□ 文 張湛梅 張曉川

0 引言

隨著移動(dòng)互聯(lián)網(wǎng)和金融創(chuàng)新業(yè)務(wù)的快速發(fā)展，客戶信用行為愈加多元化，基于銀行領(lǐng)域信貸與消費(fèi)行為的傳統(tǒng)信用評(píng)分方式已無法滿足當(dāng)前互聯(lián)網(wǎng)信貸的需求，與經(jīng)濟(jì)發(fā)展水平和社會(huì)發(fā)展階段存在不匹配、不協(xié)調(diào)、不適應(yīng)的矛盾，這直接影響著中國(guó)金融市場(chǎng)的交易秩序。為夯實(shí)金融行業(yè)發(fā)展的基礎(chǔ)，深化我國(guó)市場(chǎng)經(jīng)濟(jì)發(fā)展，亟需構(gòu)建更健全的信用服務(wù)體系。目前，數(shù)據(jù)獲取及處理方式有了大幅度提高，相對(duì)于傳統(tǒng)征信如央行通過統(tǒng)計(jì)信用卡等信息的征信，大數(shù)據(jù)征信擁有著更多優(yōu)勢(shì)。運(yùn)營(yíng)商具備客戶身份特征、消費(fèi)行為、位置信息、社交活動(dòng)等海量數(shù)據(jù)，在大數(shù)據(jù)征信中具有顯著的數(shù)據(jù)優(yōu)勢(shì)。

本文闡述了基于運(yùn)營(yíng)商大數(shù)據(jù)打造個(gè)人信用評(píng)分體系模型，保證了個(gè)人信用評(píng)分模型在篩選指標(biāo)的時(shí)候保持穩(wěn)定并體現(xiàn)信令數(shù)據(jù)的重要作用，進(jìn)一步減少模型系數(shù)的誤差，使得評(píng)分模型更加合理，并以此為基礎(chǔ)打造標(biāo)準(zhǔn)化的信用服務(wù)產(chǎn)品，滿足信貸身份校驗(yàn)、授信等市場(chǎng)需求，推動(dòng)征信行業(yè)的發(fā)展。

1 項(xiàng)目背景

1.1 個(gè)人信用發(fā)展現(xiàn)狀

個(gè)人信用系統(tǒng)是一個(gè)評(píng)估、記錄和歸檔個(gè)人信用的系統(tǒng)。貸款人可以根據(jù)家庭收入、收到和償還的貸款、超額信貸、罰款和不良貸款的起訴來決定是否借款或借款金額。

從20世紀(jì)20年代當(dāng)時(shí)的中國(guó)政府被迫頒布中國(guó)最早的個(gè)人信用檔案——《銀行工會(huì)章程》到現(xiàn)在，中國(guó)的個(gè)人信用制度經(jīng)歷了一個(gè)世紀(jì)的發(fā)展，但是從嚴(yán)格意義上來說，我國(guó)個(gè)人信用體系建設(shè)真正始于1999年中國(guó)人民銀行個(gè)人信用信息基礎(chǔ)數(shù)據(jù)庫(kù)的投入建設(shè)。比較于國(guó)際上的發(fā)達(dá)國(guó)家，我國(guó)個(gè)人信用系統(tǒng)的建設(shè)起步較晚，但是發(fā)展規(guī)模卻后來居上。早期，個(gè)人信用體系主要由央行主導(dǎo)，采集的個(gè)人信用信息包含三類：身份識(shí)別信息、貸款信息和信用卡信息，但是隨著互聯(lián)網(wǎng)的飛速發(fā)展和技術(shù)迭代，個(gè)人信用體系的大數(shù)據(jù)時(shí)代也隨之到來，由芝麻信用管理有限公司、騰訊征信有限公司等為代表的金融、互聯(lián)網(wǎng)行業(yè)巨頭建立的個(gè)人征信公司，成為央行個(gè)人征信業(yè)務(wù)的有效補(bǔ)充。2019年中國(guó)人民銀行副行長(zhǎng)朱鶴新介紹，中國(guó)已經(jīng)建立全球規(guī)模最大的征信系統(tǒng)，累計(jì)收錄9.9億自然人、2591萬戶企業(yè)和其他組織的有關(guān)信息，在防范金融風(fēng)險(xiǎn)、維護(hù)金融穩(wěn)定、促進(jìn)金融業(yè)發(fā)展等方面發(fā)揮了不可替代的重要作用。

