个人信用评分培训课件

《个人信用评分培训课件》由会员分享，可在线阅读，更多相关《个人信用评分培训课件（44页珍藏版）》请在装配图网上搜索。

1、 个人信用评分信用评分信用评分指信用评估机构对主体信用信息进行量化，并以分值形式表达的过程或者结果。1、信用评估机构与征信机构：征信机构可以做评分，但更应关注于信用信息的真实、客观和权威，最好做到信息的全面及时。评估机构应该主要关注对被评价人来进行准确、合理、一致的评价，体现评分的公平。2、信用信息 此概念不能简单鉴定为信贷信息，而是说与触犯法律法规，违反标准及契约相关的信息。信用评分的量化过程评级与评分对比评级评分对象数量及规模少且大多且小技术定性为主+定量分析（基于理论进行数据分析）定量为主（应用模型自动计算）效果注重个体准确性注重群体的准确性关注的数据当前历史成本高信用评分分类商业银行他

2、们基于自己收集到的数据，主要是基于自己客户数据构建模型，当然也可能会用到征信局的数据，这个模型的特点主要对于某个具体的业务或者说某个客群是比较有效的。征信机构利用所采集到的丰富信息对个人进行这样一个综合的信用评价。因为征信局收集的信用信息的维度也比较广，覆盖的人群也会比较多。所以征信局的评分做起来也会比较复杂，那么它的评价相对来讲是要比较综合全面一些。一个行业的几家机构使用他们共同的数据，也包括会从征信局拿到的一些数据构建的模型，这个模型基本上是对他们有共同行为特征的客户或者是相同或相近的业务来使用。内部评分征信机构评分行业共享评分美国信用评分的发展历史美国零售商和邮购商开始应用信用评分利用信

3、用评分进行信用卡发放房利美和房地美开始应用FICO信用评分来评估美国房贷房贷信用评分开始应用于个人贷款，住房抵押贷款和小企业贷款中运用。（费艾哲公司为美国投资公司构建了第一个信用评分模型20世纪50年代1958年20世纪60年代20世纪80年代1995年FICO评分开始在三大征信机构得到普遍应用1991年FICO信用评分-最具有权威性 FICO信用评分是最具代表性的，一般指根据个人征信机构的数据和FICO的评分模型开发而成，也称为个人通用评分，可以广泛地被授信机构所使用。FICO信用评分按照信贷产品的不同，评分模型也不同，常见的分类为：信用卡、消费贷款、房贷、助学贷款和车贷等。其中美国3/4的

4、家庭房贷是基于FICO信用评分做出的评价。FICO信用评分又根据信用风险管理用途的不同可以分为欺诈风险评分、破产评分、收益评分和债务催收评分。仅基于FICO开发的信用评分模型，每个消费者有超过48个不同的信用评分，可以用于不同的消费场景。根据有关统计，全球信贷市场上90%的信用评分都是FICO开发。全球FICO信用评分已经出售了1000亿份。FICO 评分模型中所关注的主要因素(一)偿还历史影响FICO得分的最重要的因素是客户的信用偿还历史,大约占总影响因素的35%。支付历史主要显示客户的历史偿还情况,以帮助贷款方了解该客户是否存在历史的逾期还款记录,主要包括:(1)各种信用账户的还款记录,包

5、括信用卡(例如:Visa、MasterCard、AmericanExpress、Discover)、零售账户(直接从商户获得的信用)、分期偿还贷款、金融公司账户、抵押贷款。(2)公开记录及支票存款记录,该类记录主要包括破产记录、丧失抵押品赎回权记录、法律诉讼事件、留置权记录及判决。涉及金额大的事件比金额小的对FICO 得分的影响要大,同样的金额下,越晚发生的事件要比早发生的事件对得分的影响大。一般来讲,破产信息会在信用报告上记录7-10年。(3)逾期偿还的具体情况,包括,逾期的天数、未偿还的金额、逾期还款的次数和逾期发生时距现在的时间长度等。FICO 评分模型中所关注的主要因素(二)信用账户数

