“隨著催收流程越來越合規，風控壓力一下子向貸前環節傾斜不少。”一家金融科技平臺負責人向記者感慨說。
但他遇到的最大挑戰，卻是數據孤島問題遲遲得不到解決，嚴重制約了借款人信用評估準確。
所謂數據孤島，主要分成兩個方面，一是不同機構自主存儲維護海量數據卻沒有共享，造成數據資源大量浪費;二是即便部分機構平臺擁有大量數據，但不同來源數據在邏輯上相對孤立，造成溝通成本極高且影響信用評估效率。
為了破解數據孤島問題，這位金融科技平臺負責人曾尋找多家電商平臺開展數據合作，用于完善借款人信用評估準確性。但他發現，數據的“跨島合作”操作繁瑣緩慢，且不少共享信息數據缺乏實時性。
“這也是金融科技平臺貸款利率居高不下的原因之一，由于無法全面準確評估借款人實際信用狀況，不少平臺只能抬高貸款利率轉嫁潛在的壞賬風險。”他指出，這既增加了借款人財務成本，又使得金融科技平臺業務競爭力削弱不少。
記者多方了解到，相關部門注意到這個問題。除了發起百行征信匯聚各家金融科技平臺數據，完善個人金融信用評估準確性全面性之外，近年來地方政府正嘗試設立信息數據共享平臺，連接打通不同行業數據，通過金融科技等最新技術實現這些數據的互聯互通，從而為金融機構與企業提供更全面的個人企業信用評估信息，完善整個社會信用體系建設。
在多位金融科技平臺業內人士看來，不同于以往百行征信主要收集個人金融信用數據，平臺與電商平臺開展數據合作——連接打通單個行業與個人金融信用數據等操作模式，這些新的信息數據共享平臺最大特點就是整合不同行業數據，從而為個人信用狀況準確評估提供更廣泛的參考維度。
“不過，要讓各個行業留存的海量數據在社會信用體系建設方面發揮巨大作用，首先得解決數據流通和交換問題，其中除了技術問題，還會涉及不少法律問題，比如用戶隱私保護，數據授權等，這也是當前這些地方政府主導型信息數據共享平臺面臨的一大操作難題。”一位熟悉相關信息數據共享平臺運作模式的知情人士向記者透露。
在上海市社會信用促進中心主任傅春看來，當前金融科技可以有效解決上述問題。以區塊鏈技術為例，它具有不可篡改性與可溯源兩大特點，因此每個人可以通過區塊鏈技術看到自己的信用數據被哪些機構使用，主要使用在哪些領域，是否征得自己同意。
傅春指出，在社會信用推進過程里，這類信息數據共享平臺要發揮巨大作用，迫切需要建立的，是一個中間橋梁，即信用指導手冊，它相當于信用行業的交規，讓各個市場主體能以合乎規范的方式分享使用不同行業數據，只要這個問題得到妥善解決，未來金融機構將更快地開展一系列基于場景化、定制化、個性化的信用服務和信用產品，進一步完善社會信用體系建設。他指出。
數據孤島待解
多位金融科技平臺人士透露，面對數據孤島問題，多數金融科技平臺主要采取兩種方式嘗試解決：一是通過百行征信獲取更多黑名單數據完善自身反欺詐數據庫，從而提升對借款人信用狀況評估的準確性;二是與更多電商等場景服務平臺開展數據合作，獲取第三方數據完善自身智能風控模型建設。
上述金融科技平臺負責人對此指出，在實際操作過程中，上述做法效果未必理想。比如并不是所有金融科技平臺都向百行征信提供自身所有的黑名單數據，導致個人金融信用數據不全，影響平臺的風控效率;此外不少電商平臺所提供的數據存在較強的局限性，只有在特定消費場景下，這些數據才能發揮提升個人信用狀況評估準確性的作用，一旦脫離這些場景，相關數據的“價值”大打折扣。
一家國內大型金融科技平臺產品總監也坦言，他們曾針對不同消費場景搭建了不同消費信貸產品運營模型，如今這些產品落地遇到的最大短板，就是數據孤島問題，導致很多有價值的產品研發變成空中樓閣。因為這些產品運營模型背后的數據支撐都是模擬出來的，一旦投入實際使用未必“有效”。
在傅春看來，這也是相關部門推動不同行業數據分享交換，助力社會信用體系建設的主要原因之一。
“其實，不同行業之間的數據是存在交叉與互補的。通過將旅游行業、房產行業、金融行業、教育行業等數據進行流通交換，可以更準確全面地描繪個人、企業當前的信用狀況、經濟實力與未來消費需求等，從而助力各行業機構提升精準營銷與風險管理水準。”傅春指出。
記者多方了解到，在相關部門支持下，上海社會信用促進中心采取“政府+市場”的雙輪驅動模式，已聯合銀聯，螞蟻金服、萬達征信等不同行業平臺，匯聚眾多行業的數據。
