編輯指南：您可能在支付產(chǎn)品中見過3354芝麻的信用。這是衡量我們信用度的一大指標(biāo)。(大衛(wèi)亞設(shè))。

那么，為什么要做這樣一款產(chǎn)品以及它是如何評(píng)估我們的信用的。本文對(duì)芝麻信用進(jìn)行了詳細(xì)的介紹，一起來看看芝麻信用是怎么做的吧。

上周五在電腦里翻到一個(gè)文檔，是芝麻信用的產(chǎn)品介紹。我不知道是從哪來的，也無法輕易搜到同一份文檔。但既然是產(chǎn)品介紹，就權(quán)當(dāng)這是公開文件，作為一個(gè)外行，聊聊。

我顯然沒做過芝麻信用分，甚至我都沒有調(diào)研過，但我是做過同類產(chǎn)品的。這樣一款信用產(chǎn)品，與那些消金信貸公司的A卡B卡是有很多不同的。這個(gè)行業(yè)里多了很多懂?dāng)?shù)據(jù)懂算法的人，但沒幾個(gè)懂信用懂風(fēng)控的人。因而，我覺得這份不同，還是值得小書一下。

主要是揭秘下芝麻信用分是怎么做的，說是揭秘，但因?yàn)槲也⒉皇悄缓蟛俦P手，更準(zhǔn)確的說法是推測(cè)，也可能只是臆斷。

另外，花唄接入央行征信系統(tǒng)，我們這些消費(fèi)者在使用這類產(chǎn)品時(shí)要不要另作考慮，也會(huì)說一說。

關(guān)于芝麻分，官網(wǎng)有一段介紹如下：

芝麻分是由獨(dú)立第三方信用評(píng)估機(jī)構(gòu)-芝麻信用管理有限公司，在用戶授權(quán)的情況下，依據(jù)用戶在互聯(lián)網(wǎng)上的各類消費(fèi)及行為數(shù)據(jù)，結(jié)合互聯(lián)網(wǎng)金融借貸信息，運(yùn)用云計(jì)算及機(jī)器學(xué)習(xí)等技術(shù)，通過邏輯回歸、決策樹、隨機(jī)森林等模型算法，對(duì)各維度數(shù)據(jù)進(jìn)行綜合處理和評(píng)估，在用戶信用歷史、行為偏好、履約能力、身份特質(zhì)、人脈關(guān)系五個(gè)維度客觀呈現(xiàn)個(gè)人信用狀況的綜合分值。芝麻分的分值范圍為350至950，分值越高代表信用越好，相應(yīng)違約率相對(duì)較低，較高的芝麻分可以幫助用戶獲得更高效、更優(yōu)質(zhì)的服務(wù)。

01

信用衡量的就是先享后付的能力，那就是要讓該享受服務(wù)的人能享受到服務(wù)。一個(gè)該一個(gè)能。該的人不能，不該的人能，是要解決的關(guān)鍵問題。

想清楚兩件事情，你就知道怎么做這樣一款產(chǎn)品了。

一是，哪些信息能衡量一個(gè)人的信用？

兩個(gè)維度，一是能力，二是意愿。能力取決于你的收支情況，以及保持收支平衡的穩(wěn)定性的水平。所以，你的就業(yè)、你的收入、你的消費(fèi)很重要，不僅在于當(dāng)前是什么水平，還在于它是不是穩(wěn)定的。如果你四海為家，如果你黃賭毒，都是穩(wěn)定性上的負(fù)面。

意愿的衡量本質(zhì)在于違約的成本，這一定程度上和收支相關(guān)，但并不相同，因?yàn)閿?shù)字化時(shí)代法律約束變?nèi)趿?，更靠的是道德約束。這時(shí)候，意愿的刻畫就很困難，但意愿體現(xiàn)在你的信用歷史中。