6、该因素仅次于还款历史记录对得分的影响,占总影响因素的30%。对于贷款方来讲,一个客户有信用账户需要偿还贷款,并不意味着这个客户的信用风险高。相反地,如果一个客户有限的还款能力被用尽,则说明这个客户存在很高的信用风险,有过度使用信用的可能,同时也就意味着他具有更高的逾期还款可能性。该类因素主要是分析对于一个客户,究竟多少个信用账户是足够多的,从而能够准确反应出客户的还款能力。(三)使用信用的年限该项因素占总影响因素的15%。一般来讲,使用信用的历史越长,越能增加FICO信用得分。该项因素主要指信用账户的账龄,既考虑最早开立的账户的账龄,也包括新开立的信用账户的账龄,以及平均信用账户账龄。据信用报

7、告反映,美国最早开立的信用账户的平均账龄是14 年,超过25%的客户的信用历史长于20年,只有不足5%的客户的信用历史小于2年。FICO 评分模型中所关注的主要因素(四)新开立的信用账户该项因素占总影响因素的10%。在现今的经济生活中,人们总是倾向于开立更多的信用账户,选择信用购物的消费方式,FICO 评分模型也将这种倾向体现在信用得分中。据调查,在很短时间内开立多个信用账户的客户具有更高的信用风险,尤其是那些信用历史不长的人。该项因素主要包括:(1)新开立的信用账户数,系统将记录客户新开立的账户类型及总数;(2)新开立的信用账户账龄;(3)目前的信用申请数量,该项内容主要由查询该客户信用的次

8、数得出,查询次数在信用报告中只保存两年;(4)贷款方查询客户信用的时间长度;(5)最近的信用状况,对于新开立的信用账户及时还款,会在一段时间后,提高客户的FICO得分。(五)正在使用的信用类型该项因素占总影响因素的10%,主要分析客户的信用卡账户、零售账户、分期付款账户、金融公司账户和抵押贷款账户的混合使用情况,具体包括:持有的信用账户类型和每种类型的信用账户数。各因素占比图FICO信用评分模型FICO信用评分的打分范围是300850分；FICO信用分可以帮助金融机构等授信机构进行授信决策。一般而言，如果借款人的信用分达到680分以上，授信机构就可以认为借款人的信用卓著，可以毫不迟疑地同意发放

9、贷款；如果借款人的信用分低于620分，授信机构或者要求借款人增加担保，或者寻找各种理由拒绝贷款；如果借款人的信用分介于620分680分之间，授信机构就要作进一步的调查核实，采用其他的信用分析工具进行细致分析。在美国的各种信用分析计算方法中，FICO信用评分模型的正确性最高。据一项统计显示：信用分低于FICO600分，借款人违约的比例是1/8；信用分介于FICO700800分，违约率为1/123；信用分高于FICO800分，违约率为1/1292。美国三大征信局 三大个人征信机构也开发出了不依赖FICO模型的信用评分，常常被称为FAKO评分。但是这些信用评分目前无法和FICO信用评分抗衡，只能作为

10、信用教育，免费提供给消费者。ZestFinanceZestFinance 主要面向两类人群，一类是（FICO 评分接近或低于 500）无法获得基本的信贷需求的人群，解决他们的无信用评分借贷问题，另一类是信用分数不高而借贷成本高的人群，利用大数据征信降低他们的信贷成本ZestFinance原名Zestcash，2009年成立于洛杉矶，是一家通过机器学习和大数据技术进行个人信用评分，服务于哪些在传统个人征信体系下无法正常使用金融服务的用户的科技金融公司。ZestFinance的竞争优势-基于大数据的信用评估到目前为止，ZestFinance使用的原始数据信息就多达上万条，在此基础上ZestFina

11、nce付出了更多努力，开发了包括欺诈模型、还款能力模型、还款意愿模型在内的机器学习分析模型，而在相应的模型中最多可以得出超过7万个可以判断信贷行为的指标，最终可以得出准确的消费者信用评分。数据显示，与传统信贷管理业务比较，ZestFinance的处理效率提高了将近90%，在风险控制方面，模型相比于传统信用评估模型性能则提高了40%。2016年7月18日下午消息，百度宣布投资美国金融科技公司ZestFinance，数额未公布，而早在2015年6月份，ZestFinance还曾获得京东集团1.5亿美元投资，双方还宣布成立名为JD-ZestFinanceGaia的合资公司。NEWS 京东和百度同时看

