,

“社交”信用分數:將數據與噪音分開

如果你在臉譜(Facebook)上有很多好友,那就意味著你在某些圈子裡很受歡迎。而現在,某些出借人還會覺得你信用可靠。

《華爾街日報》4月1日的一篇報導稱,利用臉譜、LinkedIn和推特(Twitter)等社交網站的個人資料來評估消費者信用風險的信用公司數量正在不斷增長,Lenddo、Neo Finance和Affirm就是其中的三家。他們認為,當為某個人提供信貸時,尤其是當一個人缺乏信用記錄或者信用記錄有污點,所以在其他地方很難獲得貸款時,一個人的社會身份、線上聲譽和職業連絡人圈子,應該成為信用公司考慮的因素。

這些初創企業希望有效利用人們已經認識到的一個缺陷——也就是基於費埃哲(FICO)信用評分系統設定的傳統貸款標準存在的缺陷,來創造自己的業務模式。根據FICO的標準,如果人們未能如期還款,或者缺乏借貸經歷,那麼,他們就會自動被視為風險人士,他們的貸款也就會被懲罰性地課以更高的利率。還有一種可能,那就是他們的貸款申請會被拒,無論是否事出有因,比如,遇到了醫療緊急事故,或者最近剛剛移民美國。Lenddo、Neo Finance和Affirm主要通過手續費或者向每筆交易核收的傭金賺錢。但是,從長期來看,他們的商業模式是否能持久則是另一個問題。

讓我們以加利福尼亞州帕洛阿爾托(Palo Alto)的Neo Finance公司為例來說明吧。該公司的目標客戶是缺乏信用記錄的汽車貸款借款人,他們從傳統出借人那裡大都可以獲得高息貸款。在考慮過申請人的就業經歷,以及他或她在LinkedIn上的好友數量,從而對他或她的收入潛力以及就業穩定性進行評估之後,Neo可以為他們提供利息更低的貸款。Neo當然會考慮費埃哲信用評分,但是,只是為了考察貸款申請人是否有過危險行為。這篇文章指出,Neo公司不會利用費埃哲信用分數來評估貸款的風險。

《華爾街日報》的那篇報導稱,設在香港的Lenddo則更進一步,如果債務人償還貸款違約,該公司會通過他或她的社會關係向其施加壓力。舉例來說,如果有人沒有償還貸款,那麼,這家初創企業就會告知違約客戶的臉譜好友,如果這位元客戶沒有償付貸款,他或她好友的Lenddo信用評分也會受損。查閱過某個貸款申請人在100個資料庫和社交網路中顯示的居住地和好友數量等資料之後,Lenddo會給予用戶1分到1000分的信用評分。而貝寶(PayPal)聯合創始人馬克斯·列夫琴(Max Levchin)領導的三藩市初創企業Affirm,可讓消費者利用智慧型電話輕鬆為其購買的商品和服務付費——只需輕點兩下螢幕即可——而且會給他們30天的免費帳期。

有些國家尚沒有標準化的消費者信用分數,貸款會根據一個人的名聲發放,在這些國家,有些公司會利用從社交網路採集的資料來評估一位元借款人的信用風險。在詳查貸款申請人的線上資料之後,Lenddo會為發展中國家的借款人提供小額貸款,以幫助他們改善自己的生活品質。在解釋這一商業模式背後的基本原理時,該公司網站引述了J.P.摩根(J.P. Morgan)創始人、華爾街銀行家約翰·皮爾彭特(John Pierpont)的觀點,他曾說過,在評價一個人的信用時,品格比金錢和資產更重要。

在這樣一個互聯網上的個人資訊大爆炸——也即是所謂的“大資料”(Big Data)現象——的年代,將社交資料用於信用評分似乎是不可避免的。但是,要想證明到底哪些資訊有用、哪些沒用,尚需加以時日。“弄清哪些指標確實有效還需要好幾年的時間。”沃頓消費者分析計畫(Wharton Customer Analytics Initiative)聯席主任、沃頓商學院行銷學教授彼得·費德(Peter Fader)談到。“這一領域現在還是個‘蠻荒世界’……就像早期的費埃哲一樣。”

