京公网安备 11010802034615号
经营许可证编号:京B2-20210330
传统征信PK大数据征信 谁能拯救P2P
伴随着P2P的火热发展,市场对征信的需求,从未如此迫切。
近日,由中国投资协会与上海 Oppland 联合举办的“中国 P2P 网贷征信发展高峰论坛”在深圳召开,这也是国内首次专门针对P2P网贷的征信会议。芝麻信用、鹏元征信、腾讯征信、上海资信、安融征信等国内知名征信机构的高管以及FICO中国区总裁陈建等代表齐聚一堂,分别就中国征信的现状与发展进行了探讨,保护个人隐私、完善惩戒机制及法律法规、加强行业自律等,成为热议的话题。
中国P2P平台面临的征信现状
腾讯征信总经理吴丹指出,当前中国征信体系现状是,央行的征信系统虽然覆盖了8亿人,但真正和银行有信贷关系的只有3亿人。也就是说,在中国13亿人口里,有银行信贷记录的人,占比不足25%。这将导致很多人的融资需求很难得到满足。
安融征信总经理常胜进一步表示,P2P机构面临的征信现状是四大问题:P2P平台目前没有纳入央行征信系统中,难以直接获得央行征信服务;央行征信报告无法全面、有效地反映借款人在非银行机构间的借款信用信息;国家公共部门信息公开程度远未到位,多数信用信息获取难度大;P2P机构间信息相互独立,非银行机构间的借款人征信、惩戒机制未有效建立。
“P2P机构无法有效掌握借款人在各类民间机构的信贷信息,难于识别借款人在民间机构存在的多头借贷、恶意骗贷情况。”他指出,民间信贷信息的缺失,导致小额信贷业务面临重大风险。
传统征信VS大数据征信,谁能拯救P2P?
从类型看,目前市场上的征信机构主要包括:以上海资信、安融征信为代表的一类机构,采用的是同业信息分享模式,即客户查询一条信息需要先共享一条相应的信息;其次,以腾讯、阿里为代表的一类互联网公司;再次,是以平安、宜信、拍拍贷为代表的一类金融机构。
P2P平台征信采取的模式主要包括传统官方征信模式(如平台通过具有央行背景的上海资信间接查询借款人信用信息记录)、大数据征信模式。
值得一提的是,前一种模式面临的难题是征信数据不全、平台上传数据积极性低、更新不及时、接入门槛高等问题。而后一种模式,其优点在于数据来源广泛,弥补传统征信覆盖面不足的缺陷;数据类型多样化,不局限于信贷数据,更能全面反映个人信用情况。其难点在于:信息过多引起的数据杂乱,整合多方数据困难,且数据相关性分析需要较长时间和实践来检验,短期内信用评价数据精准性较低。
此外,盈灿咨询高级研究员张叶霞指出,大数据征信也面临着法律风险,在个人隐私保护上较难把控。“征信机构在未告知可能的不利后果及取得书面同意情况下,不得采集个人的收入、存款、有价证券、商业保险、不动产的信息和纳税数额信息等。”
“发展征信,最重要的是惩戒机制”
前海征信数据分析中心副总经理潘叡表示,征信所必须的风险违约数据是金融行业特有的数据,缺失风险违约数据的征信数据将是无本之木,引入金融大数据至关重要。“而信用评分体系,需要长期、大量、全面的风险违约数据和行为特征数据的共同积累。” 她认为,目前的征信市场规模小,扩大市场规模应该鼓励更多拥有海量客户数据的企业参与,发展征信业务。
潘叡同时强调,征信市场的有序发展,需要切实保障客户个人的信息安全。“在保护个人隐私不受侵害的同时,加强对个人的信用管理和征信知识教育,使消费者更多地了解如何管理好自己的信用,为自己的信用行为承担更多责任。”
中国人民银行参事、中国人民银行研究局原副局长李德在出席上述会议时也表示,互联网金融的发展,促使征信业和金融业的发展进入了一个新的阶段。但当前,我国信用体系建设还面临着很多问题,有待提高和改善。从目前来看,为争取经济利益而失信的情况,时有发生。我国征信市场的发展时间不长,与欧美存在较大差距。在产品的开发等征信技术方面,也有很大距离,且征信从业人员的素质有待于进一步提高。
“征信机构希望多采集和提供各种信息,但是也容易侵害信息主体的隐私。行业发展和监管始终是一对复杂的矛盾。”他指出,征信系统的发展完善,离不开法治建设,要进一步制订各种管理办法,同时,建立信用体系标准体系,扩大以后信用信息范围。
芝麻信用总经理胡滔也表示,在这一新的大数据征信市场,怎样一方面提高交易信息的透明度,另一方面又能有效地保护个人隐私,不造成客户个人信息暴露方面的恐慌,这需要国家法律法规的完善,同时,还要加强行业自律。
她指出,信用,不是一蹴而就。发展征信,最重要的是惩戒机制,“有一个完善的惩戒、奖励机制,很多人都会去向好的方面去做”。
此外,胡滔指出,中国征信市场,刚刚开放,更多应该是合作的模式。在大数据征信方面,如何更低成本、高效率地收集有价值的信息,都需要共同探索和摸索。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
线性回归是数据分析中最常用的预测与关联分析方法,广泛应用于销售额预测、风险评估、趋势分析等场景(如前文销售额预测中的多元 ...
