模型也給傳統(tǒng)的風(fēng)險管理帶來挑戰(zhàn)：傳統(tǒng)的fico評分需要處理的變量比較少，對模型結(jié)果可以給出合理的解釋，方便金融機構(gòu)不同部門之間、金融機構(gòu)與客戶之間的溝通。而zestfinance 的基于大數(shù)據(jù)的數(shù)以千計的變量規(guī)模和多模型應(yīng)用，使得數(shù)據(jù)的處理和模型的解釋變得很復(fù)雜，在實際應(yīng)用中會帶來許多麻煩。

3. zestfinance 在利用個體消費者的大數(shù)據(jù)進行信用評估時，很多數(shù)據(jù)會涉及個人隱私，比如個人社交網(wǎng)絡(luò)數(shù)據(jù)(微信朋友圈)、電商交易數(shù)據(jù)、通話記錄等，所以涉及個人隱私的保護和合規(guī)性。

阿里巴巴的芝麻信用和zestfinance的大數(shù)據(jù)征信相似，也存在一定的問題，比如：芝麻信用覆蓋的人群可能上億，但是芝麻信用分的有效性和準確性還沒有得到公認的評估;憑借高的芝麻信用分可以在支付寶開通螞蟻花唄，類似信用卡的透支服務(wù)，但是芝麻信用在其他方面的應(yīng)用還沒有達到一定的規(guī)模。

當然，大數(shù)據(jù)信用評分終歸是歷史的趨勢，目前fico公司和國外三大征信機構(gòu)都已經(jīng)開始了利用大數(shù)據(jù)分析技術(shù)來完善傳統(tǒng)信用評估體系的前瞻性研究。比如，益百利experian已經(jīng)投入研究團隊關(guān)注社交網(wǎng)絡(luò)數(shù)據(jù)對信用評分的影響;fico公司也已經(jīng)開始了在線評估的信息工具和基于互聯(lián)網(wǎng)的信用評估系統(tǒng)的項目研究。我們相信，隨著理論與方法的完善和實踐的深入，基于大數(shù)據(jù)分析的信用評分終有一天將占據(jù)主流地位，不過，市場上會不會出現(xiàn)有力的新競爭者、比較終贏家究竟是芝麻還是西瓜，仍需我們拭目以待。

芝麻信用分和fico是通過怎樣的評分體系的出來的你知道了嗎？芝麻信用分的用途越來越大，了解了他的評分體系就能更好的提高芝麻信用分啦!

更多關(guān)于芝麻信用分的提升方法請關(guān)注

新手開店相關(guān)經(jīng)驗

問為什么用支付寶里的芝麻信用騎小黃車，卻沒有紅包小黃車在其app里騎行本身就有紅包

支付寶小程序暫時不支持紅包圖。建議使用app全面體驗所有功能