《大数据时代,全球征信业发展》研究报告

怎么理解征信?

征信的本质:对金融主体的数据刻画

征信是指对企业组织和个人的信用信息进行采集、整理、保存和加工,并向信息使用者提供的活动,其本质在于利用信用信息对金融主体进行数据刻画。

征信的功能:

征信是:

征信是金融大数据体系建设的关键环节;

征信是传统金融行业转型的内在要求;

征信是互联网金融再下一城的重要支撑。

我国征信行业现状

1、发展历史

起步阶段(1980 年末-1995 年):这一阶段个人征信尚未放开,而征信公司规模普遍较小,业务以资信评级为主,且信息获取难度高、报告内容简单。

央行和各地方搭建征信平台(1996 年-2003 年):这一阶段四大行由专业银行向商业银行转型以及一些股份行和地方性银行陆续设立成为征信市场发展的重要推动力,而商业银行仍是征信服务的主要需求方,征信服务主要体现为内部评级服务,个人征信开始起步。

央行主导建立全国统一的公共征信模式(2004 年-2013 年):在这一时期中央(包括中共中央决定、国务院深化经济体制改革意见等)多次强调要建立健全社会信用体系。

互联网金融时代的征信(2014 年至今):随着互联网技术的蓬勃发展以及互联网金融业态的爆发式增长,一些互联网公司基于大数据开始涉足征信行业。

2、征信行业格局:公共为主商业为辅,创新模式稳步发展

我国征信行业经历了20 余年的发展,目前形成了公共征信与商业征信并存、以公共征信为主的征信体系。

(1)公共征信:主要是由央行主导建设的全国企业和个人征信系统,即金融信用信息基础数据库,由人民银行征信中心负责运营,此外各级政府或其所属部门设立的征信机构亦属于公共征信体系;

(2)商业征信:主要为信用登记、信用调查、信用评级等业务,征信机构包括50 多家社会征信机构(如鹏元征信等)和80 家信用评级机构(如大公国际、中诚信等)。

(1)公共征信体系——央行企业和个人征信系统

数据来源:全面收集企业和个人信息,以银行信贷信息为核心,还包括社保、公积金、环保、欠税、民事裁决与执行等公共信息,但目前占比较小。对于无贷款记录的企业和个人,央行征信系统仅有基本信息。截至2015 年4 月底,征信系统收录自然人8.6 亿多人,收录企业及其他组织近2068 万户。

产品体系:以企业和个人信用报告为核心的征信产品体系。a)企业征信:包括企业信用报告、关联企业查询、信贷资产结构分析、历史违约率查询等;b)个人征信:包括个人征信报告、信用报告数字解读(信用评分)等。

使用机构:包括商业银行、农村信用社、信托公司、财务公司、汽车金融公司等各类放贷机构,且征信系统的信息查询端口遍布全国各地的金融机构网点,信用信息。

(2)商业征信体系——信用评级机构和社会征信机构

信用评级机构:主要应用于债券市场和信贷市场。2012 年共有70 多家评级机构,其中8 家获准从事债券市场评级业务,当年共完成债项评级1672 笔,同比增长42%;其余从事信贷市场评级业务,共完成信贷市场主体评级近5 万户,同比增长近5%。

社会征信机构:主要从事企业征信业务,较少从事个人征信业务。征信业务收入和人员主要集中在几家大的征信机构上,如鹏元征信、新华信等。

(1)鹏元征信成立于2005 年,主要从事个人征信、企业征信、企业评分、个人评分、和中小企业信用风险控制等业务,目前每年提供各类信用报告超过7000 多万份,主要用户包括政府、银行、小额贷款公司、公用事业单位、电商平台等机构,公司信用报告在银行等金融机构内部一定程度上能够替代央行提供的征信报告。

(2)新华信主要提供商业信息咨询、市场研究咨询以及数据库营销服务,公司数据收集网络覆盖全国31 个省市、355 个城市,数据库收录了2000 万家机构的基本信息和60 万家企业的财务及信用信息,2012 年营业额达到4 亿元。

P2P 行业的征信系统:网络金融征信系统(NFCS)和小额信贷征信服务平台(MSP)。

海外征信发展经验

1、美国:市场主导模式

在美国,征信机构均独立于政府和联储之外,按照纯市场化的方式运作,并以营利为目的向市场提供信用信息产品和服务,政府和联储仅扮演监管者的角色。美国征信机构中影响力最大的包括三大个人征信机构Experian(益博睿)、Equifax(艾克飞)、Trans Union(环联)和企业征信机构Dun Bradstreet(邓白氏)等,占据了美国征信市场的大部分市场份额。