1.2 運(yùn)營(yíng)商潛在優(yōu)勢(shì)

互聯(lián)網(wǎng)技術(shù)的進(jìn)步和電信行業(yè)基礎(chǔ)設(shè)施的不斷增強(qiáng)，移動(dòng)互聯(lián)網(wǎng)獲得了前所未有的空前繁榮。根據(jù)中國(guó)互聯(lián)網(wǎng)網(wǎng)絡(luò)信息中心2022年2月25日發(fā)布的《中國(guó)互聯(lián)網(wǎng)發(fā)展統(tǒng)計(jì)報(bào)告》，截至2021年12月，中國(guó)移動(dòng)網(wǎng)絡(luò)IPv6流量占網(wǎng)絡(luò)核心資源的35.15%；在信息通信行業(yè)，建成投產(chǎn)5G基站142.5萬個(gè)；在使用互聯(lián)網(wǎng)設(shè)備方面，99.7%的中國(guó)網(wǎng)民使用手機(jī)上網(wǎng)，手機(jī)仍然是上網(wǎng)的主要設(shè)備。從報(bào)告中可以判斷，電信運(yùn)營(yíng)商占據(jù)著獲取用戶個(gè)人信息和個(gè)人信用數(shù)據(jù)的天然優(yōu)勢(shì)。

有相關(guān)文章對(duì)大數(shù)據(jù)信用與傳統(tǒng)信用的區(qū)別進(jìn)行了比較和總結(jié)：第一，大數(shù)據(jù)征信拓展了征信的理念，通過對(duì)大量信息主體數(shù)據(jù)的分析，可以發(fā)現(xiàn)信息主體的歷史行為與其信用記錄之間的相關(guān)性；第二，大數(shù)據(jù)征信的數(shù)據(jù)來源更加廣泛；第三，大數(shù)據(jù)征信的數(shù)據(jù)形式更加多樣，包括文本形式的半結(jié)構(gòu)化數(shù)據(jù)，以圖片、視頻、音頻等形式存在的非結(jié)構(gòu)化數(shù)據(jù)等；第四，大數(shù)據(jù)征信的數(shù)據(jù)規(guī)模更大，相較于傳統(tǒng)征信數(shù)據(jù)規(guī)模通常以GB為單位，大數(shù)據(jù)征信數(shù)據(jù)規(guī)模一般以PB計(jì)。

基于上述的比較研究，可以清晰地了解在個(gè)人信用體系中，相比傳統(tǒng)征信，大數(shù)據(jù)征信在個(gè)人信用數(shù)據(jù)獲取和處理上有其獨(dú)特優(yōu)勢(shì)。依據(jù)《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》的統(tǒng)計(jì)，我們能夠清楚判斷，基于海量移動(dòng)運(yùn)營(yíng)商數(shù)據(jù)的大數(shù)據(jù)征信，具備其他個(gè)人征信渠道難以獲取的數(shù)據(jù)優(yōu)勢(shì)。相關(guān)如下：

1.2.1 在互聯(lián)網(wǎng)征信中具有重要數(shù)據(jù)優(yōu)勢(shì)

在目前的互聯(lián)網(wǎng)專業(yè)化征信系統(tǒng)中，排名前4的高質(zhì)量的數(shù)據(jù)是：收入、位置、熟人社交、稅務(wù)等，除去信貸評(píng)估能獲取的收入、稅務(wù)以外，熟人社交、位置等信貸機(jī)構(gòu)無法準(zhǔn)確獲取的數(shù)據(jù)恰好是運(yùn)營(yíng)商的優(yōu)勢(shì)數(shù)據(jù)源。因此，運(yùn)營(yíng)商在互聯(lián)網(wǎng)+征信評(píng)估中占據(jù)了數(shù)據(jù)優(yōu)勢(shì)地位。