另一個科技時代的開啟

20世紀50年代,均在加利福尼亞州門洛派克(Menlo Park)斯坦福研究院(Stanford Research Institute)工作的工程師比爾·費爾(Bill Fair)和數學家厄爾·以撒(Earl Isaac)漸漸確信,利用先進的數學方法和統計學方法分析複雜的業務操作流程,能讓一家公司做出更好的決策。1956年,兩人各拿出400美元,成立了費爾-以撒公司(Fair, Isaac & Co.),並創建了費埃哲信用評分系統(FICO credit scoring system),這一系統後來成了很多企業信用風險評估模型的基礎。他們認為,一家公司的運作埋藏著可供挖掘和分析的資訊寶庫,所以,公司“能以系統性的、資料驅動型的方法——而不是靠直覺和一致意見——做出決策。”費埃哲公司前首席執行官拉裡·羅森伯格(Larry Rosenberger)、公司戰略副總裁約翰·納什(John Nash)和記者安·格雷厄姆(Ann Graham)在一本名為《決定因素》(The Deciding Factor)的書中寫道。2009年,費爾-以撒公司更名為費埃哲公司。

大約同一時期,另一場具有革命性的意外變化也在漸趨成型。總裁小湯瑪斯·沃森(Thomas Watson, Jr.)領導下的IBM公司推出了IBM 701,這是該公司首次批量製造大型商用電腦。隨著電腦越來越普及,公司開始逐漸將其業務流程電腦化。更多公司首次擁有了憑藉電子手段大量採集和存儲消費者購買記錄等資料的能力。這一變化引發了計算能力和“資料採擷”(data mining)能力的急劇增長。的確,沃森“引領IBM公司從商用機器轉向電腦的決策,在商業界開啟了一場資訊技術的革命,並成了大型公司決策管理的開端。”羅森伯格、納什和格雷厄姆在書中寫到。

現如今,科技和資料領域也在發生一場類似的結構轉變。電腦已經越來越小型化,而功能則越來越強大,資料存儲的成本也已越來越低,同時,雲計算可讓任何地方的人取用資訊。數位化客戶資料從未達到過如此大的規模,研究機構互聯網資料中心(IDC)稱,2012年,人們創建、複製或消費的資訊高達2.8萬億G。隨著全球各地的人們利用數百萬部與互聯網連接的設備,通過社交網路和其他途徑分享資訊,這一數位在2020年之前有望每兩年就翻一番。

“20世紀50年代和60年代發生了一場規模龐大的‘模式轉移’(paradigm shift)。突然之間,電腦就成了很普及的東西。”研究信用評分的沃頓商學院統計學教授羅伯特·斯坦恩(Robert Stine)談到。“現在,我們在資料訪問領域以及用於處理這些資料的科技領域看到了一個新飛躍。”

但是,就像費埃哲公司運營的早期一樣,很多公司現在也在努力解決哪些社交資料對人們的長期信用行為具有預測性的問題。在臉譜上發表種族主義言論與這些人缺乏信用有對應關係嗎?在《經濟學家》(The Economist)2月9日刊登的一篇文章中,Neo公司的創始人納文·巴蒂亞(Navin Bathija)對該雜誌談到,他確信,一年之內,將有足夠的資料用以確證兩者之間是否有關聯。然而,在同一篇文章中,ZestFinance的創始人和谷歌公司前首席資訊官道格拉斯·梅里爾(Douglas Merrill)則認為,在其他方面相同的情況下,那些只打小寫字母或者大寫字母的人,更可能是欠債不還的人。ZestFinance利用類似穀歌搜索演算法的方法,通過核查數千個與信用有關的潛在變數,來評估一個人的信用風險。該公司稱,傳統的核算方法只關注“幾種”變數。