一個(gè)月入十萬的人找你借一萬塊錢，和一個(gè)每次借錢下個(gè)月都及時(shí)還錢的人找你借錢，你更愿意借給誰呢？

不管你去搜集哪些數(shù)據(jù)，它們都是刻畫這兩個(gè)指標(biāo)的工具。

二是，做信用產(chǎn)品的根本目的是什么？

顯然，做產(chǎn)品的目的是希望它能被用的盡可能多，但用的盡可能多一定是效果盡可能好嗎？

答案是否定的。

企業(yè)做信用評(píng)分，討好的是用戶，但付費(fèi)的是需要查詢?cè)u(píng)分的商戶。討好的是用戶是說，你要關(guān)注幾乎所有用戶的幾乎所有方面的需求，不能僅僅是大部分用戶的大部分需求，否則客訴可能讓你的產(chǎn)品活不下去。企業(yè)要考慮面向用戶可解釋，商戶不需要。

付費(fèi)的是商戶意味著，企業(yè)需要的是商戶調(diào)用的越來越多，不是當(dāng)前足夠多，是長(zhǎng)期足夠多，而商戶需要的是效果好，效果好就更精準(zhǔn)，長(zhǎng)期反而不會(huì)更多。兩者的利益是不完全對(duì)等的。

這意味著，構(gòu)建這樣的模型時(shí)要根據(jù)經(jīng)驗(yàn)挑選覆蓋各個(gè)維度的變量，并使其保持絕對(duì)的可解釋性，而不光是選擇區(qū)分度高的變量。前者是芝麻信用這種產(chǎn)品的視角，后者是A/B/C/F卡的視角。

你說企業(yè)內(nèi)部也要用啊，不需要效果盡可能好才更好嗎？

企業(yè)又不是只用這一個(gè)工具。

02

我們來重點(diǎn)聊一聊芝麻信用的數(shù)據(jù)變量。

這個(gè)數(shù)據(jù)變量服務(wù)總共包含 65 個(gè)變量，按照芝麻信用評(píng)分維度（一級(jí)分類）和 DAS 變量類別（二級(jí)分類）分類如下：

如前所述，相信你對(duì)這五大維度一點(diǎn)也不吃驚。身份特質(zhì)、履約能力體現(xiàn)了“收”，行為特質(zhì)體現(xiàn)了“支”，信用歷史體現(xiàn)了意愿，人脈關(guān)系也體現(xiàn)了違約的成本項(xiàng)。

圖中變量數(shù)量，基本就體現(xiàn)了這些類別的重要程度。信用歷史往往是最重要的，其次是履約能力。

同樣的一萬塊錢，借給一個(gè)每次借錢下個(gè)月都及時(shí)還錢的人，比借給一個(gè)月入十萬的人靠譜的多。

這 65 個(gè)變量進(jìn)一步拆分為 8 個(gè)核心變量和 57 個(gè)基礎(chǔ)變量。

這些變量的分段邏輯，按文檔的說法是，綜合考慮 DAS 變量在全量芝麻用戶上的數(shù)值分布對(duì)好壞用戶的區(qū)分度將其進(jìn)行分段，最多分十五段。分段序號(hào) 01-15 代表變量數(shù)值由小到大的排列順序。

我們?cè)敿?xì)看一看這8個(gè)核心變量，57個(gè)基礎(chǔ)變量匯總放在后面。

在身份特質(zhì)項(xiàng)中，更核心的變量竟然是穩(wěn)定性指標(biāo)，而不是行職業(yè)信息。一方面是因?yàn)?，行職業(yè)信息一般很難準(zhǔn)確獲?。涣硪环矫?，所在公司、所做職業(yè)是需要分類到大類上的，這類信息在住房按揭這種長(zhǎng)期貸款中很重要，對(duì)短期借貸沒有直接作用關(guān)系。不管是消費(fèi)信貸，還是信用生活，還款能力的刻畫完全不需要上升到行職業(yè)，反而穩(wěn)定性指標(biāo)更為重要。