1.2.2 海量的客戶數(shù)據(jù)具有很大的潛在價(jià)值

運(yùn)營(yíng)商擁有客戶身份特征、消費(fèi)行為、位置信息、社交活動(dòng)這四維一體的核心大數(shù)據(jù)，基于大數(shù)據(jù)高度融合，可清晰描繪出客戶全息精準(zhǔn)畫像，以此為基礎(chǔ)可提供征信服務(wù)產(chǎn)品，滿足信貸身份校驗(yàn)、授信等市場(chǎng)需求。如圖1所示。

圖1 運(yùn)營(yíng)商具有的數(shù)據(jù)優(yōu)勢(shì)

在個(gè)人信用體系中，相比傳統(tǒng)征信，大數(shù)據(jù)征信在個(gè)人信用數(shù)據(jù)獲取和處理上有其獨(dú)特優(yōu)勢(shì)。

2 構(gòu)建運(yùn)營(yíng)商大數(shù)據(jù)信用服務(wù)體系

2.1 方案概述

本方案依托用戶的基本信息、消費(fèi)能力、信用記錄、人脈關(guān)系、行為偏好等五大方面指標(biāo)以及用戶的信令數(shù)據(jù)，通過抽取標(biāo)準(zhǔn)樣本數(shù)據(jù)、指標(biāo)分箱處理及計(jì)算、利用信令數(shù)據(jù)自適應(yīng)的個(gè)人信用評(píng)分模型訓(xùn)練和個(gè)人信用評(píng)分計(jì)算等步驟，自適應(yīng)選取對(duì)信用評(píng)分有效的指標(biāo)和系數(shù)，保證了個(gè)人信用評(píng)分模型在篩選指標(biāo)的時(shí)候保持穩(wěn)定并體現(xiàn)信令數(shù)據(jù)的重要作用，減少模型系數(shù)的誤差，使得評(píng)分模型更加合理，最終實(shí)現(xiàn)具備運(yùn)營(yíng)商特色的全面、綜合、多維度的個(gè)人信用度評(píng)分指標(biāo)體系建設(shè)，為精準(zhǔn)高價(jià)值用戶營(yíng)銷、銀行信貸行業(yè)等方面應(yīng)用提供有效支撐。如圖2所示。

圖2 運(yùn)營(yíng)商大數(shù)據(jù)信用服務(wù)體系

2.2 具體實(shí)現(xiàn)方案

2.2.1 提取樣本數(shù)據(jù)

利用熵值法并結(jié)合欠費(fèi)方面的指標(biāo)對(duì)用戶進(jìn)行評(píng)分，分值由高到低排序，得分越高則用戶的欠費(fèi)程度越高，違約的概率也隨之增加，所以取得分前1%的用戶作為壞用戶，即正樣本；在剩下的用戶中隨機(jī)抽取總用戶人數(shù)的10%作為好用戶，即負(fù)樣本。具體的步驟如下：

（1）選取近三個(gè)月停機(jī)總次數(shù)、近三個(gè)月欠費(fèi)總金額和客戶賬期類型作為指標(biāo)，這些指標(biāo)均衡量了用戶的欠費(fèi)違約情況。由于指標(biāo)的取值范圍不一致，為了避免過于側(cè)重單個(gè)指標(biāo)，需要對(duì)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化公式如下：

其中Uij，i=1，2，…，m，j=1，2，3為原始數(shù)據(jù)中第j個(gè)指標(biāo)的第i個(gè)記錄，m為總用戶人數(shù)，vij為標(biāo)準(zhǔn)化后的數(shù)據(jù)。

（2）通過計(jì)算熵值可以用來判斷三個(gè)月停機(jī)總次數(shù)、近三個(gè)月欠費(fèi)總金額和客戶賬期類型三個(gè)指標(biāo)的離散程度，離散程度越大表明該指標(biāo)對(duì)綜合評(píng)價(jià)影響越大。

首先計(jì)算指標(biāo)的熵值，衡量了指標(biāo)的離散程度，計(jì)算公式如下：

其中rij表示第i個(gè)記錄下第j個(gè)指標(biāo)的比重

然后計(jì)算指標(biāo)的權(quán)重，衡量了三個(gè)月停機(jī)總次數(shù)、近三個(gè)月欠費(fèi)總金額和客戶賬期類型三個(gè)指標(biāo)在計(jì)算總分時(shí)理應(yīng)乘上的系數(shù)，計(jì)算公式如下：

