上周四，我在笔记本里发现了一份文件，是芝麻信用的产品介绍。 我不知道它来自哪里，也无法轻松搜索到相同的文档。 但既然是产品介绍，就当成公开文件，作为外行人来说说吧。
我好像没有做过芝麻信用，连监管也没有，但是我做过类似的产品。 这样的信贷产品与这些消费贷款公司的A卡、B卡有很大不同。 这个行业懂数据、懂算法的人很多，但懂信用、懂风控的人却不多。 因此，我认为这种差异值得写一本书。
主要是破译芝麻信用是怎么做的。 据说是解密的，但由于我不是幕后交易者，所以更准确的说法是猜测，或者可能只是猜测。
此外，花呗还接入央行征信系统。 我们这样的消费者在使用这类产品的时候要单独考虑，我们也会讲一下。
关于芝麻积分，官网上有一段话是这样的：
芝麻积分是独立的第三方信用评估机构——芝麻信用管理有限公司，在用户授权下，根据用户在互联网上的各种消费和行为数据，结合互联网金融借贷信息，利用云端估计和机器学习等技术，通过逻辑回归、决策树、随机森林等模型算法，对各维度的数据进行综合处理和评估，客观呈现用户信用记录、行为偏好五个维度的个人信用状况、表现能力、身份特征、人际关系的综合评分。 芝麻分的评分范围为350至950分，评分越高，信用越好，相应的违约率也比较低。 更高的芝麻积分可以帮助用户获得更高效、优质的服务。
01
信用的评价是能够先享受、后付费，即让应该享受服务的人享受到服务。 一应一可以。 该得的人不能，不该得的人可以，这些是要解决的关键问题。
如果你想清楚两件事，你就会知道如何制作这样的产品。
一是，哪些信息可以判断一个人的信用状况？
有两个维度，一是能力，二是意愿。 能力取决于您的资产负债表，以及维持这种平衡所需的稳定性水平。 所以你的就业、你的收入、你的消费很重要，不仅因为现在的水平，还因为它是否稳定。 如果把家安顿在世界各地，如果沉迷于黄赌毒，那就是稳定的反面。
意愿判断的本质在于毁约成本，这在一定程度上与收入和支出有关，但又不一样，因为数字时代法律约束变得更弱，更多地依赖于收入和支出。道德约束。 这个时候，很难描述遗嘱，但是遗嘱会反映在你的信用记录中。
一个月入十万的人向你借一万块钱，和一个每次下个月及时还贷都要求你还钱的人，你更愿意卖给谁？
无论你去收集什么数据，它们都是绘制这两个指标的工具。
第二，做信用产品的根本目的是什么？
其实做一个产品的目的就是希望它能够尽可能的被使用，但是尽可能的使用就一定是尽可能的有效吗？
答案是否定的。
企业进行信用评分是为了迎合用户，但需要检查评分的商家却要为此付费。 迎合用户意味着你要关注几乎所有用户的几乎所有方面的需求，而不仅仅是大多数用户的大部分需求淘宝查信誉软件，否则客户的抱怨可能会让你的产品无法生存。 企业应该考虑面向用户、可解释性，但商家不需要。
是商家买单，也就是说企业需要的是商家打电话越来越多，现在不够，但全年足够，而商家需要的是好的疗效，好的疗效是更精准，而不是更多全年。 两者的利益并不完全对等。
这意味着在构建这样的模型时，需要凭经验选择覆盖所有维度的变量并使其绝对可解释，而不是仅仅选择高分辨率的变量。 后者是芝麻信用产品的视角，前者是A/B/C/F卡的视角。
你说公司内部也应该用。 疗效越好不是越好吗？
企业不仅仅使用这个工具。
02
我们重点关注芝麻信用的数据变量。
该数据变量服务共包含65个变量，按照芝麻信用评分维度（一级分类）和DAS变量类别（二级分类）进行分类：
正如前面提到的，相信您对这五个维度并不感到惊讶。 身份特征和履约能力显示“收据”，行为特征显示“支持”，信用记录显示意愿，人脉关系也显示毁约成本。
图中变量的数量基本上凸显了这些类别的重要性。 信用记录通常是最重要的，其次是履行能力。
同样的一万元，卖给一个每次还钱都会在下个月及时借钱的人，比卖给一个月入十万的人更靠谱。
这65个变量又分为8个核心变量和57个基本变量。
根据文档，这个变量的切分逻辑是考虑DAS变量在所有Sesame用户上的数值分布以及好用户和坏用户的分辨率来对其进行切分，最多15个切分。 段号01-15代表变量值从小到大的顺序。
我们来详细看看这8个核心变量，57个基本变量放在前面。
在身份特质项中，更核心的变量其实是稳定性指标，而不是职业信息。 一方面，通常很难获得准确的行业信息； 另一方面，你工作的公司和行业需要分为几大类。 这类信息在住房贷款等常年抵押贷款中非常重要，而对短期贷款没有影响。 直接效应关系。 无论是消费贷款还是信用生活，贷款偿还能力的描述根本不需要向行业推广，但稳定性指标更重要。
第三方支付的核心在于深度和广度。 支付业务取决于广度，相应的实际上也取决于使用第三方支付的用户的广度。 在行为特征中，活跃支付场景的数量就是这种广度的一个很好的例子。 支付金额和资产等维度在下面的履约能力中突出显示。