12、中ZestFinanceZestFinance将为京东与百度提供强大支撑在投资ZestFinance并展开合作之后，就可以通过运用其先进的大数据信用模型构建技术和经验，为京东金融提供信用模型和技术，帮助前者更好的挖掘互联网用户群、年轻消费者的信用价值，防范因当前国内个人信用体系不健全导致的信贷风险。更重要的是，京东手中掌握着亿级用户的电商消费轨迹和物流数据，这意味着那些游离于传统信用体系之外的强消费能力群体，可以经ZestFinance之手成为京东布局消费金融的潜在用户群体。而百度更加看重的或许是ZestFinance对海量大数据库的灵活运用和强大分析，百度的大量用户搜索数据完全可以通过Zes

13、tFinance的技术用于贷款承销和评估信用风险。国内信用评分的发展阶段商业银行上海资信、深圳鹏元人民银行征信中心芝麻、拉卡拉金融机构试点征信机构全国性征信机构市场化征信机构商业银行评分商业银行评分早期是打分表（卡）形式，基本上是某一个特征对应某一个分数，比如说单位的性质，如果是国家机关对应给一个分数，事业单位也对应相应的分数，不同的单位性质对应不同的分数，这种形式就是打分表或打分卡形式。实际上，评分卡是通用称呼，评分都可以用评分卡形式表现。这种评分卡很多是基于信贷员或风险经理的业务经验，不见得比模型的方式效果差。当然，这种评分卡可能存在一种问题，制定的标准执行上会因为个人的喜好而变，不像自动

14、化的方式那么一致。所以在一致性和稳定性上可能存在一些问题，也会影响准确性。商业银行评分表试点信用机构评分试点信用机构评分 上海资信是人民银行和上海市政府合作成立的征信试点机构，它采集上海的所有的金融机构金融信息，特别是信贷信息，包括上海市的一些政务方面的信息，如公积金和社保，它主要服务于上海市的所有金融机构。2002年开发了个人的信用评分，叫做个人综合信用管理评分，设的分值区间是-10001000，这个分值很有意思，它实际上相当于两个评分，但把它们放到一块去了。一个是-1000到0，这个分是针对跟金融机构尤其跟银行是没有打过交道人的评分；0到1000是给跟银行打过交道的人的评分。目前评分分值区

15、间已调整到0到2000，实际上仍然是一样的，只不过是统一加了1000。鹏元征信是专门开展个人及企业征信、个人及企业评分、征信系统设计开发、软件设计开发和中小企业信用风险控制等业务的专业征信机构。2005年4月底，鹏元征信自主研发的个人综合信用风险评分“鹏元800”，正式对授信机构及个人提供信用评分查询服务。“鹏元 800”通过建立数学模型对个人信用信息进行统计分析，以预测未来一段时间内发生违约风险的可能性，并用一个分数综合反应个人信用状况。该信用评分体系共设6个等级，从320分到800分，每80分一级，把个人信用状况详细量化，每个分数对应一个违约概率，分数越高表示违约风险越低。征信中心评分信用

16、报告“数字解读”是为信贷市场风险控制提供的一种快捷的征信服务，是在中国人民银行征信中心与美国费埃哲公司（Fair Isaac Corporation）合作进行个人征信评分研究项目的基础上，利用我国个人金融信用信息基础数据库（以下简称“个人征信系统”）的信贷数据开发出来的，是对个人信用报告信息的量化，可帮助信贷机构更加方便、快速和一致地使用信用报告信息，了解客户的当前信贷风险状况，以及预测信贷机构个人客户在未来一段时间内发生信贷违约的可能性。信用报告“数字解读”的分数范围为0-1000分，每个分数对应一定的违约率。分值越高，表示未来发生信贷违约的可能性越低，其信用风险越小；分值越低，表示未来发生

17、信贷违约的可能性越高，其信用风险越大。一般情况下，高分人群整体的信用状况优于低分人群，即未来发生信贷违约的可能性较低。数字解读考察信用报告五大类信息还款情况。其所考察的因素包括：各类信贷产品当前和历史的还款情况、逾期还款的细节、按时还款的次数、拥有良好还款记录的信贷账户个数等等。负债水平。包括以下考虑因素：各类信贷产品的信贷额度、当前余额；当前总负债额度和比例；有贷款余额的产品数量等等。信用历史。考察因素包括：最早开立的信贷产品的账龄；所有信贷产品的平均账龄、某特定类型产品的账龄等等。相较前两类信息而言，此类信息在总体评估中占的比重较轻。近期信贷申请。考察消费者近期对新的信贷产品的申请和使用情