其中hj為第j個(gè)指標(biāo)的差異性系數(shù)hj=1_e，j=1，2，3。

最后根據(jù)指標(biāo)的權(quán)重和指標(biāo)值，計(jì)算每個(gè)用戶的熵值法得分

（3）對(duì)si分值由高到低排序，分值越高表示在欠費(fèi)違約方面越嚴(yán)重，取得分前1%的用戶作為壞用戶，即正樣本；在剩下的用戶中隨機(jī)抽取總用戶人數(shù)的10%作為好用戶，即負(fù)樣本。正負(fù)樣本的合集即為標(biāo)準(zhǔn)的樣本數(shù)據(jù)，用于后續(xù)建立信用評(píng)分模型。

用戶的基本信息主要包含品牌、在網(wǎng)時(shí)長(zhǎng)和身份等信息；

2.2.2 選取指標(biāo)并進(jìn)行分箱處理

為了全面評(píng)估用戶的信用情況，除了從傳統(tǒng)評(píng)分角度提取用戶的基本信息、消費(fèi)能力、信用記錄、人脈關(guān)系和行為偏好等五大方面指標(biāo)，同時(shí)加入用戶的信令數(shù)據(jù)作為數(shù)據(jù)依據(jù)。

用戶的基本信息主要包含品牌、在網(wǎng)時(shí)長(zhǎng)和身份等信息；消費(fèi)能力是衡量用戶在通信消費(fèi)的消費(fèi)層次、消費(fèi)級(jí)別、消費(fèi)活躍度，主要包含賬戶余額、主套餐包含的費(fèi)用、上月總通話次數(shù)、上三個(gè)自然月平均充值額度等等；信用記錄用于衡量用戶履約能力，包含上三個(gè)自然月欠費(fèi)總額、上一自然月單停機(jī)天數(shù)、上一自然月雙停機(jī)天數(shù)等等；人脈關(guān)系用于衡量用戶社交關(guān)系強(qiáng)度，從社交影響力和身邊人的信用分來評(píng)估人脈關(guān)系，包括高頻對(duì)端號(hào)碼個(gè)數(shù)、高頻對(duì)端號(hào)碼平均時(shí)長(zhǎng)、親密人員個(gè)數(shù)、親密人員平均消費(fèi)水平等等；行為偏好用于衡量用戶使用App的活躍度以及應(yīng)用偏好，包括App類型偏好top1、社區(qū)交友使用次數(shù)、社區(qū)交友使用流量、電商購(gòu)物使用次數(shù)、股票類App使用次數(shù)等等。用戶的信令數(shù)據(jù)主要選取工作日10：00至17：00常駐位置為高端寫字樓和CBD的次數(shù)和22：00至次日6：00常駐位置為高端小區(qū)的次數(shù)。

為方便后續(xù)的評(píng)分能形成評(píng)分表用于評(píng)估信用得分，須對(duì)指標(biāo)進(jìn)行分箱，對(duì)于連續(xù)型指標(biāo)，一個(gè)合理的分箱應(yīng)該使得每個(gè)箱內(nèi)的數(shù)據(jù)量較為均衡，不宜過多或者過少，同時(shí)各個(gè)箱內(nèi)負(fù)樣本的占比應(yīng)呈現(xiàn)單調(diào)上升或下降的趨勢(shì)，這里采用WOE值，它既可以衡量各個(gè)分箱的趨勢(shì)情況，也是后續(xù)的回歸模型的變量輸入，其計(jì)算公式如下：

對(duì)于離散型指標(biāo)，在指標(biāo)的取值不多的時(shí)候，可直接按其取值作為分箱并求取WOE值；在取值較多的時(shí)候，可對(duì)某些取值進(jìn)行合并，再求對(duì)應(yīng)的WOE值。

