這家公司的旗號是“將谷歌算法帶入征信領域”。它利用機器學習和大數據技術，創造了壹套不同於傳統模型的信用評分方法，其中應用的數據變量是傳統模型的數百倍。
ZestFinance成立於2010。Zest Finance的創始人道格拉斯·梅裏爾(Douglas Merrill)是谷歌的前信息總監和工程副總裁。另壹位來自金融界的創始人肖恩·巴德(Shawn Budde)曾在Capital One負責信貸業務。
財新記者采訪了ZestFinance的創始人梅裏爾，他認為“ZestFinance完全可以取代現在銀行使用的算法。”
然而，FICO中國區總裁陳建表示，這是不可能的。在美國，有超過65，438+0，000個服務消費者的地方征信機構，基本屬於三大征信公司。這三家信用公司擁有覆蓋全國的數據庫，包括超過654.38+0.7億消費者的信用記錄。三大征信公司在收集了大量的個人征信數據後，還要經過復雜的模型計算，形成征信產品。這三家信用公司目前使用的計算方法和模型都來自同壹家公司，即FICO，被稱為“幕後大老板”。
越來越多像ZestFinance這樣的初創公司覬覦傳統的華爾街領地。而它的勢頭，就像多米諾骨牌壹樣，在不斷的向傳統金融行業推鑰匙。
數據變廢為寶
ZestFinance官網有壹句話:“所有數據都是信用數據。”這句話正好濃縮了ZestFinance所做的工作——將成千上萬的數據變廢為寶，應用於信用評分。
這家公司在短短四年時間裏，先後獲得高達654.38美元+0.2億美元的融資，背後的投資人都是著名的IT風險投資家，包括FlyBridge、GRP、LightSpeed、Matrix等。
目前美國大部分金融機構使用的信用評分來自於FICO的模型算法。自20世紀60年代以來，FICO在美國征信體系中的地位從未動搖過。
在美國，經過三大征信公司的整理和FICO的計算打分，海量的征信數據變成了整潔漂亮的報告和325-900區間的分數。用戶可以只買報告，也可以打包買報告+分數。
中科院院士、北京大學教授尤因對財新表示，FICO的評分模型是首屈壹指的，但並不完美。FICO的信用評分參考的數據變量不到50個，所以很多人在找出FICO關註的變量後，可以“模型套利”來增加自己的信用評分。比如，壹個人可以每天反復從圖書館借書還書來“刷學分”。
“鑒於FICO的不足，ZestFinance重新設計了壹套信用評估模型。與FICO不到50個參考變量相比，ZestFinance參考了數萬個數據變量，並使用非線性和更前沿的技術進行分析，從而防止‘模型套利’現象，更準確地評估消費信貸風險。”尤因說。
事實上，ZestFinance遠遠超出了FICO 50變量的界限。在洛杉磯這個65人的團隊裏，大部分都是數據科學家。他們開發了幾個機器學習分析模型，這個模型使用的數據變量有上萬個。成千上萬的數據變量只是原始信息數據。基於這些數據，模型可以得到超過7萬個可以判斷信貸行為的指標。模型運行這些指示器只需要不到3秒鐘的時間。
所謂機器學習，也就是人工智能的核心，就是讓計算機模擬或實現人類的學習行為來獲取新的知識和技能，並在數據積累中不斷完善自己。ZestFinance的模型之壹Hilbert是機器學習商業化應用的成功案例，讓機器承擔7萬個指標的數據分析，找到邏輯關系，不斷完善自己。人類只需要根據結果進行壹些邏輯分析和判斷。
“多年來，美國金融機構壹直使用50個數據變量來決定是否向客戶提供信貸。問題是許多人沒有完整的信用記錄，這導致他們繼續被傳統信貸拒之門外，”美林說。“在ZestFinance，我們分析數萬個數據變量，並使用更廣泛的數據來更準確地預測客戶的風險。"
數據類型也非常廣泛:壹個人的網頁瀏覽記錄、手機支付記錄、超市購物清單都可以成為重要的參考依據，甚至用戶填寫信貸申請表時使用大寫字母還是小寫字母都可以成為數據變量。
“很多數據可以為信用服務。例如，申請人在我們網站上停留的時間可以反映出他在申請貸款時的謹慎和誠意。”梅裏爾說。
