基于電信運營商大數據分析的個人征信評估模型

楊 晟，施元元

（中訊郵電咨詢設計院有限公司，上海 200050）

基于電信運營商大數據分析的個人征信評估模型

楊 晟，施元元

（中訊郵電咨詢設計院有限公司，上海 200050）

電信運營商在征信領域極具價值，主要研究了如何利用電信運營商大數據分析結果來構建個人征信評估模型。

電信運營商；互聯網；身份信息；位置信息

1 電信運營商在征信領域的優勢

電信運營商目前在征信行業被視為一塊可口的蛋糕。電信運營商在征信行業具有天然優勢：①數據覆蓋極廣。手機號碼基本人手一個，三大運營商基本能覆蓋所有人群。在這一點上，即使BAT等互聯網巨頭也是難以望其項背。②隨著實名制的普及，身份證號碼、手機號碼、姓名等真實身份信息之間的關聯越來越強，大大降低了征信行業的偽冒風險，冒名申請、代辦養卡等行為的難度陡增。③運營商數據能方便地構建出個人關系網。④運營商能提供位置信息的變化，從而建立征信預警機制。

2 個人征信模型

電信運營商的數據優勢表現在全面、及時、多形式等方面，如何提取有價值信息，構建合理的個人征信評估模型，是本文研究的方向。

我們將從用戶基本信息、消費信息、活動信息、通話分析、數據流量分析、關系分析六大類型數據著手，聚合形成個人的信用評分。

2.1 用戶基本信息

用戶基本信息包括：①身份證件信息。運營商認可的實名制證件包括了身份證、警官證、軍官證、戶口本、港澳居民通行證、臺胞證這幾種。這部分信息主要用于驗真使用，對于軍官證、警官證可以進行加分處理。②性別信息。性別信息可從身份證件信息中提取。③年齡信息。年齡信息可從身份證件信息中提取，不同年齡段設置不同信息分值。④家庭住址。用戶預留在運營商處的住址信息，如果用戶有寬帶業務，則可以設定為寬帶地址。⑤入網時間。用戶名下最早號碼的入網時間，入網越早信用度越高。⑥VIP等級。用戶在運營商處最高的VIP等級。⑦號碼數量。由于雙卡手機的普及，一個身份證號碼可能有多個號碼。⑧名下其他業務。比如企業業務、寬帶業務、專線業務等。用戶基本信息主要用來貸前驗真使用，可以作為用戶信用分的基本分。

2.2 消費信息

消費信息包括：①名下總消費。用戶名下所有業務的月度總消費，可以是半年的平均消費。②名下最高套餐評級。根據用戶不同套餐類型，設定不同評級分。③套餐外消費金額。用戶超過套餐的消費金額。④消費變化趨勢。月度消費的變化趨勢。⑤終端型號。用戶所使用終端的品牌、型號。⑥終端價格。按1 000元以下、1 000～2 000元、2 000～4 000元、4 000元以上四檔分檔計算信用分。⑦終端更換次數。提取一年內用戶終端更換次數。⑧終端更換價格變化趨勢。根據更換終端的價格變化情況計算信用分。⑨欠費次數。月均欠費次數。

2.3 活動信息

活動信息包括：①住宅區域。根據用戶在夜晚（比如每日22：00—6：00）登錄基站次數最多的位置列為用戶的住宅區域?？梢苑譃楦邫n住宅、普通住宅、城中村、鄉鎮農村、廠區等不同檔次區域，分別計算信用分。②工作區域。根據用戶在工作日工作時間（非周末的9：30—11：00，14：00—16:00）的位置列為用戶的工作區域?？梢苑譃楣I區、高檔寫字樓、普通寫字樓、科技園區、政府機關、軍隊、學校、醫院等各種類型，分別計算信用分。③晚餐區域。根據用戶在晚餐時間（18：00—19：30）位置列為用戶的晚餐區域。將晚餐區域分類，可以分為高檔飯店、普通飯店、綜合體、快餐等，根據用戶在不同場所出現的次數分別計算信用分。④娛樂區域。根據用戶在晚餐后時間（19：30—22：00）位置，列為用戶娛樂區域。將娛樂區域分類，可以分為KTV、會所、電影院、超市等，根據用戶在不同場所出現的次數分別計算信用分。⑤漫游天數。根據用戶月均漫游到外地的天數，計算信用分。