2.2.3 利用信令數(shù)據(jù)對(duì)評(píng)分模型進(jìn)行自適應(yīng)訓(xùn)練

邏輯回歸在信用評(píng)分模型中使用比較廣泛，它的結(jié)構(gòu)簡(jiǎn)單，系數(shù)的作用容易在業(yè)務(wù)上解釋。

用戶為壞用戶的概率可用P表示，則邏輯回歸模型可表示為

其中xi=(i=1，2，…，s)為指標(biāo)，由于P取值在0到1之間，而通過logit變換后，取值范圍可變換為任意實(shí)數(shù)值，需要求解的是β =(β0，β1，…，βs)T。

在使用邏輯回歸預(yù)測(cè)時(shí)，可以使用全部指標(biāo)進(jìn)入模型，但某些對(duì)預(yù)測(cè)貢獻(xiàn)度不高的指標(biāo)也會(huì)進(jìn)入模型，導(dǎo)致模型預(yù)測(cè)的偏差變大。針對(duì)該情況，通過前進(jìn)法、后退法、逐步回歸等方法篩選變量，剔除作用不明顯的指標(biāo)。

同時(shí)基于信令數(shù)據(jù)自適應(yīng)的邏輯回歸模型，利用信令數(shù)據(jù)自適應(yīng)地同時(shí)進(jìn)行變量選擇和系數(shù)估計(jì)，有效減小模型系數(shù)估計(jì)偏差。

首先，采用Adaptive—Lasso方法求解邏輯回歸模型。給定數(shù)據(jù)(X(i)，y(i))，i=1，2，…，n，其中X(i)=(xi1，…，xis)，表示樣本數(shù)據(jù)中的第i個(gè)數(shù)據(jù)的WOE值向量，共n個(gè)，xi1表示第i個(gè)數(shù)據(jù)的第一個(gè)指標(biāo)對(duì)應(yīng)的WOE值，y(i)表示目標(biāo)變量，若第i個(gè)數(shù)據(jù)為正樣本，則y(i)=1；若第i個(gè)數(shù)據(jù)為負(fù)樣本，則y(i)=0。則在Adaptive—Lasso方法下β=(β0，β1，…，βs)T的估計(jì)量定義為

（2）式的第一部分表示模型擬合的優(yōu)良度，這是一般邏輯回歸模型在求解時(shí)的部分，第二部分則表示系數(shù)的懲罰項(xiàng)，λn為懲罰參數(shù)。而表示公式（1）進(jìn)行最小二乘估計(jì)得到的βj的估計(jì)值，當(dāng)|βj|系數(shù)較大的時(shí)候，給予較小的懲罰，能得到較小的偏差；而當(dāng)|βj|系數(shù)較小的時(shí)候，給予較大的懲罰，該系數(shù)則近似為0，實(shí)現(xiàn)了變量選擇的功能。

同時(shí)求解的過程需要利用信令數(shù)據(jù)方面的指標(biāo)對(duì)其他指標(biāo)的系數(shù)進(jìn)行自適應(yīng)地控制，確保信令數(shù)據(jù)方面的指標(biāo)貢獻(xiàn)較高的權(quán)重，所以需要在Adaptive—Lasso方法的基礎(chǔ)上增加懲罰項(xiàng)。

記工作日10：00至17：00常駐位置為高端寫字樓和CBD的次數(shù)和22：00至次日6：00常駐位置為高端小區(qū)的次數(shù)兩個(gè)指標(biāo)在所有指標(biāo)xi(i=1，2，…，s)中的下標(biāo)為k1,k2，即xk1表示工作日10：00至17：00常駐位置為高端寫字樓和CBD的次數(shù)，βk1表示指標(biāo)xk1對(duì)應(yīng)的系數(shù)。

為了保證信令數(shù)據(jù)方面的指標(biāo)xk1和xk2貢獻(xiàn)較高的權(quán)重，需要對(duì)βj之間的差異進(jìn)行控制?？紤]添加懲罰項(xiàng)

用于控制指標(biāo)xk1和xk2的系數(shù)值，通過限制的大小，保證了指標(biāo)xk1和xk2的系數(shù)必須大于其他指標(biāo)的系數(shù)，即確保了信令數(shù)據(jù)方面的指標(biāo)在模型貢獻(xiàn)較高的權(quán)重，而ψ1為懲罰系數(shù)。

