幕思城>電商行情>多多開店>多多運營>芝麻信用和FICO評分有什么差異?

芝麻信用和FICO評分有什么差異?

2023-01-21|14:08|發(fā)布在分類 / 多多運營| 閱讀：106

你知道芝麻信用和FICO是怎么分級的嗎？

芝麻信用分和FICO的評分標準是什么？

他們的分數(shù)相差多少？

讓我們來看看邊肖對這些問題的回答。

如果你是或白，而且你也是剁手族，你的阿里巴巴芝麻信用分一定很高。

這樣，在別人還在焦急等待簽證消息的時候，你就可以瀟灑地從限量版愛馬仕包里掏出iPhone6s，點擊支付寶，觸摸芝麻信用。

哇，你的芝麻信用分是760！然后你任性的把你的護照和iPhone6s扔到簽證官面前，看著他/她給你的護照蓋章。

你笑著說:請直接從我的螞蟻信用卡賬戶中收取簽證費！除了簽證辦理，其他很多生活應用都離不開芝麻信用。

如果要租車，租房不需要押金，在酒店入住后付款，需要一定的芝麻信用分；更不用說金融信用貸款了...……FICO評分在國內(nèi)的推廣還沒有全面展開，但國內(nèi)芝麻信用分的人至少有幾千萬。

如此廣泛的客戶來源，加上支付寶強大的覆蓋面，F(xiàn)ICO score等傳統(tǒng)信用評分有多大價值？

會不會在不久的將來被芝麻信用分和騰訊信用分黯然失色？

其實不能一概而論。

我們先來看看傳統(tǒng)的FICO評分和芝麻信用分是如何計算的:FICO評分是公平的。

Isaac公司開發(fā)的信用評分系統(tǒng)也是目前美國使用最廣泛的系統(tǒng)。

FICO評分系統(tǒng)獲得的信用評分范圍從300到850。

得分越高，客戶的信用風險越低。

它收集客戶的人口統(tǒng)計信息、歷史貸款償還信息、歷史金融交易信息、中國人民銀行的信用信息等。

，通過logistic回歸模型計算客戶的還款能力，預測未來一年客戶違約的概率:1。

人口統(tǒng)計信息:如客戶年齡、家庭結(jié)構、住房情況、工作類別和時間等。

2.歷史貸款還款信息:即過去6個月或12個月的還款方式和逾期次數(shù)；3.歷史金融交易信息:即過去6個月或12個月每月交易的平均次數(shù)和金額；4.銀行征信:如近12個月新開賬戶總數(shù)、所有賬戶總金額、賬戶是否逾期等。

看，以上信息是FICO評分模型的自變量，最終得分會通過logistic回歸模型輸出。

不同的是，阿里巴巴推出的芝麻信用分是基于大數(shù)據(jù)分析技術，收集多元化數(shù)據(jù)，包括傳統(tǒng)金融交易、還款數(shù)據(jù)、第三方非金融行為數(shù)據(jù)、互聯(lián)網(wǎng)、移動網(wǎng)絡和社交網(wǎng)絡數(shù)據(jù)等。

，幫助貸款人從多方面考察個人還款能力和意愿，做出合理全面的信用評分。

該圖示出了基于大數(shù)據(jù)分析技術的機器集成學習方法的集合。

與傳統(tǒng)的logistic回歸模型不同的是，它收集了數(shù)萬個數(shù)據(jù)項、模型，從不同層面(還款能力、還款意愿、欺詐可能性、穩(wěn)定性等)對個體進行評分。

);然后，將這些單級分數(shù)與個人的綜合信息結(jié)合起來，給個人一個最終的信用分。

兩種評分模型所用數(shù)據(jù)的不同，反映了其評分思路的不同。

通常情況下，F(xiàn)ICO評分模型只有十幾個評分項，每個評分項對目標變量(即是否違約)都有很高的可預測性和影響力。

而在機器集成學習方法中，最終進入模型的評分項可能多達數(shù)千個，而這些評分項中的每一個對目標變量的個體可預測性可能都很?。籈nsemble是使用機器學習將如此多的微小預測總結(jié)成一個最終得分，對個體的默認可能性具有很強的可預測性。