完善的监管和法律制度是美国征信体系的一大特点,这也是其市场主导型征信模式能够高效运转的基础,而监管的执行和法律的制定则是基于保护个人信息安全和隐私权的理念。

(1)征信法律体系:主要以《公平信用报告法》(Fair Credit ActReporting Act,简称FCRA)为核心,该法规定了个人信息主体、信用信息提供者、征信机构等在征信活动中的权利义务关系,并从保护消费者隐私和信用报告准确性的角度出发,规定了信用报告的合法用途、负面信用信息的保存期限、信息主体获取和要求更正本人信息的权利、征信机构对信用报告准确性的法律责任等内容。

(2)监管框架:美国并未设立类似征信管理局之类的部门专门负责征信监管,而是通过立法或自然分配的形式将监管职能分配至各个部门,在各个部门履行监管职能的过程中,依旧遵循保护个人信息与隐私权的基本原则。

例子:

(1)企业征信领域龙头——Dun Bradstreet(邓白氏公司)

历史悠久:DB 是全球历史最悠久的商业信息服务机构。DB 成立于1841 年,时为纽约第一家征信事务所,目前主要向客户提供风险管理和市场营销等领域的解决方案,产品和服务包括各类商业信息报告、合规服务、供应链管理等。

庞大的全球商业数据库是其核心竞争力:DB 的全球商业数据库是全世界最大的企业信用数据库,覆盖逾2.4 亿家企业。这得益于其悠久的历史和全球化的发展战略,公司在19世纪后期便开始在澳大利亚、墨西哥等国设立分支机构。公司数据来源渠道广泛,包括当地商事登记部门、黄页、报纸和出版物、官方公报、互联网、银行和法庭,还通过拜访和访谈形式收集相关信息。

商业模式:

(1)风险管理业务是主要收入来源,2014 年风险管理和销售及市场拓展两大领域分别为公司贡献了62.7%和37.3%的营业收入,其中风险管理主要包括信用评估等,而销售及市场拓展则主要是基于征信系统而开展的衍生和增值业务;

(2)全球化布局的同时北美依旧是主要市场,2014 年北美、亚太和欧洲及其他地区收入占比分别为74%、11%和15%;

(3)高毛利同时高费用导致毛利和净利差距大,近年来公司毛利率和净利率均保持稳定,高毛利率主要源于征信业务的规模经济,而数据库的维护等因素带来高费用率,导致净利率较毛利率低许多。

(2)个人征信领域龙头——Experian(益博睿)

Experian 主要提供数据和分析工具,帮助企业管理信贷风险、防止欺诈行为、确定营销目标,以及实现自动化决策,同时也帮助个人用户查询自己的信用报告和信用评分,并防止身份盗用。公司总部位于爱尔兰都柏林,营运总部分别设于英国诺丁汉、美国加利福尼亚和巴西圣保罗,业务网络覆盖全球39 个国家和地区。2014/2015 财年公司实现营业收入48.1亿美元,净利润7.72 亿美元,净利润率16%。

数据是所有业务的核心与基础,构成公司核心竞争力。

Experian 拥有30 多年的征信数据管理及建模专业知识,并与全球70 多家征信机构进行合作,目前其全球数据库共覆盖8.9亿人和1.03 亿家企业。数据来源广泛,包括个人和企业信用记录、保险、租赁、保健(医疗)支出及交通记录等,并不断加强数据库覆盖的广度、深度和质量。此外Experian 拥有超过400 位数据分析师对数据加工和挖掘。

基于征信服务和数据分析,拓展业务范围和数据应用场景培育新收入增长点。信贷服务是Experian 最大的业务板块,2014 年占营业收入比重为49.2%;而以征信业务为基础,利用数据优势发展其他增值业务,客户互动服务、市场营销解决方案、决策分析亦成为重要收入来源,分别占20.4%、18.1%、12.3%。收入来源分行业看,金融服务业仅占30%,而直接服务消费者、零售行业、汽车行业分别占20%、9%、5%,亦表明公司不断拓展业务范围和数据应用场景,增加收入来源。