18、况。包括：最近一段时期有多少新开立的信贷产品；最近申请了多少次信贷产品等等。相较前两类信息而言，此类信息在总体评估中占的比重较轻。产品种类。考察您有哪些种类的信贷产品，以及这些产品的组合情况。相较前两类信息而言，此类信息在总体评估中占的比重较轻。当前负债29%信用历史8%信贷申请12%信贷组合8%各类信息占比还款历史当前负债验证和使用情况模型验证根据业界共识，评分模型KS值（衡量模型对好坏人群的区分能力的指标，取值在0到1，数值越大代表模型区分能力越强）达到30%以上认为评分模型是可用的。“数字解读”在不同的业务类型和客户类型上均超过30%以上，好坏区分能力较好。例如，若未来24个月客户在验证

19、机构的任一信贷业务逾期90天以上为“坏客户”，在这一定义下，“数字解读”模型在信用卡、住房贷款、消费贷款业务新申请客户群的KS值平均达到46.6%、38.9%、54.7%，在这三类业务存量客户群的KS值平均达到64%、51.2%、64%。使用情况截至2015年12月31日，有24家机构已开通“数字解读”查询权限，包括14家全国性商业银行、4家城商行和农商行、1家外资银行、1家消费金融公司、4家汽车金融公司。其中17家机构已累计查询含“数字解读”的信用报告1.16亿，查询量最大的是某全国性商业银行，共6300多万笔。市场机构评分 芝麻芝麻信用信用分评分指标分评分指标一、身份特征（15%）这个指标

20、主要是确认你是“你”，不是别人！包括实名认证，地址信息，学校信息，公司信息等。二、信用历史（35%）这个指标主要确认你以前是个诚实的人。主要从支付宝账户，征信系统和其它系统提取的信用卡记录，借呗花呗还款记录，水电煤缴费情况等等三、履约能力（20%）这个指标主要是证明你未来有钱还。比如在阿里系有股票基金，余额宝还有支付宝余额等等！四、人脉关系（5%）这个指标主要是从侧面证明你的还款能力，一般来说有土豪朋友的人，自己也不会太差。这块指标的数据应该是参考通讯录的转账数据还有微博的人脉关系等等（有大V关注你，那证明你的信用应该还不错）。五、行为偏好（25%）这个指标主要是证明你以前的消费能力，以前消费

21、层次越高，说明你的还款能力应该不错。主要是在淘宝的消费记录，比如购物的频率，消费的层次等等芝麻信用暂存的问题 目前芝麻信用分如何评判、主要影响因素有哪些，通过何种手段可以影响信用分已经成为“公开的秘密”。互联网的虚拟性又给数据的来源罩上了一层面纱，这使得数据造假更为可能。希望获得更高信用额度的小微企业、商家乃至个人，可能根据评分系统的要求，刻意美化数据，导致评分结果缺乏真实性。另外，虽然芝麻信用目前数据来源非常广泛，但细究就会发现仍未跳脱“阿里体系”。换言之，芝麻信用分评估所用的数据，几乎都是来自阿里巴巴所涉及的领域，而其他领域则相对空白。那么，若用户很少在淘宝上购物或不曾使用阿里金融，芝麻信

22、用对该类用户的信息数据采集将会变得很困难，致使评分成果不完善。数据的真实性和有效性问题数据的真实性和有效性问题评分体系适用性问题 目前，芝麻信用乃至整个互联网征信行业仍处在探索阶段。对一个系统是否具有适用性的评价往往需要若干个建立、验证、修正、再验证的周期才能趋于成熟。而芝麻信用目前刚刚从建立阶段进入验证阶段，体系中许多指标还需要修改、完善。并且，芝麻信用的评分采用的是互联网行为数据，而用户互联网行为和社会行为的差异可能使得传统的信用理论和算法未必适用于互联网征信，其适用性将对评估结果的准确产生影响。个人隐私及信息安全问题 目前，互联网征信刚刚起步，国内尚未出台相关规定，如何保证来自各个平台的