鄂渭南認為，信用記錄是強變量。在沒有強變量的情況下，我們可以參考各種弱變量。這些弱變量組合起來，就可以形成強變量，為信用風險控制服務。“比如孩子是家庭開支的壹個來源，那麽如果能推斷出借款人孩子的年齡，就可以預測他的消費周期:嬰兒有奶粉等固定開支，學生每年9月要交學費。只要他能避免他的主要開支，他就能控制壞賬。”
尤因說，在中國，由於征信行業歷史較短，缺乏足夠的信用數據，很多弱變量數據可以用來預測壹個人的還款情況。目前學術界很多人也在進行類似的研究。
對於這些“弱變量”的開發利用，陳建也表示認同，“挖掘數據的價值是必然趨勢，大數據的發展會日新月異。”不過他表示，FICO首先是從互聯網數據中挖掘價值。“銀行信用卡交易實時獲取數據，通過分析識別風險。FICO是十幾年前發明的，現在發達市場90%以上的銀行都在用FICO。”
爭奪FICO
的確，目前ZestFinance和FICO不可同日而語。FICO占據了美國99%的信用評分市場和大部分發達國家的信用評分市場，而ZestFinance目前只服務了65438+萬美國人。
在中國，FICO目前擁有80人的團隊，與15家商業銀行、30多家城商行、農商行建立了合作。ZestFinance在美國以外沒有業務，但美林告訴財新，它目前正在與幾家中國金融機構談判合作。
但從未來的發展來看，似乎新事物總能贏得更多的青睞。面對ZestFinance等新型信用評分公司的誕生，美國主流媒體紛紛給出報道——《經濟學人》雜誌寫道:“ZestFinance與傳統評分方式相比，違約率降低了40%。”美國消費者新聞與商業頻道說:“ZestFinance讓沒有賬戶的人不會被拒之門外。”
所有這些聲音似乎都指向菲科。
美林表示，ZestFinance采用了與FICO完全不同的技術。FICO是基於20世紀50年代創建的“邏輯回歸”模型，當時可供參考的數據變量並不多。然而，隨著互聯網時代的到來，數據開始爆炸，菲科的評分方法並沒有改變。梅裏爾，前谷歌人，將谷歌算法引入征信領域，走在技術前沿。“ZestFinance完全可以取代現在銀行使用的算法。”梅裏爾自信地說。
菲科表示，對於外界的質疑，他感到非常尷尬。陳建說，外界實際上對FICO缺乏了解。FICO的算法不止壹個，而是上百個。僅在美國註冊的算法專利就有近200項。在不同的數據場景中，使用不同的數據變量和數量。
陳建認為，數據變量越多越好。
“FICO信用評分實際上有超過65，438+0，000個候選變量，但每個評分只使用了幾十個變量。”陳建說，認為變量越多，模型越好是天真的。從統計學的角度來看，模型計算壹方面要把握本質規律，另壹方面要避免過擬合。
“變量太多會造成過擬合的問題。這就像做壹雙鞋，妳的腳100%合腳，但是別人都穿不上。FICO不是為壹個人做壹雙鞋，而是為整個社會做壹雙鞋。如果有些變量不適合所有人，就不適合模型。”陳建說。
根據惠譽評級的研究結果，FICO評分的影響力正在下降。現在美國所有的銀行都有自己的模型，他們會用自己的模型來運行原始的信貸數據。FICO評分只是參考變量之壹。比如Wachovia的FICO評分參考比例已經降到了零。
在這方面，陳建認為這只是個別現象。“據我所知，目前美國銀行業99%的資產組合還是基於FICO。拿出1%來測試新事物是可取的，但這不是主流。”
陳建說，技術是為行業服務的，信用評分不是象牙塔裏的幻想，而是行業深厚根基的積累。目前美國99%的銀行使用FICO的評分系統，其深厚的積累是其他公司無法比擬的。
陳建毫不掩飾自己對FICO的信心:“在發達市場，FICO已經成為財務管理的實體部分，沒有人願意去掉他們原有的手臂，換上壹雙高科技的塑料手臂。”
為沒有賬號的人服務。
“金融普惠”正在成為壹個新詞，它意味著沒有銀行賬戶或不良信用記錄的人可以公平地享受金融服務。
萬事達卡首席執行官Ajay Banga最近在壹份關於金融普惠的提案中表示，目前全球有25億成年人沒有享受到金融服務，其中大部分是女性和年輕人，還有壹些人生活在農村地區。在美國，目前有4400萬人沒有銀行賬戶。"因此，金融普惠需要在所有國家啟動，而不僅僅是發展中國家."