在信用算力董事長兼CEO張建梁看來，要將不同行業數據連接打通并打破數據孤島問題，一個關鍵問題是能否找到合適的技術讓這些數據“物盡其用”。
“比如人工智能技術的核心在于海量豐富的數據，若數據孤島依然存在，將會很大程度限制人工智能技術使用效果。”他認為，整合不同行業數據的好處是盡早洞察到個人、小微企業資金運作風險的某些規律，幫助平臺提前做好風險防范。比如，德國中小企業在出現破產風波前兩年，企業經營現金流會迅速下滑，但中國中小企業在出現經營風險前兩年，其現金流反而不會很差，原因是中國中小企業很難從銀行拿到貸款，只能從民間或親戚朋友處借款，因此這類隱性借款很難在經營性現金流體現。但金融科技平臺若能匯總大量中小企業破產前發生的狀況，通過AI深度學習與大數據分析技術可以找出不少企業經營惡化跡象，從而及時做好貸后風險管理措施。
此外，不少個人借款額不高，導致還款違約的主要因素不是還款能力，而是還款意愿。因此金融科技平臺可以“交換分享”借款人在餐飲、旅游、購物消費、房貸等不同領域信用消費記錄，有效識別這類風險。
但記者多方了解到，要實現不同行業數據的交換流通，并非易事。當前整個信用行業依然缺乏不同行業數據交換流通的操作準則，導致平臺之間基于自身利益，不愿拿出所有數據進行“分享”，影響整個數據交換流通的“公平”效率。
傅春告訴記者，目前上海市社會信用促進中心已成立信用大數據聯合實驗室，實驗室主要從業務場景、社會應用、制度建設、產業發展等四個方面開展工作，對信用大數據應用產品建模、交易規則和定價等一系列相關問題進行探索、促進信用大數據新產品、新服務和新技術的研發。同時，實驗室也著手專門研究跨行業和領域的信用信息共享的相關標準。
銀行的努力
為了打破數據孤島對個人企業信用狀況評估準確性的制約，傳統銀行也在嘗試融合不同領域數據。
一位國有大型銀行零售業務部門主管向記者表示，當前銀行在研發針對小微企業與個人的消費貸款產品方面也遇到數據瓶頸。究其原因，銀行內部主要匯聚個人或企業的金融信息，對他們公共事業繳費、社交網站行為等數據缺乏了解，難以全面了解他們生活行為特征，導致消費信貸產品風險定價未必精準。
因此這些年他所在的銀行開始嘗試引入第三方數據，比如通過與第三方機構合作“獲取”企業納稅信息與公共事業繳費，從而判斷企業在貸款存續期間的經營狀況;近日他們還開展與政府相關部門合作，通過獲取企業員工的社保基金繳費數據，側面了解企業員工薪資水平漲跌，進而判斷企業的業務發展狀況好壞。
記者多方了解到，為了持續提升個人企業信用狀況評估準確性，部分銀行正與當地法院與公安機關展數據合作，將失信個人與企業等公開資料信息納入貸款風險評估模型，一旦貸款企業與這些失信人(或企業)存在業務往來，銀行風控模型將迅速提示潛在的貸款風險。
這位國有大型銀行零售業務部門主管坦言，盡管銀行積極嘗試引入不同領域行業數據，但當前被銀行采納的數據占比并不高。究其原因，一是銀行擔心數據來源的合規性，比如部分金融科技平臺利用爬蟲技術“采集”借款人大量個人隱私信息。但這些隱私信息需要個人授權才能使用，因此銀行擔心一旦個人問責，銀行也會受到牽連;二是數據局限性比較強，比如不少場景服務方所提供的數據僅限于特定的消費場景，一旦離開特定消費場景，其使用效果就大打折扣。
“這背后，也折射出銀行自身風控模型開發不足的短板。”他指出。要解決這個瓶頸，還需要銀行加大引入不同領域行業數據，在加大風控模型研發投入同時采取系統化操作方式持續壓低運營成本，從而塑造自身消費貸款業務核心競爭力。
“不過，即便融合大量不同行業領域數據，銀行風控模型能否見效，仍是未知數。”多位業內人士透露，這考驗著數據采集的質量。事實上，相比個人消費者的數據與用戶畫像相對容易獲取，不少小微企業數據往往難以連續有效，且無法通過現場調查了解企業真實的經營狀況，因此銀行要健全小微企業的大數據風控模型，除了引入員工社保基金繳費、企業水電費與企業繳稅等數據，還需要結合各個行業最新數據對行業發展前景進行研判，從而提前洞察不同地域不同行業潛在的經營風險，才能最大限度提升相關企業信用評估的準確性全面性。
