芝麻信用和fico評分有什么差異

關注：96 發布時間：2021-11-21 07:48:01

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;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公司開發的信用評分系統，也是目前美國應用得比較廣泛的一種。fico評分系統得出的信用分數范圍在300～850分之間，分數越高，說明客戶的信用風險越小，它采集客戶的人口統計學信息、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，預測客戶在未來一年違約的概率：

1. 人口統計學信息：如客戶年齡、家庭結構、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、金額等;

4. 銀行征信信息：如過去12個月中新開的賬戶總數、所有賬戶的總額度、賬戶是否逾期等。的大數據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 的大數據征信的體量不大，到現在只為10萬美國人提供服務，對模型的有效性、準確性還很難做出有效的評價。的大數據模型也給傳統的風險管理帶來挑戰：傳統的fico評分需要處理的變量比較少，對模型結果可以給出合理的解釋，方便金融機構不同部門之間、金融機構與客戶之間的溝通。而zestfinance 的基于大數據的數以千計的變量規模和多模型應用，使得數據的處理和模型的解釋變得很復雜，在實際應用中會帶來許多麻煩。在利用個體消費者的大數據進行信用評估時，很多數據會涉及個人隱私，比如個人社交網絡數據(微信朋友圈)、電商交易數據、通話記錄等，所以涉及個人隱私的保護和合規性。

芝麻信用

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。不同的是，阿里巴巴推出的芝麻信用分則是以大數據分析技術為基礎，采集多元化數據，包括傳統的金融類交易、還款數據，第三方的非金融行為數據，互聯網、移動網絡和社交網絡數據等，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。

上圖展現了基于大數據分析技術的機器集成學習法ensemble。不同于傳統的邏輯回歸模型，它采集了上萬個數據項、從不同的層面(還款能力、還款意愿、欺詐可能性、穩定性等)對個體進行建模打分;再把這些單個層面的評分、結合個體的綜合信息，給個體一個比較終的信用評分。

兩種評分模型采用數據量的不同體現了其評分思路的區別。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)的預測性和影響力都很高。但是，在機器集成學習法中，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測性可能都很小;ensemble就是利用機器學習法，把這么多微小的預測性匯總成為比較終對個體的違約可能性有很強預測性的評分。

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對比分析。美國的互聯網金融公司zestfinance從2009年就開始研發基于大數據的信用評估模型：融合多源信息，采用機器學習的預測模型和集成學習策略，進行大數據挖掘。他們收集了上千種來源于第三方的數據，比如水、電、煤賬單，電話賬單，房屋租賃信息，和傳統的金融借貸、還款信息等;通過機器學習的方法尋找數據間的關聯性并對數據進行必要的轉換;在關聯性的基礎上將數據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險和償還能力;比較后，將所有指標按加權投票的原則，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 的大數據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 的大數據征信的體量不大，到現在只為10萬美國人提供服務，對模型的有效性、準確性還很難做出有效的評價。

2. zestfinance 的大數據模型也給傳統的風險管理帶來挑戰：傳統的fico評分需要處理的變量比較少，對模型結果可以給出合理的解釋，方便金融機構不同部門之間、金融機構與客戶之間的溝通。而zestfinance 的基于大數據的數以千計的變量規模和多模型應用，使得數據的處理和模型的解釋變得很復雜，在實際應用中會帶來許多麻煩。

3. zestfinance 在利用個體消費者的大數據進行信用評估時，很多數據會涉及個人隱私，比如個人社交網絡數據(微信朋友圈)、電商交易數據、通話記錄等，所以涉及個人隱私的保護和合規性。

阿里巴巴的芝麻信用和zestfinance的大數據征信相似，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，但是芝麻信用在其他方面的應用還沒有達到一定的規模。

當然，大數據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都已經開始了利用大數據分析技術來完善傳統信用評估體系的前瞻性研究。比如，益百利experian已經投入研究團隊關注社交網絡數據對信用評分的影響;fico公司也已經開始了在線評估的信息工具和基于互聯網的信用評估系統的項目研究。我們相信，隨著理論與方法的完善和實踐的深入，基于大數據分析的信用評分終有一天將占據主流地位，不過，市場上會不會出現有力的新競爭者、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!

更多關于芝麻信用分的提升方法請關注

芝麻信用