美林表示，ZestFinance是為那些沒有銀行賬戶、有不良信用記錄的人解決貸款問題。
"我最初的靈感來自我的嫂子."梅裏爾向財新記者回憶，他的嫂子想貸款換壹對汽車輪胎，但銀行拒絕了，因為她沒有足夠的信用記錄。“後來，我借錢給她。如果我不借錢給她，她就得申請‘發薪日貸款’。”
美林的“發薪日貸款”是指發薪日前兩周申請的小額個人貸款。借款人只需提供收入證明或政府救濟，承諾發工資後還款。如果到期不能還清貸款本息，可以提出展期。然而，這種貸款的利率極高，每65，438+000美元的利息為65，438+05美元，年化利息高達400%。相比之下，信用卡年化率只有12%-30%。
近年來，尤其是金融危機後，華爾街和美國監管機構壹直將目光轉向“發薪日貸款”，這種被認為是高風險的貸款，卻屢禁不止。2065438+2004年6月5日，壹群借款人上訴美國監管機構，指出監管機構將這些借款人歸為“聲譽風險”是不公平的。根據訴訟內容，美國80多家prime銀行公司被監管部門勒令暫停與這些借款人的關系。
這些特殊的借款人也引起了主流人群的同情。美國人自發組織團體來促進沒有賬戶的人的金融包容性。
“ZestFinance的使命是為這些沒有銀行賬戶或不良信用記錄的借款人創建透明、公平的信用評分。”美林表示，通過成千上萬的數據變量，每個人都可以有壹個公平的信用評價。
此外，ZestFinance還有壹個重要的組成部分，即ZestCash貸款平臺。
ZestCash類似於小額貸款公司。其主要業務是向沒有銀行賬戶或有不良信用記錄的人提供小額貸款。zest cash 90%的貸款用於購買日常用品，如汽車維修和醫療保險。
美林表示，ZestFinance主要通過兩種方式幫助有不良信用記錄的人獲得貸款:壹種是直接從ZestCash提供貸款；壹種是讓使用ZestFinance評分系統的金融機構通過ZestFinance的評分結果向其發放貸款。“到目前為止，我們已經幫助超過6.5438億沒有銀行賬戶或不良信用記錄的美國人獲得貸款。”
值得壹提的是，ZestFinance並沒有導致高壞賬率，因為它的目標客戶是“風險群體”。美林表示，目前用ZestFinance獲得的貸款違約率比銀行的“發薪日貸款”低50%。“換句話說，借助ZestFinance算法，‘發薪日貸款’可以節省壹半的成本。”
競爭和風險
金融危機後，銀行信貸變得更加謹慎，而矽谷的it人則不斷嘗到金融蛋糕的甜頭。包括Prosper、Lending Club等P2P借貸平臺應運而生，ZestCash等小額貸款公司也蓬勃發展。包括Zebit、Avantcredit、Kreditech和DemystData在內的公司都很好地審視了銀行信貸的短板。這些公司的共同特點是利用大數據進行信用分析，大部分都有自己的網絡信貸平臺。
Zebit打造的Lending Stream點對點借貸平臺，4分鐘內即可獲得50-1500美元的半年期個人信用貸款。
Avantcredit的口號是“從這裏申請貸款不會影響妳的FICO信用評分”。公司也是自建信用體系，不同人的分數給的利率也不壹樣。
Kreditech位於德國漢堡。兩個自信的IT人用大數據分析來評估借款人還錢的概率。他們不要求客戶提供信用證明，可以在15分鐘內提供500歐以內的小額貸款。與ZestCash類似，Kreditech希望用戶提供盡可能多的信息，包括用戶的貸款申請是用iPad還是老式電腦發送的，輸入出錯的概率，使用取消鍵的頻率等。
上述公司都得到了風險投資家的青睞，比如9月份獲得900萬美元A輪投資的Kreditech2013，8月份獲得2000萬美元B輪投資的Avantcredit2013。
陳建認為，這類創新型公司和傳統的FICO與銀行信貸並不沖突，可以作為傳統市場的補充。
當然，這樣的公司也不是可以為所欲為的，也要受到美國的監管。其中，1975通過的《平等信貸機會法》規定，必須向所有信用可靠的申請人發放貸款，不分種族、宗教信仰、性別、婚姻狀況、年齡和其他個人特征。但隨著互聯網大數據的井噴，這些信息已經和社交網絡信息壹起被ZestFinance等公司納入變量計算。此外，由於所有信用數據的采集都必須經過我的許可，這種大量采集數據的方式也會面臨侵犯消費者隱私的風險。