中国征信业存在的问题

完善的法律制度可以为征信业的蓬勃发展保驾护航。我国现行的征信业法律制度主要包括国务院2013发布的《征信业管理条例》和《征信机构管理办法》，以及央行2015发布的《征信机构监管指引》，进一步明确征信机构的操作规范。与欧美成熟市场相比，我国对征信业的立法还不够完善，处于初步探索阶段。只是行政法规或者部门规章，两者法律效力都较低。而且目前我国在数据采集和个人隐私方面还没有建立完善的法律体系，导致征信行业个性化数据采集中的隐私保护问题。

二是覆盖人群有待增加；

社会对征信需求巨大，征信体系不完备，政府主导的征信体系难以完全满足金融市场运行的需要。美国企业和个人的信用信息覆盖率高达80%。即便如此，美国信用报告机构继续投资开发独家数据来源。通过对新数据的分析，提高了数据库的深度、广度和质量，为征信提供了坚实的基础。据中国央行征信系统统计，截至2015年底，个人征信系统已收录自然人8.8亿人，其中有信用记录的3.8亿人，有简单身份信息的5亿人，超过5亿人不在央行征信系统。消费金融公司的目标客户其实主要是中低档消费群体，以年轻人为主，比如刚参加工作的上班族，收入不高的群体。这群真正需要消费金融服务的用户，恰恰是中国央行征信系统中缺乏个人信用记录的。

三是市场渗透率有待提高；

根据艾瑞咨询的数据，中国个人征信行业的市场渗透率普遍维持在9%左右。2015年中国个人征信行业潜在市场规模为16236亿元，而实际市场规模仅为15140亿元。随着个人消费和交易习惯的改变，征信的应用场景越来越多。除了信贷和信用卡消费，租房、租车、购物、签证等非金融领域也对个人征信有需求，市场普及率有待进一步提高。

第四，数据收集标准需要统一；

数据收集是信用调查的基础。为此，美国国家信用管理协会制定了标准数据报告格式和标准数据收集格式，以规范信用数据，便于机构间共享征信数据。而我国各类数据缺乏有效的共享机制，导致数据孤岛问题严重，现有数据同质化严重，大部分通过公开渠道获取，缺乏个性化的专属数据源。同时，各类数据参差不齐，缺乏统一标准，直接影响征信质量。

第五，数据分析能力有待提高。

数据分析的能力直接决定了征信服务的质量，因此数据分析是征信企业将信用数据转化为征信产品的关键环节。美国的数据分析技术起步很早，早在1956就推出了FICO评分系统。经过半个多世纪的不断改进，得到了广泛的应用。目前，包括Experian、Equifax、TransUnion在内的90%以上的大型征信机构都采用FICO评分系统。2009年，美国ZestFinance公司以信用评分过低或信用记录过低(FICO评分在500分以下)的人群为服务对象，将多源数据整合到信用评估分析中，引入机器学习的预测模型和整合学习的策略，进行大数据挖掘。ZestFinance的核心竞争力在于数据挖掘和模型开发的能力。据了解，在其模型中，经常使用3500个数据项，从中提取70000个变量，利用欺诈模型、身份验证模型、提前还款能力模型、还款能力模型、还款意愿模型、稳定性模型等10个预测分析模型进行深度学习，得出最终的消费者信用评分。平均每六个月就会诞生一个新版本来取代旧版本。新版本通常会添加更多的变量和数据源。ZestFinance使用的算法来自谷歌的大数据模型。此外，来自第三方的成千上万的原始数据(如电话费等。)和借款人输入系统，找到数据之间的相关性，转换数据。在相关性的基础上，变量被重新整合到更大的测量指标中。最后将这些较大的变量输入不同的数据分析模型，按照模型投票的原则形成最终的信用评分。与传统的信贷管理业务相比，ZestFinance的处理效率提高了近90%，在风险控制方面，ZestFinance模型的性能比传统的信用评估模型提高了40%。另一方面，在国内征信行业，数据分析刚刚起步，数据分析的效率和准确性有待进一步提高。