那么，芝麻信用有哪些局限性呢？

我們不妨參考現(xiàn)有的例子進行橫向比較分析。

美國互聯(lián)網(wǎng)金融公司ZestFinance從2009年開始研發(fā)基于大數(shù)據(jù)的信用評估模型:整合多源信息，利用機器學習預測模型和集成學習策略挖掘大數(shù)據(jù)。

他們從第三方收集了成千上萬的數(shù)據(jù)，如水、電、煤單、電話費、房屋租賃信息以及傳統(tǒng)金融借貸和還款信息。

通過機器學習找到數(shù)據(jù)之間的關聯(lián)，對數(shù)據(jù)進行必要的轉(zhuǎn)換；在相關性的基礎上，將數(shù)據(jù)重新整合到不同的衡量指標中；每個指標反映一個個體的一些特征，如欺詐概率、長短期信用風險、還款能力等；最后按照加權投票的原則，將所有指標做成最終的信用分。

但ZestFinance的個人信用評分只適用于缺乏或沒有信用記錄的人，也就是說，這些人要么剛剛移民美國，要么之前從未貸款過。

所以ZestFinance 大數(shù)據(jù)征信最終并不能取代FICO評分，只是用來改善FICO評分的不足。

原因包括多方面:1。

ZestFinance的大數(shù)據(jù)征信規(guī)模并不大，到目前為止只為10萬美國人提供服務，所以很難對模型的有效性和準確性做出有效的評價。

2.ZestFinance 大數(shù)據(jù)模型也給傳統(tǒng)的風險管理帶來了挑戰(zhàn):傳統(tǒng)的FICO評分需要處理的變量更少，模型結(jié)果可以得到合理的解釋，方便了金融機構不同部門之間以及金融機構與客戶之間的溝通。

和ZestFinance 基于大數(shù)據(jù)的數(shù)千個變量的規(guī)模和多模型應用，使得數(shù)據(jù)處理和模型解釋非常復雜，在實際應用中會帶來很多麻煩。

，所以涉及到個人隱私的保護和遵守。

阿里巴巴的芝麻信用和ZestFinance的大數(shù)據(jù)信用類似，但也存在一些問題。

比如，芝麻信用覆蓋的人群可能有幾億，但是芝麻信用的有效性和準確性還沒有得到普遍的評估；芝麻信用分高，可以在支付寶開一個螞蟻花唄，類似于信用卡的透支服務，但是芝麻信用在其他方面的應用還沒有達到一定的規(guī)模。

當然，大數(shù)據(jù)信用評分畢竟是歷史趨勢。

目前，F(xiàn)ICO公司和國外三大征信機構已經(jīng)開始了利用大數(shù)據(jù)分析技術改進傳統(tǒng)信用評估體系的前瞻性研究。

比如Experian已經(jīng)投入研究團隊關注社交網(wǎng)絡數(shù)據(jù)對信用評分的影響；FICO還開始了在線評估信息工具和基于互聯(lián)網(wǎng)的信用評估系統(tǒng)的研究。

我們相信，隨著理論和方法的完善，實踐的深入，基于大數(shù)據(jù)分析的信用評分總有一天會占據(jù)主流地位。

不過，市場上是否會出現(xiàn)強有力的新競爭者，最后的贏家是芝麻還是西瓜，還有待觀察。

你知道芝麻信用分和FICO是怎么評分的嗎？

芝麻信用分用的越來越多。

芝麻信用分如何做到900以上？

這個問題還有疑問的話，可以加幕.思.城火星老師免費咨詢，微.信號是為: msc496。

難題沒解決？加我微信給你講！【僅限淘寶賣家交流運營知識，非賣家不要加我哈】