绩效能力选择资产、费用和消费水平。 为什么要费心谈论资产和费用呢？ 消费水平的含义是，那些只消费生活必需品的人和那些对精神物品有强烈需求的人代表了不同的层次。
在信用记录中，更注重信用偿还而不是逾期。 我想有两个原因。 一是还贷的信息丰富度会高很多，二是正面信息在用户可见的产品中更加友好。 在某种程度上，它可以与负面信息产生类似的效果。 从相对关系来看，负分减分和正分增分没有太大区别，能够激励用户更频繁、大量地借贷和还款。
我将剩下的47个基本变量整理如下。
上述变量不仅值得从所选指标中学习，而且还包括时间窗口。 另外，很明显这些变量很多都是相关的，会不会用在芝麻分上呢？ 它们如何结合起来获得芝麻信用评分？
事实上，它是按重量组合的。
如何获得重量？
“综合考虑DAS变量在芝麻全用户数上的数值分布，并根据好用户和坏用户的分辨率进行分段。” 由于变量的分组是指好用户和坏用户的解析，所以专业术语是WOE。 这种组合实际上是通过对好用户和坏用户进行建模而获得的。
然而，这样的变量，高度相关的变量，被记分卡筛选掉了。 一个有效的模型不可能使用其中的所有变量。 即使有，我猜，很多变量也被人为地赋予了不相关的权重。
请注意，这是DAS可变数据服务文档，不是芝麻信用的产品介绍。 我想芝麻信用得分的关键就在于这8个核心变量。 我说的是关键，并不是说这57个基本变量根本不用。
此外，作为一款面向用户的产品，芝麻积分还具有营销激励的功能。 除了模型估计之外，最终的芝麻分还应该有其他增减分的设置。
03
花呗将全面接入央行征信系统。 用户在使用花呗时需要担心什么问题吗？
征信关系到个人信用，花呗是现代人提前消费的好助手。 当两者一拍即合时，消费者又该如何看待呢？
与其说责任和义务，我也觉得有必要说几句话。
目前，央行纳入的自然人约有11亿，其中只有不到一半有贷款数据。 我们的消费金融业务发起申请搜索率稍高一些，大约在60%左右。 也就是说，绝大多数人的信用数据信息相对较少，只是这些简单的身份信息，并没有金融信用数据。
传统的信用评估模型是根据一个人的贷款历史和贷款偿还表现，利用逻辑回归的方法来确定这个人的信用状况。 如今，大数据模式越来越流行淘宝查信誉软件，其数据来源非常广泛，包括电子商务、社交网络、搜索浏览等行为都形成了大量的数据。
因此，事实上，花呗接入央行征信对于各大平台来说是有很大好处的。 既然用户的信用评价比较好，那对用户来说不是有好处吗？
不是，好像对用户影响不大，但是要注意养成按量还贷的习惯。
花呗补充征信主要影响两点，贷款数量较多，逾期信息较多。
至于风控策略，即信用评价，贷款多了影响并不大，而且无论多少次，也只是机构而已。 通常，这不被认为是不良行为，主要是由于逾期所致。 逾期等这些负面行为很容易被风控拒绝。 意外逾期似乎也不算太糟糕。 建行的信用审核中有一个说法，叫“三连累六”，即连续三个月逾期，三年内累计逾期六次，这些都是严重违约。 但最好不要逾期。
所以可以照常使用，养成按量还贷的习惯基本就够了。
我首先是一个消费者，然后才是消费金融行业的从业者。 我的立场一直是消费者。 我这么说的原因之一是，对于《个人信息保护法》的颁布，我的第一个想法是这是好事，而不是坏事。
04
我还是要声明，上述很多事情我都没有拿到证据，也懒得请蚂蚁的同事证实。 有时候，我们关注如何做某事的原则和本质就足够了。 至于一个实例的所有细节，虽然没有太大的研究价值。 就像结构工程师盖房子的时候，真的没有必要知道建筑立面应该是什么样的装修。 这可能只是某些人的一个要求。
另外，在这篇文章中，我谈到了这些信用评分，包括芝麻信用评分、微信支付评分和小白收言评分。 以下陈述来自该文章。
无论是淘宝、天猫、易迅的消费，还是花呗白条支付的海量交易数据，都可以用来评价个人的还贷能力和意愿。 结合马斯洛的需求理论，即生理、安全、情感、尊重、自我实现依次升级，能够证明中间需求的数据可以给予更高的权重。 换句话说，重要的不是单一订单，而是消费习惯。
对于这些店面来说，平台拥有其所有的交易、资金、物流信息，可以作为金融服务的基础。
当你抓住了一个人的人际关系，你就抓住了那个人。 社交关系链，除了用来评估信用之外，还可以直接作为抵押品，因为大家都在乎它，而且都非常在乎。
当我在知乎上搜索这个话题时，发现有很多关于如何提高芝麻分的问题。 也说一下吧。
如果您想提高分数，请考虑这些核心变量。 还值得注意的是，这类变量都是时间窗口且分段的。 你的行为在一段时间后会被扁平化，分割后跳档可能会影响结果。 这使得分数难以提高，也是避免指标造假的科学手段。
