大數據征信助推長尾客戶金融可得性研究

汪紅蕾

摘要：大數據背景下，長尾客戶是未來金融部門開發與爭奪的藍海市場。然而，長尾客戶由于信息不對稱程度較高而限制了其金融可得性的實現，解決長尾客戶信用信息問題是滿足長尾金融需求的關鍵。大數據征信依托于數據優勢、技術優勢、成本優勢和風控優勢，有效彌補了傳統征信的不足，為助推長尾客戶金融可得性提供了可行性。同時，我國大數據征信正處于快速擴張的發展初期也存在著行業格局混亂、征信信息保護機制不健全等突出問題，對此提出相應建議，從而推動大數據征信成為普惠金融和消費金融發展的重要工具。

關鍵詞：長尾客戶;金融可得性;大數據征信;普惠金融

中圖分類號：F830? ? 文獻標識碼：A

文章編號：1005-913X（2020）09-0059-04

一、引言

長尾客戶來源于美國“連線”雜志主編克里斯安德森于2004年提出的長尾理論，指因產品或服務需求小而分散，構成了需求曲線細長尾部的客戶。[1]雖然處于需求曲線尾部，但隨著產品品種的增加，長尾客戶的需求甚至會超越頭部客戶，創造出巨大的經濟效益。在當前金融機構給予大型企業信貸紅海競爭激烈、長尾群體收入逐漸增加和金融科技發展迅速的背景下，長尾理論值得金融部門反思改變傳統的以頭部大型企業為主要服務主體的授信模式，轉而向長尾經濟開發。促進這一轉變的關鍵應是探尋金融機構對長尾客戶信貸配給的深層次原因，大量研究和事實證明這源于金融機構與長尾客戶間的信息不對稱問題較為嚴重，長尾客戶缺乏可抵押資產、有效信用信息等使得金融機構產生惜貸行為，進而導致長尾客戶金融可得性水平低。本研究的金融可得性主要指自然人和法人的金融資源可獲得程度，解決長尾客戶的金融可得性匱乏問題應以緩解信用雙方信息不對稱為出發點，要從征信入手。然而，當前大多數金融機構采用傳統征信模式，存在嚴重依賴于征信覆蓋率不足的央行征信系統、無法將企業可使用信息邊界擴大等缺陷，已經落后于對長尾經濟的開發需求，而近年來開展迅速的大數據征信依托其獨特優勢為助推長尾客戶金融可得性提供了可行性。

大數據征信是指基于互聯網所有可搜集數據，運用現代智能技術對信息主體的經濟交易與社會交往等活動進行記錄、量化并報告的活動。[2]相較于傳統征信方法，大數據技術的運用使得征信數據體量巨大、類型多樣、處理高速、價值密度變低，并且伴隨著云計算、區塊鏈等一系列網絡化運作。[3]大數據征信在處理長尾客戶信息不對稱問題上存在著數據優勢、技術優勢等多種優勢，能夠有效彌補傳統征信對長尾客戶的開發不足，從而提高長尾客戶的金融可得性水平。

關于大數據征信和長尾客戶金融可得性方面的研究，大部分研究的是大數據征信處理小微企業融資難問題，較少涉及中小消費群體的消費金融方面的思路。劉蕓，朱瑞博（2014）提出小微企業融資約束的主要原因是信息不對稱，以大數據為基礎的互聯網金融和征信體系深化是化解小微企業融資難的有效途徑。[4]肖斌卿，柏巍等（2016）、高俊光，劉旭等（2015）認為可運用大數據和數據挖掘方法構建小微企業的信用評估模型，從而解決供給型信貸配給造成的小微企業信貸困境。[5][6]陳穎，顏偉忠（2015）從剖析中國小微型企業現狀及發展瓶頸入手，并提出了建設小微型企業信用大數據平臺。[7]本文的研究貢獻主要在于增加了大數據個人征信推動消費金融的分析并研究了大數據征信解決長尾客戶信貸難問題的可行性，同時結合當前我國大數據征信運營的潛在問題，提出相應對策建議。

