① 如何使用非財務類數據降低信貸風險
在全球范圍內，有大約50%的成年人還生活在一個沒有金融的世界中。他們無法享受到金融及各種信貸類服務帶給人們的便捷與福利。本文所提供的方法將幫助放貸人使用非財務類數據來評估那些傳統信貸無法覆蓋到的人群，在打開這片尚屬藍海市場的同時促進經濟發展。
在發展中市場，放貸人對於貸款人的信用評估往往是主觀的，低效的，並且昂貴的。一般而言，信貸員會家訪貸款人，並和他及他的鄰居進行訪談，從而來判斷是否可以放貸。徵信機構對於貸款人的數據覆蓋可能是不完整的，甚至是缺失的。這反映了一個事實，在這些市場中，金融機構僅掌握了很少或完全沒有眾多消費者的歷史信息。在這樣的環境中，放貸人只能將更多的精力放在對存量客戶的交叉銷售以及迎合那些擁有較完善徵信數據的客戶身上。（當然，這些人往往也更富裕。）其結果便是，那些沒有徵信記錄的客戶往往被排除在正規的信貸業務之外，或者不得不接受遠高於市場利率的貸款。可想而知，對於這些人中的大多數，由於承受不起高額的借貸成本，最終還是轉而向家人及好友借款。
被信貸機構拒之門外的問題在一些高收入的經濟體中也普遍存在，其原因也無外乎是徵信數據的缺失。甚至，在一些最發達的經濟實體中（參見圖1），徵信機構也僅掌握一部分人群的信息，而其餘部分人群的信息則乏善可陳，這些人群包括：無銀行賬戶人群，新進入勞動力市場人群（例如，畢業生），重返勞動力市場的家庭主婦，新移民或外籍人士。
這其中的根本問題在於，無論是在成熟市場還是發展中市場，放貸人對於貸款人的風險評估往往是極度依賴其財務類數據的表現。可是，對於世界上很多人而言，這些傳統的財務類數據又是嚴重缺失的。因此，這一切勢必成為了阻礙消費信貸及普惠金融的絆腳石。
然而，一些替代傳統信貸風險管理的措施正在不斷涌現。例如，預付費手機的相關信息，心理測試數據，社交媒體活動信息和電商行為數據。這些數據的引入為風險評估注入了新的活力。與此同時，本文將基於這些數據介紹四種不同的評估方式來加以說明。
1）預付費手機信息：
據估計，25億無法享受金融服務的人群中有16億人擁有手機，而這其中絕大多數都是預付費用戶。一些風險管控服務提供商（例如Cignifi,FirstAccess，MasterCardAdvisors等）已經針對這部分人群開發了相應的風控模型，根據這些模型顯示預付費用戶的付費情況，通話，上網及其他使用情況能夠在一定程度上預測貸款人的還款意願及還款能力（參見圖2）。針對一個人幾個月的手機使用情況數據便能提供足夠的樣本量來進行建模計算。
舉例來說，發起呼叫的數量（而不是接收呼叫的數量）較多以及通話時長較長這兩個維度對於信用度的評估是有正相關性的。相反，在一些模型中，如果在工作時段接聽較多的電話或者所通話的朋友圈相對較小，則是低信用客戶的特徵。
因此，基於預付費手機相關數據的風控建模可以極大的幫助一些缺乏徵信數據的發展中市場實現普惠金融的健康成長。
2）心理測試：
心理測試是指利用問卷調查來衡量被測試者的知識，能力，生活態度和個性特徵。通過被測試人對於一系列問題或測驗的反饋，像VisualDNA，EFL這樣的公司便能夠預測其還款意願等風險因素。與此同時，這些結果還能生成一個個人信用風險評分並供貸款人在放貸時參考使用（參見圖3）。
例如，某些問題通過衡量對貸款申請人的印象以及貸款人與他人的關系來深入了解其誠信情況及還款可能性。同樣，衡量貸款申請人在不利情況下的邏輯思考能力能夠幫助放貸人更好的評估一旦貸款申請人的財務狀況發生惡化時會做出如何反應。
心理測試在一些國家已經被廣泛用於信用評分（參見圖4）。這種技術最適合於那些存在大量個人徵信數據但其數據嚴重不全，同時互聯網已經高度普及的市場。
3）社交數據：
通常而言，社交媒體使用情況以及其他線上行為可以被統稱為「社交數據」。對於像Lenddo，DemystData和Kreditech這樣的公司而言，社交媒體擁有大量的數據金礦（參見圖5）。
這些解決方案提供商使用超過100個信息來源（公共渠道或私人渠道）所提供的社交數據來建立風控模型。他們發現，對於線上數據的分析有助於評估某個人的身份特點，收入水平及就業狀況。解決方案提供商通常會將從多個渠道得來的數據進行交叉匹配，並將其結果與貸款人在申請時所登記的信息進行比對，從而給出評估結果。
在一些模型中，貸款申請人在互聯網上採用何種習慣進行貸款申請往往能夠顯示出其信用指標。對於那些仔細閱讀貸款申請說明，並在家中完成貸款線上申請的用戶會被認為擁有更低的信用風險。此外，在申請貸款時採用全部大寫或全部小寫字體進行填寫的用戶會被認為有更高的信用風險。同樣的，如果貸款申請人是網上的」紅人」，例如是微博大號，論壇版主等則可以提升其信用評分。
基於「社交數據」的風險建模適用於評估高收入市場中徵信數據不全的個體，或者用於對相對不發達市場中的中產階級進行評估。
4）電商行為：
批發商及電商提供的支付相關數據有益於評估小微企業及企業主的信用狀況。阿里金融是一家專門為中國的中小企業提供貸款服務的公司。它通過在阿里巴巴網站上進行電商交易的小微企業的流水情況來評估該公司的信用狀況。阿里金融可以接受貸款申請企業將未到期的應收票據作為抵押物來進行放貸，並且其公布的壞賬率低於1%。
另一個不同的例子是Kabbage，這是一家向美國及英國中小企業提供貸款的公司。它使用信用評分模型數據來自於亞馬遜，UPS和Intuit。用於評分的數據可能包括貸款申請企業的銷售量和出貨量，甚至是客戶對其產品的反饋評級。
介紹完了上面幾個案例以後，那麼問題來了，如何建立有效的戰略從而更好發揮非財務類數據在風控領域的應用呢？
任何放貸人如果想要使用非財務類數據進行風險評分，那麼首先需要找一個在使用非財務類數據進行風控建模方面有一定經驗積累的解決方案提供商。一個有效的戰略將至少包含如下幾個步驟：
1）確定市場需要的數據源：
正如在上述案例中所提及的，心理測試和社交數據更適用於互聯網普及率較高的市場。
2）建立和完善風控模型：
在樣本量較小的情況下，需要構建以規則為基礎的風控策略。通過將擁有財務類數據樣本人群的風險建模結果與採用手機數據，水電費數據，線上行為數據等其他數據的風險建模結果進行交叉驗證可得，非財務類數據的有效性還是比較理想的。而根據這些樣本訓練出的模型又可以被應用到更為廣泛的人群中去。
3）確保數據穩定性：
在一些市場中，接入有效的第三方數據源是具有一定門檻的。對某些移動運營商而言，他們缺乏動力去為了實現風控建模的需要而對現有網路進行改造，例如DPI匯聚，安全把控及數據清洗等大量基礎性的工作。