(3)大数据征信代表——ZestFinance

ZestFinance 由Google 前信息总监Douglas Merrill 和CapitalOne 前信贷部高级主管Shawn Budd 于2009 年9 月创立,旨在利用大数据技术重塑审贷流程,帮助在传统信用评估体系下因风险高估而难以获得信贷服务的个人拿到融资,并降低其借款成本。

客户定位:没有信用记录或信用评分较低的人群。这部分群体往往信用数据不足,因此在传统的信用评估体系下信用水平容易被低估,很难获得正常的金融服务。ZestFinance 一方面可以直接为这部分人提供小额贷款,另一方面也可以为其提供信用评估服务,帮助他们从其他机构获得贷款并降低借贷成本。

数据来源:传统的结构化数据和大量非传统数据共同构建数据基础。ZestFinance 数据来源十分丰富,除了传统的信贷记录等数据,还包括大量交易信息、法律记录、租赁信息、网购信息等数据,能够更全面地刻画每个人的属性,公司的数据来源主要包括第三方、网络数据、直接询问用户等。

优于传统机构的大数据挖掘技术和多维模型算法才是核心竞争力。不是数据多了就叫大数据,能够利用IT 技术将碎片化的信息整合起来才能形成真正有用的大数据。

ZestFinance的优势在于:

(1)基于海量数据生成大量的风险变量,然后输入不同的预测模型(如欺诈模型、身份验证模型、还款能力模型等),每一个模型会从不同的角度预测个人的信用状况,而ZestFinance 会不时地推出新的模型,然后形成多样化的业务,如信用评估、市场营销方案等;

(2)对于“缺失数据”,与传统数据处理方法不同的是,其认为数据缺失本身也是一种信息,充分利用丢失数据之间的关联、和正常数据的交叉,寻找数据丢失的原因,进而获得有用的消费者信用信息。

从 ZestCash 到ZestFinance——由单纯的提供贷款向信用风险管理的其他领域扩展。公司前身为ZestCash,主要运用自身的大数据技术提供借贷服务,初始定位于发薪日贷款(payday loan)和高利贷的替代产品。2012 年ZestCash 变更为ZestFinance,主要变化在于:

(1)开始向其他信贷机构提供信用风险管理的产品和服务,如2014 年2 月推出基于大数据分析的收债评分(Collection Score),即用于汽车金融、学生贷款、医疗贷款一款新的评分系统;

(2)原来ZestCash 的借贷服务将与Spotloan.com 共同开展,相比于ZestCash仅覆盖6 个州,Spotloan.com 可以在全国范围内提供借贷服务。

2、欧洲大陆国家:政府主导模式

德国、法国、意大利等国均主要依靠国家和政府组建征信机构,因此欧洲大陆国家的征信体系发展遵循的是政府主导模式。该模式的特点在于:

(1)征信机构组建——主要的征信机构并非由私人部门投资和经营,而是由政府部门组织成立和运行;

(2)信用信息获取——商业银行等金融机构被强制性地要求定期向公共征信机构提供企业和个人的信用;

(3)信息数据范围——公共征信系统的数据主要包括企业和个人的借贷信息,与市场化的征信机构相比该系统的信息范围要窄许多,对诸如企业地址、业务范围、所有者名称等信息基本不搜集;

(4)信用信息使用——只有被授权的央行职员或金融机构职员才能通过公共征信系统查询相关信息,其他任何人均不能在未得到授权的情况下通过该系统直接查询企业和个人信用状况;

(5)央行地位——既是公共征信机构的发起者,同时也是征信市场的监管者。

3、日本:行业协会主导模式

日本的征信体系划分为三个类别——银行体系、消费信贷体系和销售信用体系,分别对应三大行业协会——银行业协会、信贷业协会和信用产业协会。

(1)日本企业征信体系

日本的企业征信体系主要包括两类机构:行业会员制征信机构和商业征信机构。

(1)银行会员制征信机构不以营利为目的,一方面会员银行必须如实向征信机构提供客户的信用信息,而征信机构也会为此支付一定的信息采集费用,另一方面征信机构负责为会员银行提供各类企业征信服务,而为了维持机构运营也会收取一定费用。

(2)商业征信机构在日本的企业征信领域业广泛存在,其中规模最大的为帝国数据银行(即TDB 公司),不仅对外提供信用信息、催收账款、市场调查及行业分析报告等服务,还可为委托人进行“现地现时”的方式进行信用调查服务。