二、傳統征信下長尾客戶的金融可得性和信用信息問題

（一）長尾理論下的金融可得性問題

金融部門的長尾客戶分為長尾企業和長尾消費者兩大部分。長尾企業指資產規模較小，缺乏信貸抵押品而具有融資難問題的小微群體。長尾消費者一般指財務實力較弱，缺乏信用信息而較難獲得消費貸款的群體。長尾客戶的金融可得性往往較低，體現在金融資源稀缺、獲得的金融服務層次低和融資成本較高等。

長尾理論的核心觀點是客戶群體由頭部的大而集中的客戶和尾部的小而分散的客戶組成，但是隨著商品種類的增加，尾部客戶的需求無限向右擴張甚至可能超越頭部的需求規模（圖1）。隨著我國互聯網金融大力發展，金融產品種類不斷創新，例如，余額寶產品通過滿足長尾需求而使得天弘基金成為當前規模最大的貨幣基金，可見長尾客戶潛在價值巨大，金融機構應注意到長尾經濟藍海。

■

金融供給度隨著客戶長尾程度提高而減少（圖2）。由于金融機構在傳統征信思維方式下，以財產實力和信用信息的充足程度為權威的判斷依據，當客戶缺乏有形抵押品等導致的信息不對稱程度越高，其長尾特性越強，則金融機構授信積極性越低，金融供給度越低。傳統征信落后于金融科技發展速度，已不能滿足銀行開發長尾價值的適應性要求，阻礙了長尾客戶獲得金融資源服務。

■

結合兩圖分析可知，隨著客戶長尾性的提高，其金融需求隨著金融產品品種不斷增加，而金融供給卻逐漸減少，長尾客戶供不應求的特點使得長尾客戶金融可得性較低，表現為小微企業融資難和個人消費貸款獲得不足的現象普遍。而長尾客戶的金融可得性較差原因在于傳統征信無法有效解決金融部門和長尾客戶間的信用信息問題。

（二）傳統征信模式下的信用信息問題

傳統征信模式下，長尾個體的信息不健全和長尾業的信息不對稱問題較為嚴重。傳統征信數據來源大多數為金融機構的金融交易數據，而對于沒有借貸行為等財務信息的長尾個體覆蓋不到位，例如，中國人民銀行征信中心只對具有信貸記錄的人提供個人信用報告，因被排斥在金融供給之外而沒有借款行為的長尾“白戶”則在系統中沒有信用信息。據統計，截至2019年，人民銀行征信中心收錄自然人9.9億人，其中沒有信貸記錄的人數為4.6億人，征信覆蓋率僅為38%（與總人口相比）。[8]而美國征信覆蓋率已達95%，我國個人征信業務與發達國家差距較大。長尾個體信用數據缺失，信息收集不健全，因而消費信貸獲得困難，不利于消費金融的發展。

長尾中小企業相對于長尾消費人群來說“信用白戶”的現象并不嚴重，因為大多數市場化企業還是具有信用信息的，但是由于資產規模較小、缺乏固定資產抵押物等使得金融機構仍不信任中小企業還款能力，擔心“道德風險”發生，導致授信動力不足，究其原因在于雙方的信息不對稱，即企業有征信信息，但是金融部門搜集和了解困難，難以準確評估企業信用風險。這源于金融機構依賴于傳統的征信模式，只查詢資產財務信息，而在當前大數據背景下，長尾企業的交易信息、社交網絡等均可作為授信業務的參考，小微企業的融資困難使得普惠金融發展難以取得實質性效果。

傳統征信模式下，長尾客戶的信用信息問題導致了其金融可得性較低，而金融可得性差又加劇了其信用信息問題，兩者陷入了惡性循環。先信用后信貸的傳統方式存在“雞生蛋、蛋生雞”的難題，使得長尾客戶信貸形成“無貸款—無信用記錄—難貸款”的不良循環。[9]因此，解決長尾客戶金融可得性問題需要從其信用評估入手，而大數據征信有效填補了傳統征信的不足，提供了解決長尾客戶信用信息問題的可行性。