第三方支付的核心在于深度和廣度，支付業(yè)務(wù)要看廣度，對(duì)應(yīng)的當(dāng)然要看用戶使用第三方支付的廣度。行為特質(zhì)中，支付活躍場(chǎng)景數(shù)就很好的體現(xiàn)了這個(gè)廣度。而支付金額和資產(chǎn)等維度在下面的履約能力中體現(xiàn)。

履約能力選取了一個(gè)資產(chǎn)一個(gè)支出一個(gè)消費(fèi)層次。資產(chǎn)和支出不必說，消費(fèi)層次意義在于，只消費(fèi)生活必須品，和對(duì)精神物品有強(qiáng)烈需求的，代表了不同的層級(jí)。

信用歷史中更為關(guān)注信用還款，而非逾期，我推測(cè)原因有二，一是還款類的信息豐富度會(huì)高很多，二是正面信息在面向用戶可見的產(chǎn)品上更為友好，它既能一定程度上起到和負(fù)面信息類似的效果，在相對(duì)關(guān)系上負(fù)面降分和正面增分區(qū)別不大，還能激勵(lì)用戶更高頻高額地借還。

剩余 47 個(gè)基礎(chǔ)變量，我整理如下。

上述變量除了選取的指標(biāo)值得學(xué)習(xí)外，時(shí)間窗口也很值得注意。另外，顯而易見，這些變量很多都是相關(guān)的，它們都會(huì)被用在芝麻分里面嗎？它們?cè)趺淳C合得到一個(gè)芝麻信用分呢？

當(dāng)然是通過權(quán)重進(jìn)行組合。

權(quán)重如何得到？

“綜合考慮 DAS 變量在全量芝麻用戶上的數(shù)值分布對(duì)好壞用戶的區(qū)分度將其進(jìn)行分段”，既然變量的分組是參考了好壞用戶的區(qū)分度的，專業(yè)名詞就是WOE，那變量的組合當(dāng)然是對(duì)好壞用戶進(jìn)行建模得到。

但是，這些變量，高度相關(guān)的變量，是會(huì)被評(píng)分卡篩選掉的。有效的模型不可能用到了其中所有的變量，即使有，我推測(cè)，很多變量也是人為地被賦予了無關(guān)痛癢的權(quán)重。

請(qǐng)注意，這是 DAS 變量數(shù)據(jù)服務(wù)文檔，并未稱作芝麻信用分產(chǎn)品介紹。我推測(cè)芝麻信用分的關(guān)鍵在那8個(gè)核心變量，我說的是關(guān)鍵，并不是說完全不用那57基礎(chǔ)變量。

另外，芝麻分作為面向用戶的產(chǎn)品，還兼有營(yíng)銷激勵(lì)的功能，最終的芝麻分除模型計(jì)算外，應(yīng)該還有其他環(huán)節(jié)的增減分設(shè)置。

03

花唄將全面接入央行征信系統(tǒng)，用戶使用花唄需不需要擔(dān)心哪些問題呢？

征信關(guān)乎個(gè)人信用，花唄是當(dāng)代人超前消費(fèi)的好助手，當(dāng)它倆一拍即合，消費(fèi)者應(yīng)怎么考慮？

我不說責(zé)任和義務(wù)，也覺得有必要說幾句。

現(xiàn)在大概央行收錄的自然人11億，其中有信貸數(shù)據(jù)的應(yīng)該不到一半，我們消金業(yè)務(wù)發(fā)起申請(qǐng)查得率稍高一些，60%左右。也就是說，絕大多數(shù)人的征信數(shù)據(jù)信息是比較少的，就是那些簡(jiǎn)單的身份信息，沒有金融信用數(shù)據(jù)。

傳統(tǒng)的信用評(píng)估模型是根據(jù)一個(gè)人的借貸歷史和還款表現(xiàn)，通過邏輯回歸的方式來判斷這個(gè)人的信用情況?，F(xiàn)在越來越興起大數(shù)據(jù)模型，它的數(shù)據(jù)源就十分廣泛，包括電商、社交、搜索瀏覽等行為都產(chǎn)生了大量的數(shù)據(jù)。

