0
| 本文作者： 周蕾 | 2019-04-21 23:46 |
对消费者和企业领导人来说，大规模收集和销售个人数据是一个日益敏感的话题。人工智能和机器学习等有前途的技术依赖于收集大量数据。但随着人们看到自己的数据被一些科技公司滥用，业内所有人都在努力寻找合理数据收集和侵犯隐私之间的界限。
这条分界线的位置取决于所面临的风险。一项新的研究表明，只要数据得到很好的利用，人们分享数据时就会感到非常自在，尤其是在贷款领域。最近ZestFinance调查发现，美国成年人中有一个共识——71%的受访者表示，如果贷款的决定更加公平，他们愿意与贷款人分享更多的个人数据。
报告称，美国联邦消费者金融保护局(Consumer Financial Protection Bureau)认为，约有2600万美国人是“信用隐形人”，因为他们没有在这三个信用机构之一的记录。另有1900万人的档案资料不足，无法被贷款系统判定为合格。还有数百万人的信用档案在某个阶段出现了重大错误。这些人面临着更高的拒签率，更高的贷款费用，劣质的金融产品——尽管他们中的许多人实际上可能拥有很高的信用。
大多数受访者还认为，当前的信贷体系不公平。超过80%的非洲裔和西班牙裔美国人，以及70%的成年人都表示，他们希望有更好的方式向放款机构证明自己。
一般来说，人们在申请信用卡、汽车贷款、抵押贷款或任何一种产品时，都会用他们的信用评分来判断。随着国家人口激增、城市越来越多，信用评分开始成为一种更容易开展业务的方式，也就意味着放款机构的工作人员不太可能知道所有顾客的名字。后来，用户的数据资料都合并到了区域信用局，而随着时间的推移，这些地区信用局已合并为三个全国性的个人征信机构：Experian、Equifax和TransUnion。他们基本都采用了Fair Isaac Corp.的方法，也就是FICO评分系统。FICO成立于1956年，这个评分体系已经成为美国个人信用统一量化标准的重要参考，目前美国大部分信用机构都采用该评分系统来量化个人信用质量和风险。
美国的征信机构们确实在规范征信体系、减少借款人遭受的主观偏见方面取得过巨大进展，但如今这个传统的信用评分开始显现出一定的局限性了。
传统的评分模型只考虑与信用行为直接相关的项目——也就是说，你使用了多少信用额度，或者你在过去6个月里是否有逾期付款。具体来看，评分模型主要由偿还历史（35%）、信用账户数（30%）、信用年限（15%）、新增账户（10%）和已用信用产品（10%）组成。
偿还历史包括各种信用账户的还款记录、公开记录及支票存款记录、逾期偿还的具体情况等。
信用账户数包括仍需偿还的账户数量、账户余额、信用额度使用率、账户偿还率，主要是用于分析对于一个客户，究竟多少个信用账户是足够多的，从而能够准确反应出客户的还款能力。
信用年限主要指信用账户的账龄，既考虑最早开立的账户的账龄，也包括新开立的信用账户的账龄，以及平均信用账户账龄。
新增账户数包括新开立的信用账户数量和时长，用户被查询信用频率、新增账户还款情况等。
已用信用产品包括所持有的信用账户类型和每种类型的信用账户数。
信用分数范围为300-850，分数越高，代表用户信用风险越小。
而至于你的工作经历、你在家乡如何，以及成千上万的其他未被发掘的信息，评分系统都不会考虑进去。难怪70%的受访者表示，很难让金融机构把他们看成一个介于300至850之间的数字。
超过60%的X世代和千禧一代在调查报告中称，目前的评分系统会让他们失败。有三分之一的租房者表示，信用评分阻碍了他们买房，而大多数获得贷款的人表示，他们不知道自己为什么会得到利率。更糟糕的是，几乎20%的美国人没有银行账户，或者根本没有信用记录。
有证据表明，没有信用记录的人也可以是个好客户。在加利福尼亚州，一个为无银行账户的居民提供服务的非营利性机构，在2017年发放了180万美元发薪日贷款，但只有9900美元的坏账，违约率远低于1%。
有研究指出，为了让更多的人进入银行系统，银行需要接受其他传统信用评分以外的数据，它可以包括及时的公用事业支出，有拖欠工作的历史，甚至包括多年前你成功还清的巨额债务（在传统信用评分模型界定的期限之外）。将这些新增的数据纳入信用评分决策，可以更细致地反映借款人的风险状况，帮助银行在信用谱系中进一步发现有价值的借款人，并标出那些在账面上看起来不错的非优质借款人。
雷锋网编译 via Forbes 雷锋网雷锋网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