三、大數據征信助推長尾客戶金融可得性的可行性分析

大數據征信可以利用數據優勢彌補信用信息不健全問題，利用技術優勢化解信息不對稱問題，利用成本優勢和風控優勢作為保障機制，促使大數據征信成為解決長尾客戶金融可得性較低問題的重要手段，邏輯機制如圖3。

■

（一）數據優勢

數據優勢是大數據征信產生和擴張的基礎，這對于解決長尾中小消費人群的信貸難題，發展消費金融意義重大。不同于傳統征信模式，信息來源依賴于只對有信貸記錄的人提供信用報告的央行征信系統，大數據征信將數據邊界大幅拓展，數據類型不再以財務信息為主要部分，從而將大量的長尾“信用白戶”納入征信目標主體并有效解決長尾個體的信息不健全問題。

首先，大數據征信的數據收集量極大，征集范圍廣，基于互聯網活動產生的所有數據可供整理，例如，德國的Kreditech公司征信收錄貸款人15 000多個數據點;中國的Wecash閃銀對單個客戶征信會采集約6 000個數據點。[10]同時具備廣度和深度的數據池形成了大數據征信對長尾客戶信息調查方面的巨大優勢。其次，大數據征信的數據類型多樣，由傳統征信的結構化數據轉變為非結構化、半結構化數據。傳統征信以財務數據為核心，注重抵押擔保，而大數據征信中任何信息都可為信用信息，比如電商平臺交易數據、社交活動、網絡行為等，財務信息不再是唯一的信用能力評估標準，從而推動了信用衡量的多維度和全面性。

2018年，央行推出的百行征信，有效解決了個人信用信息不健全的問題，覆蓋人群較廣，而原因即在于利用大數據爬蟲技術儲備了互聯網海量數據，從而使得一部分“尾部”客戶過渡到“頭部”客戶。市場化的機構包括芝麻信用、騰訊征信等均促進了個人征信的易得，進而大大提升了長尾個體的金融可得性，有助于消費金融開展，推動消費升級。例如，芝麻個人信用評分彌補了傳統央行征信對學生群體等“信用白戶”的征信不足，推動這部分長尾客戶獲得房貸、車貸等信用貸款。

（二）技術優勢

技術優勢是使大數據征信更具競爭力的重要條件，有助于解決中小企業融資難題和發展普惠金融。第一，大數據一般結合云計算、區塊鏈等運算對其整理、加工與保密，推動了供應鏈金融等新興互聯網金融對小微企業的信貸扶持。第二，大數據征信涉及的變量、模型和方法較復雜，從而保證多維度、科學性地給出企業的信用評分。第三，大數據征信在數據優勢的基礎上運用可靠技術將企業的交易行為、社交網絡、電商平臺數據等非財務信息轉化為財務數據，從而使得長尾小微企業不會因為缺乏信用信息而受到金融排斥。第四，中小企業信用風險識別在于快，大數據征信技術具有高效率特征。

技術上的算法、模型使得非財務信息能轉化為信用信息，豐富了雙方的信息交流程度，運用一萬多個變量和模型，實時動態的更新跟蹤，使得信息具有透明度和動態性，因而一定程度上緩解了信息不對稱性，有助于長尾企業融資困境解決，基于征信方法上的推進來推動普惠金融發展。

（三）成本優勢

成本優勢是大數據征信得以經營和盈利的關鍵。大數據征信通過高效率運作能有效降低征信成本。傳統征信體系下，在線上的授意信貸需要人工操作，線下也需實地走訪考察，大量的時間成本和人工成本花費在貸前、貸中和貸后調查中。

首先，大數據征信可以有效縮減人工成本，運用機器化操作的信息監測與處置系統使相關業務流程大大簡化，提高了服務效率和人力資源使用率。例如，Zest Finance公司的Hilbert模型變量中有75%是用計算機處置的，只有25%需要人工干涉。其次，降低數據采集成本。大數據使得信用信息來源廣、易獲取，能夠高效處理沉淀的長尾客戶相關數據，從而縮減了采集成本。此外，大數據征信機器運用要求較高，雖然前期投資總額較大，但是后期能夠形成批量化處理能力，邊際成本遞減，有助于形成長尾客戶征信的規模經濟效應。例如，銀行按照傳統征信模式對中小企業發放一筆貸款的平均人力成本為2 000元，而網商銀行采用大數據征信模式授信的每筆貸款平均運營成本只有2.3元，其中2元為技術化費用，可見大數據征信能利用規模化優勢來減少大量成本。[11]

