互金和銀行，金融兩個領地，產品、客群，都有很大的不同，很多朋友跟我反饋說互金的人其實都不懂金融。不可否認，互金最近些年可說是彎道超車，但在某些領域卻車禍連連。今天就單單談談互金跟銀行的數據的邏輯，我們從指標談起，然後再說說互金和銀行在數據方面的區別在哪？
要說互金跟銀行的不同的地方，先得從最近接觸到的一份五級分類表說起來，然後再說說欺詐的指標的區別；最後再講講銀行跟互金在數據方面的區別。
五級分類
目前國內多數銀行、互金根據金融辦的相關要求，對資產逾期情況的分類——具體的資產的五級分類如下：
正常情況下，關於以上分類，銀行機構跟互金雖然都是按照金融辦的要求的分類方法，但執行起來卻有所不同，比如對於大部分的互金來講dpd90+已經是壞賬的階段了，但是對於銀行而言仍然是不良（銀行對於壞賬的定義一般都是180+）
除了以上的不同，另外筆者在做反欺詐項目的時候也發現在欺詐領域，互金跟銀行上的定義也不一樣。
欺詐指標
在銀行裡，欺詐一般都是基於業務經驗的判斷的場景和專家定義。以信用卡的為例，欺詐的定義一般都是卡是否有被盜刷，或者信用卡是被冒用等場景。而在互金裡，因為客戶群數量實在太大，專家定義效率太慢，我們需要能量化成統計的指標，所以我們引進了首逾7天或者首逾30天這樣的指標。
我們分析首逾7天和首逾30天，直接滾動到壞賬的比例非常高，所以在互金中，這兩類指標也是非常好用、常用的統計指標。但就這個常用的指標，其實跟很多銀行從業很久的同學交流的時候，很多人也不知道有這類指標存在。
以上統計指標跟方法的差異，對互金跟銀行兩者的業態來講還只是冰上一角，以下再跟各位讀者談談互金跟銀行的數據方面的差異。
銀行
相對於互金，銀行的各類產品、管理體制無疑是最成熟了，畢竟經過了幾百年的發展，銀行已經形成了一套非常科學與標準化的體系，而互金也只是憑著著互聯網+金融的概念，在最近些年彎道超車，實現了各種飛躍。
曾幾何時，互金要昇天，銀行消滅論的聲音在好幾年前是時起彼浮。君不見，當時互金最瘋狂的時候，也正是P2P一路高歌的時候邁進的時候，一棟金融大廈一天就能冒出來幾十個做P2P的公司，層出不窮。當然P2P從銀行挖人的新聞，也誘惑著銀行業的從業者屢屢下海。
現在看來，很多金融創新都是需要經過市場考驗的。這一兩年，銀行老大哥的實力因為非銀相關的產品的暴雷，而再一次受到廣大從業者的青睞。
金融是嚴謹的。銀行沉澱了幾百年的的市場考量就告訴我們這樣的定律。金融就是金融，金融還是最原始的跟最基礎的邏輯。什麼是最原始的邏輯，具體拿信貸而言，判斷一個人有沒有還款能力，最好的仍是查看他的歷史的信貸的表現。
這裡就不得不得提一下，目前在金融業裡，用得最多的fico評分。FICO(Fair Isaac Company) 信用分是由美國個人消費信用評估公司開發出的一種個人信用評級法。為什麼金融銀行業喜歡英fico的評分，因為FICO 評分模型主要就是圍繞個人的歷史借貸行為等徵信類信息展開的。
它基本包括了我剛才說到的金融嚴謹的數據性的問題。
看看fico評分的數據組成就知道了。它包括付款歷史 ( 佔比 35% 左右，包括各類信用 / 貸款賬戶的還款記錄，公開記錄即支票存款記錄，逾期償還情況等 )、未嘗債務 ( 佔比約 30%，包括仍需償還的信用賬戶總數，信用賬戶餘額，總額度使用率等 )、信貸時長 ( 佔比約 15%，信貸賬戶的賬齡 )、新開立信用賬戶 ( 佔比 10%，包括新開立信用賬戶數，新開裡賬戶賬齡，正在申請的信用賬戶數量，查詢查詢記錄等 )，正在使用的信貸組合 ( 佔比 10% 左右，包括信用卡賬戶、零售賬戶、分期付款賬戶、抵押貸款賬戶等混合使用情況 )。