(2)日本个人征信体系

日本各行业协会共同出资组建个人信用信息中心,为会员单位提供各类信息查询服务,同样不以营利为目的,而各会员单位也必须将其所掌握的个人信用信息上报至信息中心。当前日本较大的个人信用信息中心包括:全国银行个人信用信息中心(KSC),由全国银行业协会组建;株式会社日本信息中心(JIC),由全国信用信息中心联合会管理;株式会社信用信息中心(CIC),由日本信用卡行业协会组建。

征信行业展望:金融基础设施,重构“信用”价值

行业前景展望

征信作为金融体系的基础设施,其价值不仅在于自身具备广阔的成长空间,更在于将重构“信用”价值,促进融资模式的创新和潜在融资需求的满足。

尽管我国经济总量和融资规模均实现了快速增长,但征信行业规模依旧较小,原因在于:

(1)尚未建立完善的信用体系,导致信用经济的渗透率处于较低水平;

(2)目前商业银行等金融机构的信用信息需求主要由央行征信系统满足,且信用风险管理往往不依赖外部机构,导致无法通过市场交易的形式体现价值。

因此我们认为未来征信行业的发展空间将取决于:

(1)社会融资规模的增长;

(2)征信渗透程度的提升;

(3)征信机构的商业化和市场化;

(4)应用场景的拓展,包括金融场景、生活场景和商业场景等。除了围绕信贷融资提供信用评估服务外,以大数据基础衍生的诸如决策分析、市场营销方案、供应链管理等都有望成为重要收入来源。

行业格局展望:未来将呈现寡头垄断竞争格局

规模经济和交易成本的限制促使征信市场具备天然的垄断基因。

一方面征信市场呈现明显的规模经济特征,随着数据库规模的扩大以及使用次数的增加,征信业务的平均成本逐步降低,因此拥有大规模高质量数据的征信机构有望胜出;

另一方面征信主要基于信贷等金融业务而开展,因此交易成本存在上限,出于降低成本的考虑,全社会需要大而优的征信机构而非小型机构。

海外成熟征信市场大多经历了“充分竞争→优胜劣汰→寡头垄断”的发展过程。海外成熟征信市场在早期发展阶段都有数量众多的征信机构,但分散经营和过度竞争最终都促使行业整合的到来,仅少数几家能够留存,如美国的1 家企业征信机构和3 家个人征信机构占据了征信市场大部分的市场份额。

监管政策短期内将影响行业规模和竞争格局。

(1)对征信信息的保护将影响数据规模,进而影响到征信行业的规模。

(2)《征信业管理条例》规定个人征信实行审核制,因此短期内的竞争格局将由央行所发牌照而定,且获得牌照时间较早的征信机构将会获得先发优势,更容易在未来竞争中成长为行业龙头。

我国未来征信市场或呈现“央行公共征信系统+寡头商业征信机构”的竞争格局。

(1)公共征信领域,央行征信系统作为央行履行金融监管职能的重要手段和工具仍将存在,并继续发挥重要作用。

(2)商业征信领域,目前已有78 家企业征信机构在人民银行完成备案,预计短期内备案的征信机构数量仍会增加,而个人征信机构牌照数量则由央行决定,但长期看具备数据优势、资金优势、综合金融优势的征信机构有望通过并购整合成长为绝对的行业龙头,而小型或专业性的征信机构则或被收购或成为大型机构的供应商,进而实现行业集中度的提升。

具备数据优势的征信机构将脱颖而出

数据是征信的核心竞争力

通过对国外成熟征信市场和征信机构的分析,可以发现:数据是一切征信产品和服务的基础,也是征信机构的核心竞争力所在,而美国三大个人征信机构之间的竞争,其实就是对于数据的管理、加工、保护、风险判断的竞争。我国目前已经完成企业征信备案和正在进行个人征信准备工作的征信机构大致可以分为两类——传统征信机构(含资信评级机构)和互联网公司。两类机构有望依托各自资源,形成不同的数据优势。

数据优势不同决定差异化的商业模式

基于互联网公司的优势,我们认为其未来的征信业务很可能以平台模式(即征信生态圈)开展:

(1)数据来源:除了自身所依托的流量数据外,由外部机构负责采集数据也可能成为其选择,采用收入分成或支付费用的方式;

(2)数据加工:利用自身强大的IT 技术对数据进行分析,形成信用评估产品,正如ZestFinance 所做的,不断推出新的模型以完善对个体的刻画;