（四）風控優勢

風控優勢是大數據征信穩健運營的根本保障。大數據征信比傳統征信風險防控措施更加到位，一是大數據技術能夠減輕征信機構的經營風險。傳統征信模式靜態僵硬，常有“老賴”或非法牟利的團隊組織通過各種重組手段將自己包裝成信用狀況合格或剛建立的受信主體，獲得征信服務而拖欠賬款，甚至形成連鎖的違約傳播病毒，不利于征信機構的業務發展。大數據征信則進行模型和變量的動態性更新，保證風險的及時跟蹤，進行場景預測，從而高識別客戶的欺詐風險，防止信用主體的欺詐行為。同時，大數據征信依賴于計算機和機器，擺脫人工的干擾，有效降低操作風險。二是減弱金融機構的信用風險，降低金融機構和長尾客戶的信息不透明度，進而增加長尾客戶獲得信用貸款的可能性。

芝麻信用的企業征信系統利用大數據征信的“風險云圖”辨認復雜混亂的企業、股東間關系等，給予風險概率、提示和預警等，從而避免與無信用企業合作或者向其授信而招致違約風險。

四、大數據征信未來發展應關注的問題及建議

（一）推動大數據征信機構的規范運營，形成成熟的行業體系

大數據個人征信機構應定位明確。我國個人征信機構牌照發放限制較強，目前央行只對百行征信一家給予了個人征信執業牌照，但芝麻信用評分產品等顯然也是在做個人征信業務，那么騰訊征信、芝麻信用等八家預備機構是否擁有經營個人征信業務資質的合法性問題始終處于不明朗狀態，我國大數據征信機構在個人征信領域有實無名。因此，政府部門應明確金融科技企業開展個人征信業務的權利和義務，規定其征信范圍。

大數據企業征信機構應提高其執業資質標準，規范經營。當前，我國企業征信機構相比個人征信機構限制較弱，大數據企業征信門檻準入較低，客戶信息泄露和竊取、非法征信授信等市場亂象嚴重。

大數據征信機構應完善以央行征信為代表的政策性征信機構的征信不足狀況，形成政策性征信機構和大數據市場化征信機構合作互補的行業格局。當前存在征信機構背靠獨立集團形成業務閉環，割裂市場信息鏈的情況。例如，芝麻信用、騰訊征信等作為百行征信股東被要求與其合作和共享信息，但是芝麻信用官方卻曾表示目前并未與百行征信有任何合作，因此，應鼓勵大數據征信機構與政策性征信機構以及大數據征信機構之間的合作，防止征信數據孤島，建立以風險防控為核心的征信行業數據共享制度。近年來，芝麻信用等市場化機構伴隨著廣泛的應用場景而民眾接受度和普及度極高，但是百行征信作為政策性機構還未被廣大用戶熟悉，因此，政策性和市場化征信之間也應注意如何平衡共處。

（二）建立大數據征信信息保障機制，保護信用信息隱私

大數據征信行業應界定征信信息邊界，保障客戶的隱私安全。大數據使得客戶在各方面的數據都能被搜尋整理，傳統的信息不對稱理論似乎受到了挑戰，如今客戶方成了大數據征信方的信息透明人。應確定信息的可用性程度，對于網絡行為中諸如購物信息、繳費信息等能轉換為描述征信主體的財務狀況的信息可以運用，但是諸如個人形象、家庭住址、用戶私密聊天內容等嚴重涉及用戶隱私的則決不能作為征信信息處理。征信、金融發展和人權的矛盾是當前的社會熱點話題，應以客戶人權為首，確定征集信息的“度”，信息使用需經主體授權，使得大數據征信健康發展。

當前法律對于信用信息的甄別確認，征信信息的使用程度并未進一步明確，法律約束較少，信息采集技術的隱蔽性使得個人信息泄露和竊取嚴重，隱私保護權和投訴權等保障不足。因此，應盡快建立保護征信主體隱私安全的相關法律條例，明確征信信息產權。