2026-03-10在SQL Server安装与配置的实操中,“服务名无效”是最令初学者头疼的高频问题之一。无论是在命令行执行net start启动服务、通过S ...
2026-03-10在数据驱动业务的当下,CDA(Certified Data Analyst)数据分析师的核心价值,不仅在于解读数据,更在于搭建一套科学、可落地的 ...
2026-03-10在企业经营决策中,销售额预测是核心环节之一——无论是库存备货、营销预算制定、产能规划,还是战略布局,都需要基于精准的销售 ...
2026-03-09金融数据分析的核心价值,是通过挖掘数据规律、识别风险、捕捉机会,为投资决策、风险控制、业务优化提供精准支撑——而这一切的 ...
2026-03-09在数据驱动决策的时代,CDA(Certified Data Analyst)数据分析师的核心工作,是通过数据解读业务、支撑决策,而指标与指标体系 ...
2026-03-09在数据处理的全流程中,数据呈现与数据分析是两个紧密关联却截然不同的核心环节。无论是科研数据整理、企业业务复盘,还是日常数 ...
2026-03-06在数据分析、数据预处理场景中,dat文件是一种常见的二进制或文本格式数据文件,广泛应用于科研数据、工程数据、传感器数据等领 ...
2026-03-06在数据驱动决策的时代,CDA(Certified Data Analyst)数据分析师的核心价值,早已超越单纯的数据清洗与统计分析,而是通过数据 ...
2026-03-06在教学管理、培训数据统计、课程体系搭建等场景中,经常需要对课时数据进行排序并实现累加计算——比如,按课程章节排序,累加各 ...
2026-03-05在数据分析场景中,环比是衡量数据短期波动的核心指标——它通过对比“当前周期与上一个相邻周期”的数据,直观反映指标的月度、 ...
2026-03-05数据治理是数字化时代企业实现数据价值最大化的核心前提,而CDA(Certified Data Analyst)数据分析师作为数据全生命周期的核心 ...
2026-03-05在实验检测、质量控制、科研验证等场景中,“方法验证”是确保检测/分析结果可靠、可复用的核心环节——无论是新开发的检测方法 ...
2026-03-04在数据分析、科研实验、办公统计等场景中,我们常常需要对比两组数据的整体差异——比如两种营销策略的销售额差异、两种实验方案 ...
2026-03-04在数字化转型进入深水区的今天,企业对数据的依赖程度日益加深,而数据治理体系则是企业实现数据规范化、高质量化、价值化的核心 ...
2026-03-04在深度学习,尤其是卷积神经网络(CNN)的实操中,转置卷积(Transposed Convolution)是一个高频应用的操作——它核心用于实现 ...
2026-03-03在日常办公、数据分析、金融理财、科研统计等场景中,我们经常需要计算“平均值”来概括一组数据的整体水平——比如计算月度平均 ...
2026-03-03在数字化转型的浪潮中,数据已成为企业最核心的战略资产,而数据治理则是激活这份资产价值的前提——没有规范、高质量的数据治理 ...
2026-03-03在Excel办公中,数据透视表是汇总、分析繁杂数据的核心工具,我们常常通过它快速得到销售额汇总、人员统计、业绩分析等关键结果 ...
2026-03-02在日常办公和数据分析中,我们常常需要探究两个或多个数据之间的关联关系——比如销售额与广告投入是否正相关、员工出勤率与绩效 ...
2026-03-02