綜上則有基于信令數(shù)據(jù)的自適應(yīng)邏輯回歸模型β=(β0，β1，…，βs)T的估計(jì)量定義為

2.2.4 將回歸模型轉(zhuǎn)化為評(píng)分模型

將回歸系數(shù)轉(zhuǎn)換為信用評(píng)分的形式是一個(gè)量表編制的過程，為了方便業(yè)務(wù)人員使用以及評(píng)分之間的差異具有業(yè)務(wù)意義，通常需要滿足一下三點(diǎn)要求：

（1）評(píng)分控制在一定范圍內(nèi)，如0～900分之間。

1995年9月，我曾介紹《大地上的事情》的作者、生態(tài)文學(xué)散文家葦岸加入中國(guó)作家協(xié)會(huì)。我的推薦詞寫道：“葦岸秉承著《瓦爾登湖》作者梭羅、《林中水滴》作者普利什文的傳統(tǒng)，傾全力描繪生機(jī)蓬勃的大自然的一切。他在中國(guó)散文史上首先表達(dá)了土地倫理學(xué)的思想，因此我樂于介紹他加入中國(guó)作家協(xié)會(huì)。”推薦詞里，我雖然使用了“土地倫理學(xué)”的提法，但那時(shí)我并不知道這一首創(chuàng)性的概念最早是由李?yuàn)W帕德提出的。這時(shí)我才感到，冬林把這本好書送我閱讀，使我得到醍醐灌頂般的醒悟，我是多么幸運(yùn)。

（2）在特定的分?jǐn)?shù)時(shí)，好用戶和壞用戶具有一定的比例關(guān)系，這里采用

（3）評(píng)分值的增加應(yīng)該能反映好用戶和壞用戶比例的變化，如希望評(píng)分值每增加50分，odds也增加一倍。

目前業(yè)界比較通用的信用評(píng)分方程式如下：

score=offest+factor×ln(odds)，

為了滿足以上3個(gè)條件，該方程式需滿足以下兩個(gè)等式

a、score=offest+factor×ln(odds)，

其中pdo表示odds增加1倍需要評(píng)分值增加的值。則有

factor=pdo/ln(2),offest=score_factor×ln(odds)。

從而得到最終的評(píng)分方程式為：

score=offest+factor×ln(odds)

假如評(píng)分值在600分的時(shí)候好用戶與壞用戶的比例為50：1，且odds增加一倍的時(shí)候，評(píng)分增加50分。則有：

factor=50/ln(2)=72.13,

offest=600_72.13×ln(50)=317.83

于是得到最終的評(píng)分方程式：

score=317.83+72.13×ln(odds)。

由于邏輯回歸方程的左邊可知_logit(P)×ln(odds)，則將上一步驟中得到β的估計(jì)量代入評(píng)分方程式，得到：

這里的xi表示第i個(gè)變量的值所對(duì)應(yīng)的分箱的WOE值，為（3）式得到的回歸模型系數(shù)。

故根據(jù)評(píng)分公式可得到對(duì)應(yīng)每個(gè)變量每個(gè)分箱的評(píng)分值

其中WOE表示變量的分箱對(duì)應(yīng)的WOE值。

結(jié)合輸入?yún)?shù)和待評(píng)估用戶的指標(biāo)，將待評(píng)估用戶的個(gè)人信用評(píng)分計(jì)算出來。如圖3所示。

圖3 信用報(bào)告示例

以數(shù)據(jù)對(duì)接的商務(wù)模式為切入點(diǎn)，信用查詢服務(wù)為載體，探索和信用分對(duì)外價(jià)值變現(xiàn)的合作方案。

2.3 應(yīng)用效果

2.3.1 基于信用服務(wù)體系，打造標(biāo)準(zhǔn)化的互聯(lián)網(wǎng)產(chǎn)品

基于信用服務(wù)體系及金融行業(yè)成功變現(xiàn)經(jīng)驗(yàn)，通過上網(wǎng)助手/微信公眾號(hào)/運(yùn)營(yíng)商客戶端/App等渠道拓展應(yīng)用輻射，創(chuàng)新前后向服務(wù)模式，建立標(biāo)準(zhǔn)化產(chǎn)品體系，儲(chǔ)備大數(shù)據(jù)變現(xiàn)能力。以數(shù)據(jù)對(duì)接的商務(wù)模式為切入點(diǎn)，信用查詢服務(wù)為載體，探索和信用分對(duì)外價(jià)值變現(xiàn)的合作方案。相關(guān)做法如圖4所示，如下：