（三）完善大數據征信監管體系，建立相應監督法規

我國應加強對大數據征信發展的重視，提高對其的監管強度。大數據征信監管體系建設滯后于其發展速度，數據征集的范圍已發展到央行所能掌控的金融系統之外，使得大數據征信活動可能監管不到位甚至監管失效。

我國應加快建立大數據征信的法律法規，為大數據征信提供法律保障和約束。當前，我國征信最高法規仍是《征信管理條例》，法律效力層次較低;《證券法》《公司法》等法律條例中有涉及部分征信的內容，但規定不夠具體明確。總的來說，缺少適用于新興的大數據征信的法律條款，因此，才產生征信范圍不明，隱私信息侵權等問題。

（四）打造大數據征信產業鏈，促進征信與金融的共贏

大數據征信機構應構建以征信產品服務為核心的線上線下數據資源整合、應用場景拓展、上下游主體合作互惠的征信產業鏈。加強對征信產品的開發創新，除了信用評分、信用報告等基礎產品外，行業風險預警、特別關注名單、信息核驗平臺等創新產品應著重開發設計，以便將產品服務延伸到反欺詐、信用記錄監控、催收管理等更多環節。大數據以互聯網線上數據為主，但是也要注重信息的線下核查和管理。大數據征信的運用場景除了傳統的信貸部門，還可拓展到出行、住宿、社交、求職等多個場所，建立“失信獎懲”機制，構建信用社會。大數據征信機構要加強與上游數據服務商、下游金融機構等數據使用商的互惠合作，構建數據和資金流通順暢機制。

大數據征信通過數據優勢、技術優勢、成本優勢和風控優勢能有效解決信息不健全和信息不對稱問題，使得其能覆蓋到長尾客戶，向金融部門提供長尾客戶的信用報告等產品，減弱了金融機構承受的信用風險，進而提升了長尾客戶的金融可得性，緩解小微企業融資難和中小消費者貸款難的問題，推動了普惠金融和消費金融發展。金融信貸的增加同時增加了長尾客戶的信貸記錄信息，增加了征信的信用信息基礎，進一步降低了其信息不對稱程度，進而促進金融可得性的增加。因此，大數據征信推動了征信行業和金融行業的有益互動，有助于打造互利共贏的跨行業合作體系。

參考文獻：

[1] Chris Anderson.The long tail：Why the Future of Business is Selling.Less of More[M]. New York：Hyperion，2006.

[2] 吳晶妹.從信用的內涵與構成看大數據征信[J].首都師范大學學報：社會科學版，2015（6）：66-72.

[3] 維克托·邁爾·舍恩伯格.大數據時代[M].杭州：浙江人民出版社，2012.

[4] 劉 蕓，朱瑞博.互聯網金融、小微企業融資與征信體系深化[J].征信，2014（2）：31-35.

[5] 肖斌卿，柏 巍，姚 瑤，李心丹.基于LS-SVM的小微企業信用評估研究[J].審計與經濟研究，2016（6）：102-111.

[6] 高俊光，劉 旭，朱辰辰.小微企業信用評估的數據挖掘方法綜述[J].金融理論與實踐，2015（10）：98-101.

[7] 陳 穎，顏偉忠.大數據技術下小微型企業信用建設研究：以小微型企業信用大數據平臺建設為例[J].經濟師，2015（7）：251-253.

[8] 中國金融雜志.打破金融可得性“惡性循環”——普惠金融的“蘭考模式”[EB/OL].http：//www.sohu.com/a/

343524479_481887？scm=1002.0.0.0-0，2019-09-26.

[9] 蘇寧金融研究院.起底個人征信[EB/OL].https：//www.sohu.com/a/312952156_371463.2019-05-10.

[10] 耿得科，梁文娟.大數據對傳統資信評估的影響[J].征信，2015（3）：20-24.

[11] 陳小梅.基于大數據的小微企業信用評級體系研究[J].征信，2018（10）：27-31.

[責任編輯：王 旸]