23、数据和信息都被合理监管，不被外泄，是用户最担心的问题。而对芝麻信用平台来说，由于缺乏规定，部分重要数据可否被合法采集，对评估体系有着重要的影响。信息安全已成为芝麻信用目前面临也将长期面临的最主要问题。信用评分评价的标准信用评分准确稳定可解释一致信用评分评价的标准准确性：构建评分模的目的就是为了能够区分目标客户的好坏优劣。可以使用K-S值来评价。K-S值越大，表示评分模型能够将“好客户”、“坏客户”区分开来的程度越大。一致性：一个评分是不是未来能够很好运用，要看评分和违约率未来有没有确定的、一致的对应关系。比如，800分对应违约率是1/1000，你随机地抽足够多一个800分的群体，未来发生违约的

24、概率都应该是1/1000。如果这个月800分对应千分之一，下个月对应千分之二，就不能做到一致性。稳定性：一个评分模型不能够稳定持续地进行评估，任何一家机构就很难去使用，因为需要天天调整策略和系统。可解释性：如果不能够解释显然就没有公平而言，纯粹一个黑箱子，对于金融消费者的权益保护非常不利。并且如果不能解释，产生风险的原因会不会突然改变就不知道，会不会造成系统性风险，这些都是需要考虑的。美国信用评分目前的应用情况传统信贷的应用：信用评分在传统信贷领域应用的基本功能是信贷审批和信贷风险定价，涵盖了信用卡生命周期管理、住房抵押贷款、汽车贷款和消费信贷。放贷者利用信用评分来决定是否授信，决定提供多少信

25、用额度，用什么条款。例如美国的房利美和房地美利用信用评分启动了自动化的信贷审批系统，使得信贷管理人员将房地产抵押贷款审批流程化。信贷组合的估价：个人借贷者的信用评分也被信贷组合购买者、信贷组合的资产证券化购买者以及评级机构使用，来预测借贷者偿还的可能性和及时性，预测用来对组合定价的未来现金流。市场营销：信用评分被用在授信前的提前筛选，特别是信用卡信用额度决策。账户维护和账户审查：信用卡的发放者常常定期审查消费者的信用报告和信用评分来决定是否提高或降低信用额度、利率以及是否提供一些特别的服务（如余额转移）。其它的放贷者也在信用管理过程中使用信用评分，或者评估是否对已有的顾客进行交叉销售新产品。保

26、险领域的应用：信用评分也常常用于汽车保险和居民保险过程中的定价。从1990年开始，个人征信机构开始开发特定的保险评分，帮助保险公司来评价潜在顾客的保险风险。研究表明，通过使用这种保险评分，大部分消费者可以降低保费，信用评分高的消费者往往索赔的次数比较少。消费场景中的应用：由于征信机构可以根据请求很快地提供信用报告和信用评分，在一些“获得信贷是消费者购买决策中重要组成部分”的交易场景中，例如汽车交易和百货商店，信用评分和自动化的信贷审批可以实现即时授信。信用评分还被用于电信公司、水电公司以及消费信用相关的企业。信用评分还被用于雇佣过程中雇员背景调查，尽管一些州立法限制信用评分仅能用到某一些特殊职

27、位。宏观经济分析的应用：信用评分已经成为度量与信用风险相关的金融资产质量的重要的行业指标之一，并间接地用于度量消费者参与经济活动的能力，成为美国国家金融基础设施不可或缺的一个重要组成部分。例如美国联邦货币监理署每季度发布的住房抵押贷款指标报告就一直利用信用评分为资产分类；美国联邦监管部门用FICO信用评分小于或等于660分（取决于产品类型和抵押品情况）或其他评分的等价定义次级贷款违约可能性。信用评分在我国的未来应用前景广阔中诚信信用分个人信用评分已在医疗、保险、学生创业就业等方面开展广泛应用,评分高的个人,在医院做手术时可免交押金,去企业应聘时会提升成功率,还将开辟租房市场的应用。考拉信用分当