所以，顯然，花唄接入央行征信，對(duì)各大平臺(tái)來說好處很大，因?yàn)橛脩舻男庞酶帽辉u(píng)估了，那對(duì)用戶來說呢，是不是就不好呢？

不是的，對(duì)用戶來說其實(shí)影響不大，但要注意養(yǎng)成按時(shí)還款的習(xí)慣。

花唄對(duì)征信的補(bǔ)充，主要就影響了兩點(diǎn)，借貸次數(shù)多了，逾期信息多了。

風(fēng)控策略呢，也就是信用評(píng)估，借貸次數(shù)多了影響不大，次數(shù)再多也只算一個(gè)機(jī)構(gòu)，一般不會(huì)認(rèn)為這是壞行為，主要是逾期，逾期這種負(fù)面行為容易被風(fēng)控拒絕，偶然性的逾期其實(shí)也不至于太壞。銀行信審有個(gè)說法，稱為“連3累6”，即連續(xù)出現(xiàn)三個(gè)月逾期，兩年內(nèi)共計(jì)六次逾期，這種屬于嚴(yán)重的違約行為。但最好別逾期。

所以，可以照常用，養(yǎng)成按時(shí)還款的習(xí)慣基本就妥了。

我先是消費(fèi)者，再是消金行業(yè)從業(yè)人員，我的立場(chǎng)始終是消費(fèi)者。我說這話的一個(gè)依據(jù)是，對(duì)于《個(gè)人信息保護(hù)法》的出臺(tái)，我第一感覺是這是好的，而不是這很糟糕。

04

還是要聲明，上述說的很多事情，我并沒有取證，甚至懶得找螞蟻的朋友確認(rèn)，我們有時(shí)候關(guān)注如何做一件事的原理和本質(zhì)就夠了，至于一個(gè)實(shí)例的所有detail，其實(shí)并沒有太多價(jià)值去研究。就像，一個(gè)結(jié)構(gòu)工程師蓋房子，也實(shí)在沒必要一定要知道建筑立面要做哪些裝飾，這可能只是某些人的要求而已。

另外，我在這篇文章中，提到過這幾款信用評(píng)分，包括芝麻信用分、微信支付分和小白守約分。下面的說法來自那篇文章。

無論是天貓?zhí)詫毦〇|的消費(fèi)還是花唄白條支付的海量交易數(shù)據(jù)，都可以用來評(píng)價(jià)個(gè)人的還款能力和意愿。結(jié)合著馬斯洛需求理論，也就是生理、安全、情感、尊重、自我實(shí)現(xiàn)依次升級(jí)，越能體現(xiàn)高級(jí)需求的數(shù)據(jù)越可以給更高的權(quán)重。也就是說重要的不是單次購買行為，而是消費(fèi)習(xí)慣。

而那些店鋪商家，平臺(tái)有他們所有的交易、資金、物流信息，都可以用來作為金融服務(wù)的依據(jù)。

你掌握了一個(gè)人的人際關(guān)系，就掌握了這個(gè)人。社交關(guān)系鏈，不僅可以用來評(píng)估信用，還能直接作為質(zhì)押物，因?yàn)槊總€(gè)人都在乎它，而且很在乎。

我在知乎搜這個(gè)話題時(shí)，發(fā)現(xiàn)有不少問題在問如何提高芝麻分。也說一句。

如果你想要提升分?jǐn)?shù)，就考慮下那些核心變量吧。另外值得注意的是，這些變量都是時(shí)間窗口的，并且是分段的，你的行為會(huì)被攤平到一段時(shí)間內(nèi)，并且需要分段后跳檔才能對(duì)結(jié)果產(chǎn)生影響。這給提升分?jǐn)?shù)帶來了難度，也是防止指標(biāo)造假的科學(xué)手段。

本文由@雷帥 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議