［译］Kreditech，对全球40亿人进行信用风险评分
点击标题下「大数据文摘」可快捷关注
大数据文摘“金融与商业专栏”视角集中在金融及商业决策分析相关的大数据分析文摘，内容涵盖金融、信贷、风控、投资、理财、商业等领域。鼓励独家首发与观点原创，行业前沿理论分享，国外优秀文章翻译以及行业领袖采访演讲编译，力争刊出更多金融和商业领域相关精品文章。欢迎各位同行及对数据分析感兴趣的朋友加入，共同分享交流。
欢迎熟悉外语（含各种“小语种”）的朋友，加入大数据文摘翻译志愿者团队，回复“翻译”和“志愿者”了解详情。
大数据文摘翻译作品
作者：Pam Baker
翻译：秦时明月
校对：袁君洋
欢迎个人转发朋友圈；其他机构或自媒体转载，务必后台留言，申请授权
现如今向征信局施压的不仅仅是些早期的初创公司了，越来越多的大鱼们开始游弋于信用风险这片水域。比如说，全球银行技术与支持服务的供应商Kreditech Group，正在成功地运用大数据技术来给全球范围内没有被信用评分体系覆盖的40亿人打分。
“在机会型试验试错的方法下，我们的数据科学家持续地引入新的资源和信息集”，SebastianDiemer， Kreditech的创始人和CEO说到，“这使得我们的评分系统完胜传统的征信局的评定：历史数据只能覆盖非常有限的一部分人群，但我们的方法可以将全球未被评分过的40亿人全包括进来。而且我们的后验测试证明了征信局评定的预测能力非常低。”
尽管现阶段Kreditech侧重于建立一个信用良好的次优借款人的电子银行，但它不可能永远将业务局限于这部分客户上。随着传统征信报告行业持续放任获取优质评分的客户资源从手缝中溜走，Kreditech更可能像其它竞争者一样将分析扩展到优质借款人身上。
“Kreditech最近对200万名评分客户进行了事后检验，结果发现大数据技术与传统数据的结合产生了比行业标准还要低的违约率，证明了该项技术的可行性；一个针对2012至2014年间所有发放的贷款的内部事后检验也发现大数据技术与征信局数据的结合能使其产生最高的收益回报率，”团队在一份报告中这样阐述到。
有人会质疑说，Kreditech在其算法中仍然使用了传统征信局的数据和评分啊。是的没错，其他竞争者也是这么做的，但实质在于便利性而非必要性。使用征信局的评分或者数据是一种简便的捷径而且整个行业都接受这种算法。同时，也无需从其他贷款发放者手中购买数据。但是毫无疑问，征信局竞争者们已经在某种程度上准备（即使还未开始）跳过征信局数据采集这一步，直接从其他贷款机构方面收集数据。但截止到目前为止，征信局依然代表着历史借款人行为的最佳数据来源。即使如此，征信局自己却未能将这些数据物尽其用。
“Kreditech的数据表明老旧的简单评价信用分数的方法对于世界2/3的人群起不到作用，”Kreditech的一份报告中这么认为，“事实上，数据显示如果只使用征信局的数据会产生负的回报收益率。单一使用大数据就会产生四倍于其绝对值的正收益。两者的结合则可以将每一个决策过程的利益最大化。”
那么Kreditech团队到底是怎么通过摆弄数字来实现比征信局更好的风险分级呢？在同一份报告中，他们是这样解释的：“Kreditech团队使用自己校准的算法，引入了其他方面的数据如社交媒体数据等来加强大数据方法对潜在借款人的发掘，建立起一个自动预测决策模型来第一时间内决定要不要批准贷款，以及判断如果批准了客户会不会还贷。该自动决策的过程结合了机器学习的算法。最终结果是一个能吸引更多客户并引导产生附加数据，进一步改善自动评分算法的简单技术。基于15000个数据点，Krediteach的专属技术允许贷款发放者获取、识别客户，评分，放款并且追加销售这一系列流程在短短几秒钟内就可实现。”
你可能听过我在前面几篇文章中警告征信局他们面临着消失或者被替代的风险，这一次的警铃会更响一点。对于传统征信机构而言，他们应该尽快掌握大数据技术并建立比现有方法更为可靠有效的评分算法。时钟在滴答作响，如果他们在改进业务上拖延更久的话一切就可能太迟了。
来源：
【译者简介】
有意联系译者，请给“大数据文摘”后台留言，附自我介绍及微信ID，谢谢！
秦时明月（王玥），本科毕业于南开大学经济学院国贸系，目前在加拿大多伦多攻读皇后大学的数据分析管理硕士学位，五月份即将毕业，现在正在积极地寻求金融领域的数据分析工作。曾就职于北京的一家小微借款及信用风险评估管理公司担任数据分析工作，对于个人信用评分，自动审批系统和反欺诈风险管理方面有丰富的实践经验。对大数据在金融领域，尤其是互联网金融领域的应用有浓厚的兴趣，也相信大数据与金融领域的结合会是未来发展的趋势。定价和收益优化是一门新兴的理论，所以希望能和大家分享这方面的理论和心得，也非常愿意结交各路人才，并和感兴趣的伙伴们讨论定价与收益优化的相关项目。
袁君洋，清华大学工程学学士，管理学硕士，美国乔治梅森大学公共政策博士，现就职于CapitalOne，担任Sr. Data Analyst。擅长利用SQL，SAS，STATA等进行数据处理，挖掘和分析，对宏观经济，金融以及公共政策等有一定了解，正在积极投身于Big Data领域。
数据分析, 数据挖掘, 征信局, kreditech
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！
