중국 신용 정보 산업의 문제점
완벽한 법률 제도는 징신업의 왕성한 발전을 위해 호위할 수 있다. 우리나라의 현행 징신업 법률제도는 주로 국무원 20 13 이 발표한' 징신업 관리조례' 와' 징신기관 관리방법' 과 중앙은행 20 15 가 발표한' 징신기관 감독지침' 을 포함해 징신기관의 운영규범을 더욱 명확하게 한다. 구미 성숙 시장과 비교해 볼 때, 우리나라의 징신업에 대한 입법은 아직 완벽하지 못하여 예비 탐사 단계에 있다. 행정 법규나 부서 규정일 뿐, 둘 다 법적 효력이 낮다. 그리고 현재 우리나라는 데이터 수집과 개인 프라이버시 방면에서 아직 완벽한 법률체계를 확립하지 못하고 있어, 징신업계의 개인화된 데이터 수집에서 프라이버시 보호 문제를 야기하고 있다.
둘째, 커버 군중을 늘려야 한다;
사회에 대한 징신 수요가 어마하고, 징신 체계가 미비하여 정부가 주도하는 징신 체계는 금융시장 운영의 수요를 완전히 만족시키기 어렵다. 미국 기업과 개인의 신용 정보 커버율은 80% 에 달한다. 그럼에도 불구하고, 미국 신용보고기관은 독점 데이터 출처 개발에 계속 투자하고 있다. 새로운 데이터에 대한 분석을 통해 데이터베이스의 깊이, 폭, 품질이 향상되었으며, 신용 정보를 위한 견고한 기반을 제공합니다. 중국 중앙은행 징신 시스템 통계에 따르면 20 15 년 말 현재 개인징신 시스템에는 자연인 8 억 8000 만 명, 신용기록이 있는 3 억 8000 만 명, 간단한 신분정보가 있는 5 억 명, 5 억 명이 넘는 사람들이 중앙은행 징신 시스템에 포함되지 않았다. 소비금융회사의 대상 고객은 주로 중저급 소비집단으로, 젊은 사람들을 위주로 한다. 예를 들어 막 입사한 직장인과 같이 수입이 높지 않은 집단이다. 소비자 금융 서비스를 진정으로 필요로 하는 이 사용자들은 바로 중국 중앙은행 징신 시스템에 개인 신용 기록이 결여된 것이다. (윌리엄 셰익스피어, 윈스턴, 소비금융, 소비금융, 소비금융, 소비금융, 소비금융)
셋째, 시장 침투율을 개선해야한다.
에리컨설팅에 따르면 중국 개인징신업계의 시장 침투율은 보편적으로 9% 안팎으로 유지되고 있다. 20 15 년 중국 개인정보업계의 잠재 시장 규모는 16236 억원이지만 실제 시장 규모는 15 140 억원에 불과하다. 개인 소비와 거래 습관이 변화함에 따라 징신의 응용 장면이 갈수록 많아지고 있다. 신용대출과 신용카드 소비 외에도 임대, 렌터카, 쇼핑, 비자 등 비금융 분야도 개인 징문에 대한 수요가 있어 시장 보급률이 더욱 높아져야 한다.
넷째, 데이터 수집 표준은 통일이 필요합니다.
데이터 수집은 신용 조사의 기본이다. 이를 위해 National Credit Management Association 은 신용 데이터를 표준화하고 기관 간 신용 데이터 공유를 용이하게 하는 표준 데이터 보고 형식 및 표준 데이터 수집 형식을 개발했습니다. 국내에는 효과적인 각종 데이터 * * * 공유 메커니즘이 부족해 데이터 섬 문제가 심각해지고, 기존 데이터의 동질화가 심각해 대부분 공개 채널에서 이용할 수 있고, 개인화된 전용 데이터 소스가 부족하다. 동시에, 각종 자료가 들쭉날쭉하고, 통일기준이 부족하여, 직접 징신의 질에 영향을 미친다.
다섯째, 데이터 분석 능력을 개선해야합니다.
데이터 분석 능력은 신용 정보 서비스의 품질을 직접 결정하므로 데이터 분석은 신용 정보 기업이 신용 데이터를 신용 정보 제품으로 변환하는 핵심 링크입니다. 미국의 데이터 분석 기술은 초기부터 1956 부터 FICO 채점 시스템을 선보였다. 반세기가 넘는 지속적인 개선을 거쳐 광범위한 응용을 얻었다. 현재 Experian, Equifax, TransUnion 을 포함한 대규모 신용 정보 기관의 90% 이상이 FICO 채점 시스템을 채택하고 있습니다. 2009 년 미국 ZestFinance 는 신용점수가 낮거나 신용기록이 너무 낮은 사람 (FICO 점수가 500 점 이하인 사람) 을 대상으로 여러 소스 데이터를 신용평가분석에 통합하고 기계학습의 예측 모델과 통합 학습 전략을 도입하여 큰 데이터 마이닝을 진행했다. ZestFinance 의 핵심 경쟁력은 데이터 마이닝 및 모델 개발 능력에 있습니다. 해당 모델에서는 종종 3500 개의 데이터 항목을 사용하여 70,000 개의 변수를 추출하고 사기 모델, 인증 모델, 조기 상환 능력 모델, 상환 능력 모델, 상환 의지 모델, 안정성 모델 등 10 개의 예측 분석 모델을 사용하여 최종 소비자 신용 점수를 산출하는 것으로 알려져 있습니다 평균적으로 6 개월마다 새로운 판이 탄생하여 이전 버전을 대신한다. 새 버전은 일반적으로 변수와 데이터 소스를 더 추가합니다. ZestFinance 가 사용하는 알고리즘은 구글의 큰 데이터 모델에서 나온 것이다. 또한 제 3 자의 수천 개의 원시 데이터 (예: 전화 요금 등) 가 있습니다. ) 및 차용인 입력 시스템, 데이터 간의 상관 관계 찾기, 데이터 변환 관련성을 기준으로 변수는 더 큰 측정 지표로 다시 통합됩니다. 마지막으로 이러한 큰 변수를 다른 데이터 분석 모델에 입력하여 모델 투표 원칙에 따라 최종 신용 점수를 형성합니다. ZestFinance 는 기존 신용 관리 업무에 비해 처리 효율성이 거의 90% 향상되었으며, 위험 관리 측면에서 ZestFinance 모델의 성능은 기존 신용 평가 모델보다 40% 향상되었습니다. 한편 국내 징신업계에서는 데이터 분석이 막 시작되면서 데이터 분석의 효율성과 정확성이 더욱 향상되어야 한다.