用戶活動位置的判斷主要基于主服務小區更新信息、MR采樣信息等判斷，同時，前期需要對不同場所進行手動分類。比如對高檔住宅、普通住宅等做好分類標簽。

2.4 通話分析

通話分析的內容包括：①單月總語音時間；②單月總通話次數；③單月本地通話次數；④省內國內漫游通話次數；⑤通話時間次數變化趨勢分析。

根據用戶的通話次數、通話時間、不同漫游地通話次數、通話時間次數變化趨勢對用戶進行信用評分。

2.5 數據流量分析

數據流量分析的內容包括：①數據流量。用戶月均數據流量使用量。②數據流量使用變化趨勢分析。③即時通訊類流量占比。④各類流量的比例，比如視頻流量、游戲流量等。⑤淘寶、京東等消費類網站訪問次數。

根據用戶的月均流量使用情況、變化趨勢、不同流量占比、消費類網站訪問次數對用戶進行信用評分。

2.6 關系分析

關系分析的內容包括：①快遞人員通話次數。結合號碼庫，計算月均和快遞人員的通話次數。②司機人員通話次數。計算月均和滴滴快車等網約車、出租車司機通話次數。③外賣人員通話次數。計算月均和餓了嗎等外賣騎手的通話次數。④親密聯系人。提取多位，比如10位頻繁通話聯系人。

2.7 多指標聚合

基于上述6類指標，采用多指標聚類系數化的方法對上述不同數據進行整合，形成個人的信用評分，計算公式：消費信息得分+活動信息得分+通話分析得分+數據流量得分+關系分析得分×用戶基本信息得分=個人信用得分。電信運營商可以直接提供個人信用得分供征信企業使用，也可以給出各個子模塊得分，由征信企業自行使用。

3 征信風險預警

目前，用于征信的數據多種多樣，比如基本的社保、公積金信息，也有互聯網企業的相關信息，比如芝麻信用等。這些信息的實時性都沒有運營商的高，手機的普及使得運營商時刻掌握運用的位置估計、通信行為，可以據此建立征信風險預警體系。

3.1 提前預警判斷

根據用戶通信行為的變化，對用戶進行提前征信預警，可以從下列幾個方面評分：①名下手機號碼增加。②通信行為變化。例如通話次數顯著減少，通話時長縮短；③和特定高風險用戶聯系增多。比如高利貸提供者、境外賭場、彩票站等；④待機狀態變化。關機次數增多、掛機次數增多、關機時間增加等；⑤親密聯系人有急劇變化。⑥出現在高風險位置。例如澳門、拉斯維加斯等賭場區域或者傳銷聚集區域，例如以前的廣西北海。⑦異常網絡行為。比如接入賭博類APP、用搜索引擎搜索“賭博”“高利貸”等關鍵詞。

一旦用戶出現上述非正常的通信行為，偏離其長期平均的模式，即可發出對該用戶的征信預警，供征信企業使用。

3.2 高風險警示

如果用戶已經成為高風險人員，例如出現逾期不還的情況，或者已被提前預警警示，則我們利用運營商大數據分析可對用戶進行高風險警示判斷，基本模型為：出現在高鐵站、機場、本市高速國道出城口等區域；訪問攜程、去哪兒、各大航空公司官網等出行相關網站、APP，或與此類業務提供商通話；本人或親密聯系人長時間非正常時間關機，比如工作日連續關機超過5 h。一旦出現上述行為，則可以觸發高風險警示，并提供給相關征信企業。

4 總結與展望

電信運營商在征信領域具有天然優勢，傳統的征信方法和電信運營商、互聯網公司提供的大數據分析應該起到互補的作用。電信運營商大數據分析對傳統征信無力涉及領域的覆蓋，極大提升了征信服務的實時性、提高征信結果的準確性。同時，電信運營商也必須承擔相應義務，比如如何確保用戶數據的匿名狀態，對數據的匿名安全性作出評估，如果數據交易的對象具備對數據復原身份屬性的能力，則應當限制此類交易。在交易協議中，需要通過協議來明確交易各方對于數據安全的責任，尤其約束交易方不得再進行身份識別性的利用。

F626

A

10.15913/j.cnki.kjycx.2017.20.056

2095－6835（2017）20－0056－02

〔編輯：張思楠〕