目前fico評分而言其分值在 300-850之間，信用分低於 600 分， 借款人違約的比例是 1/8， 信用分介於 700 ～ 800 分，違約率為 1/123，信用分高於 800 分，違約率為 1/1292。一般認為， FICO 分高於 680 分，就屬於信用卓著的用戶了 ; 而若低於 620 分， 則很可能被拒貸， 或被要求增加擔保或抵質押。
銀行所有能獲取到相關金融邏輯的前提都是基於銀行到底有多少自己的數據能參考，比如對於一個在工商銀行的客戶，他的所有的信息因為在工商銀行能參考到，所以他在工商銀行就能判斷這個客戶的資產情況如何，是否有錢，是否有支付期他所申請的房貸或者車貸。
但也因為金融也是嚴謹的，所以導致了銀行也有一些致命缺點，就是每家銀行間的數據是割裂的。工商銀行能判斷本行客戶的情況，但是無法判斷在中國銀行的客戶的情況，很有可能客戶A在工商能申請到貸款，但是在A在建設卻一分錢貸款都無法申請。所以在我們申請房貸跟車貸的時候，往往需要提供不同銀行間的流水清單證明自己的信用能力。
雖然目前銀行間有共享的徵信數據能接入，但是對比國內龐大的用戶人群，目前徵信數據佔有的程度仍然不高。還有8億多的人沒有徵信數據。對於這類下沉的客戶，一樣有信貸需求，這時互金也就進場了。
互金
互金行業，因為目前無法從金融的角度去判斷客戶的金融屬性，沒有相關的歷史交易數據，所以互金行業的判斷往往的標籤都是帶有客戶行為的數據。具體點就是客戶瀏覽某個網頁端的時間，安裝某些APP的數據情況，查詢或者申請某些多頭的數量，所以這裡就有很多跟客戶金融非相關的數據在使用了。
目前幾家做得非常大的阿里、京東，因為自有的數據非常非常龐大，整條生態圈上的數據除了自用也已經能成熟向外提供徵信數據產品供外部使用了。事實證明，基於自己的客戶行為所產生的客戶的行為所產生的金融屬性也非常良好，當然這中間經過非常多的數據的驗證。
分析過芝麻信用評分的，就知道對於芝麻評分中有個客戶購買商品類型的字段，凡是客戶有購買大型傢俱，比如像床和沙發這樣的商品，抑或是客戶頻繁購買母嬰類用品的用戶，其得分也會相對高很多。這背後的邏輯，芝麻信用的邏輯雖然沒有公開，但是我們作為從業人員也能瞭解到大型傢俱的購買證明客戶的偏向有固定的住所，這在金融屬性中對於著固定工作單位或者有穩定的居住環境；而母嬰用品相對比也偏向了客戶有穩定的家庭關係，類比金融屬性也是已婚的人群比未婚的人群的評分也更高。
以上提到的幾家大的數據公司有自己龐大的數據體量，能有非常好的數據可以做驗證，但是相比其他的互金公司，更多的仍是不斷加入接入非常多的外部數據源來加強自己金融數據產品的缺失。當然對於更多的這類客戶行為的數據，目前業內都是以觀察為主，並選擇合適自己的數據源。
結語
銀行業也一直在加大徵信數據的普及和推廣，但相對目前整體的環境來說，普及徵信的活躍率，相對互聯網病毒式的拓展速度來講，速度仍是太慢了。
所以在目前發展的形勢下，該怎麼用其他的數據去補充自身數據的體量的不足，也成為銀行非常需要解決的痛點。但很明顯的是，對於互金的頭部公司而言不可能共享這類數據。
但從目前發展的態勢而言，銀行也在思變進取，也在接入其他各類數據源，銀行在不斷做一些嘗試。所以筆者也非常期待，在徵信尚未普及的未來，銀行能利用自身的優勢，結合著一些相當不錯的外部數據源提供更多的符合客群的產品。
本篇文章裡提到的關於芝麻信用評分的資料，雖然很多同學都在知識星球上看過，不過細細研讀幾篇，每次都能有些許收穫，有興趣的同學請到知識星球上圍觀，謝謝。
閱讀更多 番茄風控大數據 的文章
