大数据征信专题:三巨头背后的大佬

简介: 主要为大家介绍三巨头背后的大佬——费埃哲公司。这个公司的FICO信用评分模型,至今是信用模型体系的标准,尽管很多新的硅谷公司采用引入外部数据的方式增加评分模型变量和维度的数量,但是核心的指标还是FICO的这几个。

0.jpg


主要为大家介绍三巨头背后的大佬——费埃哲公司。这个公司的FICO信用评分模型,至今是信用模型体系的标准,尽管很多新的硅谷公司采用引入外部数据的方式增加评分模型变量和维度的数量,但是核心的指标还是FICO的这几个。
      模型评分技术属于个人征信技术序列的高端技术。美国三大信用局首选使用的都是Fair Isaac推出的FICO评分系统,该系统的基本思想是:借款人的信用历史资料与数据库中全体借款人的信用习惯相比较,检查借款人的发展趋势跟经常违约、随意透支、甚至申请破产等各种陷入财务困境的借款人的发展趋势是否相似。

       1956年,斯坦福大学的几名数学专家创立了一个公司“Fair Isaac Company” 。公司当时的愿景就是希望利用数据分析预测风险变量,从而帮助银行控制信用贷款的规模。后来,随着公司的发展,公司的模型被大量广泛的应用,FICO的简称因此得名。如今,FICO的分析技术正保护着全球2/3的信用卡业务,仅在美国就帮助各类机构实现高达100亿美元的审批贷款决策,可见其数据分析与预测技术的功底。
       该公司最初专注于信用评分,开发了第一个商业信用评分系统,同时,这个系统第一个用于自动化的信用申请处理。在20世纪80年代,该公司推出了第一款自适应控制系统的账户管理系统,打通了客户风险管理的前端和后端。20世纪90年代,开始着手营销相关的信息系统,可以帮助企业进行贯穿于整个客户生命周期的客户管理。现在,专注于帮助企业做出更明智的决策。
       市场地位:毫无疑问的细分市场领袖。
0

国内的建行交行都是他们的客户,交行还因为用了这个系统得了个奖。 

言归正传。FICO模型有哪些?在美国,有三家信用管理局。就是下表中的三家。每家都用自己的用户信息收集和管理的系统。FICO基于三家不同的系统为每家单独开发了相关的模型。即使客户的历史信用数据在三个信用管理局的数据库中完全一致, 从不同的信用管理局的评分系统中得出的信用得分也有可能不一样, 但是相差无几。这主要是由于三家信用管理局的信用评分模型是在相互独立的基础上开发的, 可能导致同样的信息以不同的方式进行存储, 这种微小的差异会最终带来分数上的不同。

信用管理机构

评分系统

Equifax

BEACON

Experian

ExperianPFair  Isaac Risk Model

TrainsUnion

FICO Risk Score, Classic

      FICO 评分模型中所关注的主要因素有五类, 分别是客户的信用偿还历史、信用账户数、使用信用的年限、正在使用的信用类型、新开立的信用账户。评分权重占比如下:

0

(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。

 

(二) 信用账户数

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。

 

(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 评分系统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。

 

以上就是一个简介。由于费埃哲公司的地位,这应该就不算是广告了吧? 

下期为大家带来Experian(益佰利)公司的商业模式案例。请大家继续关注大数据征信专题第三篇《益佰利,坐在大数据的金山上》。请大家持续关注。

 

【今日自媒体推荐】
老男孩生活圈 ID: cooboys 职场人士的成长加油站,提供创业、企业管理、职场发展、健康、创新方面原创文,以及免费创业、企业管理、职场发展、亚健康咨询。著名管理咨询公司创始人 张利华等前华为人主运营



原文发布时间为:2014-02-24


本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关实践学习
简单用户画像分析
本场景主要介绍基于海量日志数据进行简单用户画像分析为背景,如何通过使用DataWorks完成数据采集 、加工数据、配置数据质量监控和数据可视化展现等任务。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
分布式计算 大数据 Hadoop
从十大技术和十大巨头了解大数据
从十大技术和十大巨头了解大数据
105 0
从十大技术和十大巨头了解大数据
|
数据采集 大数据 区块链
大数据征信进入洗牌期,区块链或成新一代征信系统底层架构
区块链技术助推新一代征信系统体系建设。
1941 0
|
分布式计算 关系型数据库 大数据
|
分布式计算 NoSQL 大数据
|
机器学习/深度学习 新零售 大数据

热门文章

最新文章