图灵汇官网

原文改写版

普惠金融行业中的获客成本和征信数据成本一直是国内许多金融机构面临的重要问题。尽管监管层希望贷款机构能够切实推行小额、分散的普惠金融理念，但对于许多以盈利为目的的商业机构来说，这一过程并不容易。尤其是当放款机构的人均借款金额仅限于几千元，且贷款定价又不能过高时，再加上数千万级别的借款人和人均数十元的征信查询成本，这些因素使得盈利变得十分困难。本文旨在探讨外部数据征信成本的问题，以及如何更好地利用外部数据来优化成本结构。

据笔者了解，征信成本已经成为许多金融公司重要的费用支出之一，约占总费用的2%至5%。这使得公司不得不提高贷款利率，通常至少达到24%，甚至更高，以确保盈利。这种高利率的现象也反映了当前行业中普遍存在的征信成本高昂的问题。

为了应对高成本挑战，各家公司都在积极寻找优化征信成本的方法。其中一个重要步骤是深入了解并评估现有数据源的有效性和质量。只有通过对不同数据源的细致比较，才能判断它们是否具有相同的覆盖面和准确性，从而决定哪些数据可以互换使用。

从今天开始，我们将对一些外部征信数据源进行深入分析。首先介绍的是市场上最为全面的数据提供商之一——通盾（TongDun）。通盾的数据因其较早进入市场而具有较高的覆盖率。然而，数据的查得率和准确率是两个不同的概念。尽管通盾提供的数据覆盖广泛，但在实际应用中，数据的真实性和准确性仍然是关键考量因素。

在具体操作层面，通盾的征信接口通过验证身份证号码和手机号码，来评估用户的信用风险。此外，我们还需要引入一个权重分的概念，以帮助识别不同类型的信用风险。例如，在处理黑名单和多头借贷等强规则时，每条规则都会被赋予一定的权重分。当累积的权重分超过某一阈值时，系统才会拒绝该客户的申请。具体权重分配会根据客户的历史数据和行业标准进行调整。

以下是权重分配的一些示例：

1. 身份证负面信息：包括身份证格式错误和欠款公司法人代表名单等。这些信息权重较高，因为它们直接影响客户的信用状况。
2. 手机号负面信息：例如欠费记录等。虽然权重低于身份证负面信息，但仍需重视。
3. 其他信息：如座机、QQ号、邮箱等，也会影响最终的评分。
4. 关联信息：包括联络人信息、远亲黑名单等，同样具有重要影响。
5. 多次申请和请求信息过多：这些因素可能导致更高的风险评估。
6. 预先潜在风险：例如测试类信息，也需要纳入考虑范围。

通过对这些数据源的综合分析，可以帮助金融机构更有效地管理风险，优化成本结构。希望这些内容对读者有所帮助，有兴趣深入了解的朋友可以关注我们的微信公众号和知识星球“番茄风控大数据”，获取更多详细资料。

[b][u]微信公众号&知识星球：番茄风控大数据[/u][/b]