28、用户的个人考拉信用分达到一定的等级时，用户就可以享受免押金租车、租房等优待；而考拉商户信用分也能帮助符合资质的小微企业解决融资难问题。考拉征信的商户信用分的优势在于抢占了国内小微企业市场的先机，创新地将商户交易流水、税务、财务、黑名单以及商户资质等6种信息结合起来，为广阔的小微市场提供了贷款解决方案新思路。芝麻信用分的应用生活社交领域登机不用排队，享受安检快速通道，这种原本只属于高端信用卡客户或者企业高级用户才能享受到的快捷服务，现在在北京首都国际机场乘机的旅客，若芝麻信用分数达到750分以上便只需在机场指定位置打开支付宝APP，扫描宣传海报上的芝麻信用二维码，将芝麻信用页面向机场工作人员出示

29、，即可享受首都机场CIP贵宾通道（商务贵宾通道）相较于普通安检口需要排队20分钟以上，CIP贵宾通道仅需等待3至4个人次，即可完成安检，其便捷性和高效性是很有优势的与此同时,芝麻信用也在租车、租房、婚恋、签证等多个领域商定了合作伙伴,并率先与“阿里旅行去啊”合作推出基于信用的酒店服务计划,只要信用分600以上便可享受免押金和延时付款服务。消费金融领域个人消费金融领域，为用户提供信贷服务。“蚂蚁金服”基于芝麻信用分，发展了 3 款产品，即花呗、借呗以及好期贷。公司根据用户的芝麻信用分来匹配个人相应额度的消费贷款，用户可以将这些额度提现到支付宝余额。贷款金额为 1 千元至 5 万元不等，还款最长期

30、限为 12 个月，贷款日利率是 0.045%，随借随还。此外，许多合作也已经在芝麻信用与其他金融机构之间开展，并且协定将芝麻分纳入放贷的标准中。比如“玖富”引入芝麻信用分，分数越高，相应借款额度就越高，利率也会更低。而芝麻信用也与金融搜索平台“融 360”建立合作，共同规划数据战略。对我国个人信用评分未来的思考（一）加快征信立法建设，为个人信用评分产品开发提供一个良好的法律环境相较于美国关于个人征信行业颁布了17部法律,我国目前仅有两部相关条例,法律体系方面显得有些单薄。中国人民银行虽已颁布了个人信用信息基础数据库管理暂行办法，但仅对商业银行个人信用信息的报送、整理、查询等进行了规范，而且其中

31、未对信用评分活动作出规定。征信管理条例（征求意见稿）虽然明确了征信活动的信息采集范围和规定了信用评级开发的应用范围，但是该条例目前还处于修改之中，因此，关于信用评分产品的控制因素选取、数学模型的选用等方面都是法律空白。应尽早出台征信管理条例，对信用评分及评分结果的运用予以明确规定，对征信机构可以采集信息的范围界定为与个人信用状况相关的信息，并予以明确规定；对禁止采集和使用的信息进行明确规定，并且允许征信机构对个人信息整理、使用、公开。（二）提高征信数据质量，为个人信用评分开发良好的数据基础个人信用评分是依据数学模型计算得出来的，对信用信息数据的完整性和准确性有较高的要求。美国征信局联合会 AC

32、B 制定了统一的标准数据报告格式和标准数据采集格式，也即是 Metro1 和 Metro2。目前 Metro2 是美国个人征信行业最通用的标准数据格式，规定了任何行业和单位都使用一个标准，使用统一、开放的计算机数据输入标准格式。目前全国金融标准化技术委员会仅颁布了数据元设计与管理和个人征信数据元两项征信数据元标准，数据转换、互操作、服务等征信业标准尚未出台，在各行业、各信息源单位的数据规范存在较大差异，难以准确地将各部门的信用信息归集到个人征信系统中，并且征信中心的数据采集和整理工作没有相关法律的授权，现有行政体制下，各部门信息相互独立、自成体系。应加强征信数据核对，提高数据准确性。同时，应进一步完善征信数据元标准，尽快完成跨行业数据交换、数据交换统一接口、数据交换质量管理、数据包格式、征信服务等一系列标准的制定，通过跨行业数据交换标准等，保证各信息报送机构信息准确、高效地纳入征信系统。（三）完善奖惩机制，为信用变现提供良好的环境人无信不立，业无信不兴。信用是一个人最大的无形资产，且会不断变化，并直接作用于个体。个人信用评分奖惩机制的建立，使得“信用变现”，真真切切得影响到一个人的工作、生活方面，信用评分的推广才能走向长远。