“花呗还是一个试用的场景，只开放给一部分活跃用户，无论是花呗还是微贷，背后的很多模型与芝麻信用是共通的。”蚂蚁金服一位负责人对本报记者说。
“其实，个人信用在阿里内部已经推进了很多年，阿里小贷就是利用线上的数据来判断卖家的信用，这就是征信数据，阿里小贷的信用数据拿出来甚至可以给银行作参考，目前，芝麻信用内部测试构建的模型已经不止上万个。”他说。
据了解，目前蚂蚁金服已经有3亿实名制用户，“外界一直在说，我们只有电商数据，但其实，电商数据伴随着一系列行为：注册、收货、物流、认证、基于金钱的社交工具、理财、订酒店、订航班、交水电煤费用，电商是中间的一个点，围绕这个点发散出来的东西是非常丰富的。”上述蚂蚁金服负责人说。
建模能力决定有效性
尽管三家都认为自己积累了行业内最为丰富的大数据，但仅有数据来源是不够的，其背后是数据处理能力和研究，如何在海量的数据里建立评判个人信用的模型，且被验证行之有效，是关键所在。
“所谓的大数据分析，其实就是找出不同数据之间的关联性，找出因果关系，有很多时候，这些因果关系在我们的常识里是很难想到的，在传统征信领域，判断一个人的信用状况维度很简单，比如收入高低、地位高低、有房否，有车否，但在互联网领域，一个你从未关注过的维度可能就与信用正相关或反相关。”上述蚂蚁金服负责人说。
那么，如何搭起这种维度与维度之间的相关性，就成为摆在三家征信机构面前的首要问题。
“信用是很复杂的，比如两个人今天买了同样的手机，但不代表两人是一样的，可能他们的消费观不一样，前一个人比较节约，所以买了这个手机，但他本身很有钱，后一个人比较铺张浪费，买完手机后口袋空空，两个人的信用肯定不一样，所以要用历史数据作为参考系验证这种规则是否有效。”邱寒说。
“模型的建立其实没有太多特别，但这些模型最终是否有效，是否适合用户，这是需要验证的，模型只是一种呈现，重要的是建模的能力、分析的能力。”邱寒说。
她认为，人是非常复杂的，单独从任何一个方向来评价都不足够，要把各种维度串联起来，尤其是与金融相关的维度，金融维度更为重要。
吴丹也表示，建立行之有效的信用判定模型非常困难，要在各个变量中一个一个尝试，“上万个变量，都要经过验证，”吴丹表示，腾讯的互联网大数据征信主要运用社交网络上的海量信息，比如在线、财产、消费、社交等情况，为用户建立基于互联网信息的征信报告。
具体说来，征信体系将利用其大数据平台TDBANK，在不同数据源中，采集处理相关行为和基础画像等数据，并利用统计学、传统机器学习的方法，得出用户信用得分，形成个人征信报告。
在大家眼中，社交软件上往往缺乏真实性，如果拿来作为征信数据的参考系，是否有效？对此，吴丹解释，社交数据的有效性在国内外都是很前沿的课题，业内也有很多不同的声音，“但对我们来说，社交数据肯定有用，我们做过的探索和模型能够证明这一点，目前我们研究的是社交数据多有用以及如何用起来，如何令其在评分里更加稳定。”
他举例道，比如一个QQ账户是虚拟身份，虽然我们可能不知道这个用户背后的人是谁，但不能说这个账户是没有价值的，一个稀缺的QQ号码在黑市上的价格可能是几万或十几万，这个账号本身就产生了价值。
“如果这个账户背后的人有一天对银行说，我把这个账户抵押给你，能否给我500元的借款？我们认为可以做，这就是虚拟财产的价值。”吴丹说。
“芝麻信用构建模型不止上万个，这些模型也是核心竞争力，没有一个公司会泄露模型的构成，模型一旦泄露，一是涉及商业泄密，二是可能造成信用套利。”蚂蚁金服内部人士表示。
“比如，我们发现，一个消费者的捐赠行为丰富，信用通常非常好，而且两者的比例是保持不变的。我们会跟市场讲，如果经常献爱心，信用就会好，但我不会告诉你一个月要献多少次爱心，金额多少，算信用好。”他说。
“我们有开放式的、分布式的数据平台系统，把这些数据进行一些整理、运算以后，会得出用户的画像，包括他的资金往来关系等等。测试后发现，无论是人群覆盖度还是对业务场景信用的区分程度上都有一个很好的表现。”蚂蚁金服内部人士表示。
该人士解释，芝麻信用能够参考的维度包括淘宝、支付宝钱包、信用卡、缴费、支付、消费、年龄、性别、职业、家庭、状况、注册信息、是否实名认证、兴趣偏好、物品档次怎么样、有没有黑名单记录、资金、支付的渠道、资金往来的人脉关系，等等。“人脉关系有很多场景，我们可以聊天，加一个好友，但资金是最确切的，那些可能和你发生资金关系的人一定比普通与你聊天的人更密切。”他说。
另外，芝麻信用把这些个人信用评判系统开发出来，还要和外部的数据进行双向流动，使得反馈数据再回流到芝麻信用，从而修正或积累这个人的信用情况。（第一财经日报）
