今天这篇文章，以干货为主，是我自己的学习笔记，梳理了个人征信行业的一些基础知识，可以帮助大家建立起对个人征信行业的基本认识框架，感兴趣的同学建议收藏起来，以备不时之需。当然，也欢迎在朋友圈分享，也许可以帮到更多的人。

　　此外，关于个人征信，大家有什么想法或补充，也欢迎留言（订阅号：洪言微语）分享~

　　一、征信机构的行业分类

　　按照服务的市场不同，可把征信机构分为个人市场、企业市场和资本市场三类。

　　个人市场，主要服务于个人征信评估，国内代表性机构为中国人民银行征信中心、8家个人征信试点机构、其他大数据征信服务机构；国际上代表性机构为亿百利Experian（英国）、爱克非Equifax（美国）、全联Trans Union（美国）、Schufa（德国）、意大利中央信用调查处等。

　　企业市场，主要服务于企业端征信评估，国内代表性机构为人民银行征信中心、135家企业征信机构；国际上代表性机构为邓白氏Dun & Bradstreet（美国）、格瑞顿Graydon（荷兰）、帝国数据银行（日本）、东京商工（日本）等。

　　资本市场，主要服务于债券和股票等资本市场信用评估，国内代表性机构为大公国际、中诚信、联合资信；国际上代表性机构为穆迪、标准普尔和惠誉。

二、个人征信机构的发展历程

　　国际上

　　从美国情况看，个人征信机构兴起于1920年代，大众消费文化刺激了个人信贷需求增长，大萧条的发生导致个人违约率上升，社会开始关注个人征信，个人征信机构开始崛起。

　　之后，美国相继出台了一系列个人征信相关的法律，开始形成规范化的征信体系。

　　1980年代，银行跨区域经营催生了全国性的个人征信需求，美国个人征信市场步入整合期，机构数量由2250多家骤降至300余家，并最终形成了以益百利Experian、爱克非Equifax、全联Trans Union三大征信局为主，300家地方性征信机构为辅的个人征信格局。

　　从机构属性上看，美国、英国、瑞士、瑞典等国家均为私人征信机构。法国、希腊、土耳其等国家均为公共征信机构。

　　德国、意大利、西班牙、日本等国则既有公共征信机构，也有私人征信机构，其中德国还有以行业协会为主体的会员制模式，为其会员提供一个信用信息共享的平台，相比之下，行业协会的信息收集和使用都较为封闭，仅对内部会员企业开发。

　　我国情况

　　2013年3月，我国首部征信行业法规《征信管理条例》开始实施；

　　2013年12月，中国人民银行制定的《征信机构管理办法》正式施行；

　　2014年6月，国务院出台了《社会信用体系建设规划纲要（2014—2020年）》，明确到2020年,基本建成以信用信息资源共享为基础的覆盖全社会的征信系统；

　　2015年1月，央行下发《关于做好个人征信业务准备工作的通知》，同意8家社会机构开展个人征信业务试点；

　　2016年11月，央行下发《关于加强征信合规管理工作的通知》，要求各相关机构开展征信合规自查自纠工作，加强个人信息保护。

　　新华社瞭望智库联合前海征信发布的《中国社会信用体系发展报告2017》显示，从工商注册信息看，市场上与“征信服务”相关的公司有2000家左右，其中有资质的不足5%。

　　除了央行征信中心、已经完成备案的企业征信和8家个人征信试点机构外，其他征信类服务机构主要以下面三种形式存在：

　　一是电商平台利用自身积累的海量交易数据构建的商业征信模式；

　　二是P2P网贷等尝试建立自身征信数据库；

　　三是涌现的围绕大数据征信领域的第三方技术和服务机构。

三、个人征信2.0时代的来临？

　　个人征信业务，主要涵盖数据的采集、整理、分析和应用（信用产品）等四个环节，传统的征信主要涉及以下信息：一是个人基本数据；二是金融数据，主要是信贷和信用卡相关数据；三是公共数据，包括税务、工商、法院、电信、水电煤气等部门的数据；四是个人信用报告查询记录。

　　数据源经过征信公司处理后，形成信用产品，广泛应用于金融机构、政府、公共服务机构、雇主企业及其他单位和个人的征信查询需求。

　　以美国为例，三大征信局不仅可以输出FICO评分，最为基本变量广泛接入定制化的客户应用和工具，还可为客户提供个人资产预测、破产预测、收入预测服务，同时还可超越风险领域，为客户提供智能化营销服务。

　　在移动互联网时代，数据的留存渠道和维度指数级提升，产生了大量的新型数据，如交易数据、社交数据、行为数据、兴趣数据等，如何把这些数据纳入到征信体系中去，成为新的课题。

　　随着一些大数据公司在这方面的探索，个人征信2.0时代正式开启。

　　以ZestFinance为例，在行为数据上，其基本的逻辑可分为五个步骤：

　　1、挖掘数以千计的不同变量，搜集相应的数据；

　　2、寻找这些变量之间的关联性；

　　3、在关联性的基础上讲这些变量重新绑定成一些比较大的变量；

　　4、将这些大的变量放入不同的分立的数据模型中进行处理；

　　5、每一个分立的数据模型给出一个分立的结论，再把这些分立的结论绑定，最终整合成一个自有的信用分数。

　　大数据征信模式虽然是未来行业发展的潮流，但就现阶段来看，也面临一些亟待解决的难题：

　　一是数据孤岛现象严重，数据不流通、数据获取成本高，不但难以收集结构化数据，而且企业机构不愿共享数据。

　　二是信息安全问题，监管法律尚未对信息收集种类、使用途径等作出明确界定，比如哪些数据可以采集、哪些数据不能采集等，并没有明确的界定。

　　三是数据所有权问题，这里面涉及到用户授权问题，同时也涉及到如何协调数据的所有者、采集者、存储者、整合者、利用者之间关系和利益问题。

　　四是应用场景问题，现阶段的应用仍集中于信贷领域，较为狭窄。

　　作者：薛洪言；微信公号：洪言微语