(3)产品与服务:向信贷类的金融机构提供信用评估报告和服务,并且不排除反向从金融机构处获得数据的可能;

(4)应用场景拓展:除了金融领域外,生活场景(签证、租车等)、商业场景(企业间贸易往来)等都有望成为征信服务的目标领域;

(5)与公司原有互联网金融业务相结合:一方面由征信平台为其提供信用评估服务,另一方面原有互联网金融业务亦可扩大征信数据来源。平台模式的核心在于平台本身与其他主体之间不是单向关系,而是互动关系,以此聚集流量形成数据积累,并通过征信服务的形式反馈给其他主体。

个人与小微征信有望成为互联网公司优势领域。

一方面个人和小微融资风险较高,例如银行近几年发生的不良很多来自小微、商贸领域,因此传统银行等金融机构往往授信条件都比较严格(如房产抵押等增信条件),导致这部分融资需求尚无法完全满足;

另一方面,以阿里和腾讯为代表的互联网公司的商业模式恰恰契合了个人和小微融资“数量多且金额小”的特点,有望真正解决这部分融资需求。

来源:中信证券研究

本文分享自微信公众号 - 数据猿(datayuancn)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2015-10-30

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器人网

机器人和自主系统专利决定汽车工业未来

机器人和自主系统被英国确定为关系未来发展的八大关键技术领域之一。此结论是基于英国知识产权局(UK IPO)对十年来全球机器人和自主系统专利的分析得出。机器人和自...

32560
来自专栏机器人网

常见的大数据术语表(中英对照简版)

大数据的出现带来了许多新的术语,但这些术语往往比较难以理解。因此,我们通过本文给出一个常用的大数据术语表,抛砖引玉,供大家深入了解。其中部分定义参考了相应的博客...

43670
来自专栏专知

国家重点研发计划云计算和大数据重点专项“大数据多模态交互协同关键技术”项目启动会顺利召开

2018年1月18日,由中科院自动化所徐常胜研究员牵头的国家重点研发计划“云计算与大数据”重点专项“大数据多模态交互协同关键技术”项目启动会暨实施方案论证会在中...

63240
来自专栏专知

聚焦云计算、 大数据、 人工智能和区块链,中国信通院发布《中国金融科技前沿技术发展趋势及应用场景研究》(附下载)

近日,由中国信息通信研究院主办,中国银行业协会、中国支付清算协会、中国互联网金融协会共同支持,数据中心联盟、天津融宝支付网络有限公司、互联网金融科技委员会联合承...

3.2K70
来自专栏专知

IEEE Fellow 微软曾文军:解锁深度视频理解的潜力 PPT详解

【导读】人工智能离不开感知,而视觉是我们最主要的感知手段。深度学习近年来颠覆了图像/视频理解的进程。这要归因于大数据,大计算,和深度学习体系结构和方法的巨大进步...

430100
来自专栏专知

【祝贺】模式识别国家重点实验室正式对外开放30周年纪念活动在北京举行!

---- 专知转载 来源:大数据与多模态计算 【导读】今年正值模式识别国家重点实验室正式对外开放30周年,12月23日在中科院自动化所举行了模式识别国家...

31560
来自专栏专知

聚焦高质量发展:人工智能 澎湃发展新优势

我国基础研究成果突出,产业应用加速推进 《 人民日报 》( 2018年01月10日 10 版) ▌开栏的话 ---- 新年伊始,让我们把目光投向人工智能——刚刚...

39490
来自专栏数据结构与算法

1365 浴火银河星际跳跃

1365 浴火银河星际跳跃 时间限制: 1 s 空间限制: 128000 KB 题目等级 : 黄金 Gold 题目描述 Description 小...

33850
来自专栏专知

如何通过AI自动辨别虚假新闻?计算机科学家Filippo Menczer教你识别互联网虚假信息

【导读】淘宝购物节“双11”已经过去一个多月了,购物过后伙伴们是否也收到自己心仪的商品?狂欢过后,究竟是“买家秀和卖家秀”还是“买到就是赚到”,想必每个购物者都...

407120
来自专栏机器人网

自动化机器人将是富士康投资重点

据台湾《经济日报》报道,台湾富士康董事长郭台铭表示,富士康7月起将扩大在台投资,并持续召募新血。他强调,在富士康工作的大学毕业生薪资都超过30K(约合6234元...

31440

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励