中国征信行业存在的问题

第一，法律环境有待完善；

完善的法律体系可以为征信行业的蓬勃发展保驾护航。我国现行征信行业法律体系主要包括2013年国务院下发的《征信业管理条例》和《征信机构管理办法》，以及为进一步明确征信机构的运行规范，由央行于2015年下发的《征信机构监管指引》。相比欧美成熟市场，我国征信行业立法还不够健全，处于初期探索阶段，仅为行政法规或部门规章，两者的法律效力较低。并且，当前我国还没有在数据采集以及个人隐私方面建立健全法律体系，导致征信行业在个性化数据采集方面，面临隐私保护困扰。

第二，覆盖人群有待增加；

社会对征信信息需求巨大，而征信系统收录不全，政府主导的征信体系难以完全满足金融市场运行的需要。美国对企业和个人的信用信息的覆盖率高达80%，即便如此，美国的征信机构仍然在持续投资开发独家的数据源，通过对新数据的分析，提升数据库的深度、广度和质量，为征信提供了坚实的基础。而根据我国央行征信系统的统计，截至2015年末，个人征信系统收录8.8亿自然人数，其中3.8亿人有信贷记录，5亿人只有简单的身份信息，另有5亿多人不在央行征信系统内。实际上，消费金融公司的目标客户群主要集中于中低阶层消费群体，这类群体以年轻人为主，比如刚参加工作不久的上班族，以及收入不高的群体等。而这部分真正需要消费金融服务的用户群体，恰恰在我国央行征信系统中缺乏个人信贷记录。

第三，市场渗透率有待提升；

艾瑞咨询数据显示，中国个人征信行业的市场渗透率总体维持在 9%左右，2015年中国个人征信行业潜在市场规模为1,623.6亿元，实际市场规模只有 151.4亿元。随着个人消费和交易习惯的改变，征信的应用场景不断增加。除了信贷、信用卡消费外，租房、租车、购物、签证等非金融领域也对个人征信信息提出需求，市场渗透率有待进一步提升。

第四，数据采集标准有待统一；

数据采集是征信的基础，为此，美国全国信用管理协会制定了标准的数据报告格式和标准数据采集格式，将信用数据标准化，便于征信数据在机构间***享。然而，国内各类数据缺乏有效的***享机制，导致数据孤岛问题严重，而且现有数据同质化严重，多为公开渠道可获取的数据，缺失个性化独家数据源。与此同时，各类数据参差不齐，缺乏统一的标准，直接影响征信报告的质量。

第五，数据分析能力有待提高。

数据分析能力直接决定征信服务的质量，因此，数据分析是征信企业将信用数据转化为征信产品的关键环节。美国的数据分析技术起步很早，早在1956年就推出了FICO评分系统，经过半个多世纪的不断改进，应用已十分广泛。目前包括Experian、Equifax和TransUnion在内的90%以上大型征信机构均采用FICO评分系统。2009年，美国ZestFinance公司将信用分数过低或缺乏信用记录造成借贷成本畸高的人群（FICO分500以下）作为服务对象，在信用评估分析中融合了多源数据，引入机器学习的预测模型和集成学习的策略，进行大数据挖掘。ZestFinance的核心竞争力在于数据挖掘能力和模型开发能力。据了解，在其模型中，往往要用到3500个数据项，从中提取70,000个变量，利用10个预测分析模型，如欺诈模型、身份验证模型、预付能力模型、还款能力模型、还款意愿模型以及稳定性模型，进行深度学习，并得到最终的消费者信用评分。每个模型平均半年就会诞生一个新版本，替代旧的版本。新版本通常会加入更多的变量和数据源。ZestFinance采用的算法来自Google的大数据模型。此外还有数千种来源于第三方（如电话账单等）和借贷者的原始数据被录入系统，寻找数据间的关联性并对数据进行转换，在关联性的基础上将变量重新整合成较大的测量指标，最后把这些较大的变量输入到不同的数据分析模型中，将每一个模型输出的结论按照模型投票的原则形成最终的信用分数。与传统信贷管理业务相比，ZestFinance的处理效率提高了将近90%，风险控制方面，ZestFinance的模型相比于传统信用评估模型性能提高了40%。反观国内征信行业，数据分析刚刚起步，数据分析的效率和精准度有待进一步提高