此外,費埃哲信用分數和社交資料還有一個顯著區別:費埃哲分數的計算主要採用數量資料。該公司稱,費埃哲信用分數的35%取決於一位元客戶的信用記錄,30%來自客戶的欠款數量,15%根據客戶的信用歷史長度確定,10%取決於客戶的新貸款和貸款類型。信用分數會隨著客戶行為的變化而升降。斯坦恩談到,這種信用分數還可以定制化,以滿足不同企業的要求。雖然用某個人的貸款償付歷史來預測其未來行為合乎情理,但將一個人的臉譜好友數量與這個人的可信賴性聯繫到一起卻另當別論。“這是因為,你有很多朋友並不意味著你在社區中擁有更高的地位。”斯坦恩在談到罪犯並非沒有朋友時說。

社交資料最有用的地方,是將其應用于信用記錄很少或者根本沒有信用記錄的人。“這是一個很有價值的額外資料來源,對某個人的信用行為具有很強的預測性。”沃頓消費者分析計畫聯席主任、沃頓商學院市場行銷學教授埃裡克·布萊德勞(Eric Bradlow)談到。“當一個人的資料非常稀少時,這樣的資料尤具價值。”不管怎樣,考察新變數一直都是構建信用預測模型的標注做法。“他們會不斷尋找新變數,以提高他們信用分數的預測能力。”他談到。

很多出借人已經在將定性資料與費埃哲信用分數一起使用。舉例來說,當面對信貸歷史很少或根本沒有信用記錄的人時——比如,剛剛畢業的大學生——這些信用公司會找到某些與這位貸款申請人相似的人,以預測申請人將來的還款行為。“如果你與那些擁有這些特點的人類似,那麼,我就有了對你還款特點的判斷。”斯坦恩談到。但是,在這位貸款申請人證明自己值得信賴之前,為他或她提供的貸款往往會附加更加嚴格的條款,比如,發放的信用卡信用額度更低、利息更高等。

如果從社交媒體採集的資料用於補充費埃哲信用評分——近60年的事實證明,費埃哲信用分數非常有效——那麼信用公司就可以更輕鬆地避開麻煩。“費埃哲信用分數是個非常好的基準線。”費德談到。“它已經被驗證過很多次了。”在沒有大量確鑿證據證明社交媒體資料與還款行為之間存在強烈相關性之前,就完全拋棄費埃哲信用分數並仰賴從社交媒體採集的資料是愚蠢的。“拋棄費埃哲信用分數‘重新發明車輪’?我可不怎麼認同這種做法。”費德補充談到。“我可不願意在這種做法上下賭注。”

社交數據碰壁

將社交資料用於信用評估所面臨的一個嚴峻挑戰來自消費者保護法規。根據《平等信用機會法》(Equal Credit Opportunity Act),貸款必須發放給所有資信可靠的申請人,不管他們的種族、宗教信仰、性別、婚姻狀況、年齡和其他個人特徵如何。這類資訊的大部分都可以從臉譜的頁面上採集到。“雖然現在已進入了一個完全不同的時代……但這些法規依然適用。”研究消費信貸的沃頓商學院金融學教授大衛·馬斯托(David Musto)談到。他指出,有些公司因為查看求職人員在社交媒體上發佈的資訊而引發了爭議。“我不會問你是否已經結婚,可我能自己找到結果。”馬斯托談到。“這種方式降低了歧視行為的可驗證性。”

隱私則是另一個問題。去年,有幾家新聞機構報導,德國最大的信用評鑒機構夏華(Schufa)公司準備從社交媒體採集資料,用以評估消費者的資信狀況,此舉引發了公眾的強烈抗議。公司最終放棄了這一計畫。馬斯托談到,在美國,信用評估機構受到“嚴格的監管”。“他們會嚴格遵守這些法規……我認為,不會有哪個大型信用評估機構採用這種方式。”至少有一個大型出借人不會利用社交資料來評估借貸人的信用狀況,它就是花旗銀行(Citibank)。該銀行社交媒體負責人弗蘭克·伊萊亞森(Frank Eliason)對《經濟學家》談到,銀行會為了市場行銷而監視社交媒體,但不會用它來測評資信狀況,那是個“危險的遊戲”。