圖4 產(chǎn)品服務(wù)模式

（1）信息查詢定價(jià)標(biāo)準(zhǔn)：基于模型指標(biāo)相關(guān)程度排序，劃分?jǐn)?shù)據(jù)查詢價(jià)格梯度；

（2）數(shù)據(jù)脫敏處理方案：通過數(shù)據(jù)脫敏操作，對(duì)數(shù)據(jù)進(jìn)行封裝，輸出泛化的數(shù)據(jù)形態(tài)；

（3）合作方使用查詢服務(wù)方法：合作方提供一批用戶號(hào)碼及個(gè)性化定制的需求，以號(hào)碼為單位，輸出非明細(xì)數(shù)據(jù)的用戶畫像報(bào)告。

2.3.2 開發(fā)“個(gè)人信用度”微信公眾號(hào)，進(jìn)行自媒體推廣

開發(fā)基于微信公眾號(hào)的用戶界面，為將“個(gè)人信用度”推向公眾用戶，利用全面的線下渠道對(duì)公眾號(hào)進(jìn)行迅速推廣，力爭(zhēng)達(dá)到讓用戶感覺好玩、有用、愿意傳播分享。同時(shí)在用戶首次使用時(shí)引導(dǎo)關(guān)注其他大數(shù)據(jù)產(chǎn)品，最終實(shí)現(xiàn)基于運(yùn)營(yíng)商大量的自有資源低成本吸引客戶，提高用戶黏性。如圖5所示。

圖5 “個(gè)人信用度”微信公眾號(hào)

2.3.3 開拓在各行業(yè)的信用服務(wù)應(yīng)用

在確保數(shù)據(jù)安全前提下，向個(gè)人用戶以及政府、金融機(jī)構(gòu)用戶提供信用數(shù)據(jù)查詢服務(wù)，個(gè)人用戶可以對(duì)歷史消費(fèi)、信用評(píng)級(jí)等數(shù)據(jù)進(jìn)行查詢；政府、科研機(jī)構(gòu)用戶可以對(duì)脫敏處理后的上網(wǎng)行為、地理位置等宏觀數(shù)據(jù)進(jìn)行查詢使用，輔助更好的防范信用性風(fēng)險(xiǎn)，促進(jìn)征信行業(yè)的發(fā)展。如圖6所示。

圖6 場(chǎng)景應(yīng)用示例

運(yùn)營(yíng)商將持續(xù)基于大數(shù)據(jù)、區(qū)塊鏈、人工智能等技術(shù)，進(jìn)一步探索信用服務(wù)業(yè)務(wù)向更全面、更智能、更安全的方向深度融合發(fā)展。

3 結(jié)束語(yǔ)

金融市場(chǎng)不斷擴(kuò)大，個(gè)人信用服務(wù)發(fā)揮了重要作用，如何提高個(gè)人信用識(shí)別率，保證多方利益，實(shí)現(xiàn)精準(zhǔn)的信用評(píng)估，建設(shè)大數(shù)據(jù)體系下的信用服務(wù)體系具有重大意義?；谶\(yùn)營(yíng)商大數(shù)據(jù)的信用服務(wù)體系充分利用海量多維度用戶數(shù)據(jù)，相比于傳統(tǒng)的個(gè)人信用，以運(yùn)營(yíng)商的視角信用服務(wù)更加多元化、全面地反映了用戶信用表現(xiàn)，拓寬了信用可應(yīng)用的范圍，加強(qiáng)了風(fēng)險(xiǎn)防控能力。未來，運(yùn)營(yíng)商將持續(xù)基于大數(shù)據(jù)、區(qū)塊鏈、人工智能等技術(shù)，進(jìn)一步探索信用服務(wù)業(yè)務(wù)向更全面、更智能、更安全的方向深度融合發(fā)展。