還有一個問題是,當費埃哲信用評估體系一直運轉良好的時候,出借人自然不願轉而採用一個新標準。過去,也曾有其他公司推出信用評分新系統,其中包括美國三大信用機構,但是,那些系統一直發展緩慢。採用社交資料進行信用評估的初創企業也面臨著同樣的障礙。“把客戶從費埃哲撬走,是很難的一件事。”斯坦恩談到。費埃哲的挑戰者必須證明,“他們構建出了一個更好的系統。”但是,這些公司無疑會繼續爭奪市場份額,尤其是現在。“這是個利潤豐厚的市場……因為科技的發展,進入市場的門檻已經降低了。”他談到。“為了完成這類工作,你已經無需在一個大房間裡安裝一台大型電腦了。演算法也變得更加精到了,你再也不需要像以前那樣對它們進行大量微調了。”

利用社交媒體評估信用的另一個問題是:與實際還款記錄不同的是,一個人的社交媒體資料更容易被操縱。“(消費者)可以花錢購買推特好友”,並以這種方式提高自己的信用分數,斯坦恩談到。“從某種程度上來說,操縱這些東西會讓人們占到便宜。”他還補充談到,隨之而來的結果是,為了獲得貸款而操縱自己資料的借款人,與試圖識別確實有信譽的消費者的出借人之間會形成對峙。

儘管存在這些問題,但“大資料”時代確實已經到來,而且市場也在適應這一潮流。最近,美國三大信用機構之一的益百利公司(Experian)推出了“擴展查看”(Extended View)分數,將租賃資訊也納入了該分數的計算。此外,為了改善信用評估系統,該公司還與環聯公司(TransUnion)和艾可飛公司(Equifax)合作,共同推出了名為VantageScore(直譯為“有利分數”)的信用分數,以應對費埃哲挑戰者的發難。舉例來說,CNN財經頻道(CNNMoney)3月11日的一篇報導稱,以前,在計算某個人的信用分數時,會在大約7年的時間裡都考慮他的債務曾進入討債公司的問題,而現在,只要他的債務已清償或問題已解決,只要他的欠債額為零,那麼,新版本的VantageScore就不會再予以考慮。另外,這一評分系統還將消費者的公用事業付費記錄納入了他們的信用狀況。就這一問題而言,費埃哲公司稱,它也準備用非傳統資料計算信用記錄有限或者根本沒有信用記錄的人的信用分數。

然而,《華爾街日報》報導稱,截止到目前,費埃哲公司尚沒有採用從社交媒體採集的資料的計畫。但是,布萊德勞認為,信用評分標準會發生改變,尤其是在更多的關聯性業已確立之後。“社交網路資料最終也可能進入費埃哲的評分系統。”他談到。“我認為,用一個分數概述某個人信用記錄的需求並沒有減少。我認為,將來的變化是什麼因素被納入這個分數的變化。”

說到挖掘社交資料用於信用評估的信用公司,斯坦恩談到,“我不知道這是否是個好主意,我想,這是不可避免的趨勢。”他接著談到,“他們試圖在一個人們尚未使用這類資訊的市場中開拓出一個利基市場。幾年以後我們便會知道,這麼做到底是否是個好主意。”

如何引用沃顿知识在线文章

Close


用于个人/用於個人:

请使用以下引文

MLA

"“社交”信用分數:將數據與噪音分開." China Knowledge@Wharton. The Wharton School, University of Pennsylvania, [19 六月, 2013]. Web. [17 December, 2018] <http://www.knowledgeatwharton.com.cn/zh-hant/article/3506/>

APA

“社交”信用分數:將數據與噪音分開. China Knowledge@Wharton (2013, 六月 19). Retrieved from http://www.knowledgeatwharton.com.cn/zh-hant/article/3506/

Chicago

"“社交”信用分數:將數據與噪音分開" China Knowledge@Wharton, [六月 19, 2013].
Accessed [December 17, 2018]. [http://www.knowledgeatwharton.com.cn/zh-hant/article/3506/]


教育/商业用途 教育:

如果您需要重复利用我们的文章、播客或是视频,请填写内容授权申请表.

 

Join The Discussion

No Comments So Far