国外那些挑战FICO信用分的贷款服务平台

发表于 讨论求助 2023-05-10 14:56:27

上周(2015.11.30—2015.12.06)有两家国外的在线贷款服务平台获得了投资,分别是针对个人信用贷款需求的印度公司KountMoney和针对中小企业融资需求的美国公司Mirador Financial,二者的定位均是通过对借款方进行信用分析以方便贷款机构更快做出决策,并使信用状况良好的借款方可以得到较为优惠的利率。


传统征信系统的不完善使得多数缺乏信用记录的人群一直以来难以享受到正规金融机构的贷款服务,如美国的金融机构多采用FICO信用分来评估借款人的信用状况,而FICO信用分所参考的数据变量有限,目前美国有将近20%的成年人由于缺乏完善的信用记录而无法获得FICO信用分;再比如我国,以银行信贷信息为核心的央行征信系统,目前所收录的8.7亿自然人中仅有2.75亿人可形成个人征信报告。(注:以上数据均来自于根据公开网络搜集到的最新数据)


基于上述情况,已有多家公司开始建立新的算法和模型,并全面结合用户网购、社交、客户评论等多维度的信息,以帮助这些未被传统金融服务覆盖到的群体快速获得较低成本的贷款服务。今年9月以来,据不完全统计共有7家国外的该类公司完成了融资,以下将对这些公司做一个介绍:


1、基于用户的个人和财务信息


KountMoney成立于2015年,主要服务于印度的个人无担保贷款需求,通过采用机器学习算法对平台借款人所提供的申请材料(包括个人信息、专业信息、财务信息、住所信息等内容)进行计算分析并生成信用评估报告,以帮助信用可靠的个人用户以更低的利率和更快的速度获得金融机构的贷款。该公司于11月26日宣布完成种子轮融资,投资方为Ashish Goenka、Potential和TraxcnSyndicate,具体投资金额未披露。


Earnest于2014年推出,其最受欢迎的产品是学生助学贷款,类似提供该类贷款的美国公司还有SoFi、CommonBond等。Earnest主要是根据智能算法对用户的支票、贷款、储蓄等信息进行分析并以此来进行贷款授信和利率定价,其关注的主要因素如用户是否会及时偿还信用卡、收入能否覆盖日常花费和贷款偿还、储蓄是否够一月以上的正常开销等,通过对于用户的该类数据分析识别出负责任的借款人,并为其提供较为优惠的贷款产品。该公司于11月17日宣布完成2.75亿美元的融资,其中7500万美元为B融资,由Battery Ventures领投,另2亿为债务融资,由New York Life和另一家未披露公司提供资金。


2、基于个人用户的网购、社交等多维信息


Kreditech成立于2012年,总部在德国汉堡,目前业务范围涵盖波兰、西班牙、捷克、墨西哥、俄罗斯等多个国家。该项目主要针对的是因缺乏信用记录而无法从传统金融渠道获得贷款的用户,通过获取用户的网购行为、地理位置、发出贷款申请所接入的设备等信息,利用大数据和机器学习算法即时分析申请者的信用状况从而为其提供快速的贷款服务。该公司于9月28日宣布完成其C轮融资,投资额为9200万美元,投资方有:J.C. Flowers &Co. 、Amadeus Capital Partners、Blumberg Capital、HPE Growth Capital、Peter Thiel、Värde Partners。


Lenddo于2011年成立于香港,致力于为新兴市场的中产阶级提供基于社交网络数据的信用评级服务,并借此使该类人群可以享受到与成熟市场相同的金融贷款服务。其信用评分系统会接入Facebook、Linkedin、Google、Yahoo、Twitter 等社交网站,提取超过12000条数据点进行风险分析以帮助银行、P2P贷款人等金融服务提供方做决策。该公司目前主要服务于菲律宾、墨西哥、哥伦比亚等国家,服务人群超过50万人次,未来将会接入更多金融服务并覆盖更多新兴国家。该公司于10月14日宣布已完成由AT Capital领投的B轮融资,具体金额不详。


ZestFinance成立于2009年,致力于为存在意外开支融资需求且无法被传统金融机构覆盖的人群获得低成本的贷款。其降低贷款成本的逻辑在于:通过建立完善的信贷审批模型同时利用谷歌高维机器学习算法和大数据对借款人进行信用分析和评分,可以帮助贷款方更高效全面地评估借款人的信用风险,从而降低贷款方的成本和由此转嫁到借款人的费用。其覆盖的数据类型包括个人网页浏览历史、手机付费记录、超市购物清单等弱变量,并通过对这些弱变量进行组合形成强变量。该公司于10月6日公布获得来自Fortress Investment Group的1.5亿美元债务融资。此外据国内有关消息,ZestFinance曾于今年6月获得京东的战略投资。


3、基于企业用户的相关信息


Kabbage成立于2009年,主要通过连接ebay、paypal、yahoo、square、amazon等在线服务商获得中小企业的实时商业数据如财务、销售、运输等方面的信息,从而为其迅速提供营运资本贷款服务。基于该类大数据分析,Kabbage可以为其用户提供高达10万美元的授信额度,期限为6个月,用户可以在此限额内一天支取一次。截至目前,该公司提供的贷款金额已超过10亿美元。10月14日,该公司宣布完成1.35亿美元的E轮融资,投资方包括Reverence CapitalPartners(领投)以及ING Group、Santander Innoventures、Scotiabank三家大型银行。


Mirador成立于2014年,主要帮助银行、信用社等传统金融机构对接中小企业的融资需求,为该类机构解决在线贷款的技术问题。该平台会抓取借款人的各类信息如信用报告、缴税记录、会计报表、用户评论、竞争对手状况等并生成一个贷款文件,该文件中的信用备忘录、风险分析以及定价参考可以帮助贷款机构迅速做出审批决策。整个在线贷款流程由于省却了线下文件签署流程和线下系统开发成本,将较传统机制具有更高的效率和更低的耗费。该公司于11月30日宣布完成700万美元的A轮投资,其领投方为Core Innovation Capital


综上可以看出,目前各类平台对于个人信用评估所参考的变量主要有两类:


第一类是与信用评估直接相关的强关系变量,如个人基本信息、信贷记录、收入情况等,强关系变量的好处在于可以直接根据历史还款记录和还款能力对借款方进行风险判断,但其所覆盖的人群有限,尤其在中国这类征信历史比较短的国家大多数人都缺乏完整的信用档案。目前传统征信系统多采用的是该类变量,创新型平台则在其基础上进行了更精细化的挖掘和补充。


第二类是与信用评估看似无关的弱关系变量,如个人购买记录、网页浏览历史、社交信息等,该类信息覆盖人群较广,而且可以通过深入挖掘组合形成强关系变量,如根据个人购买记录可以判断其消费阶段及未来可能出现的重大支出,以此在做贷款审批决策时会考虑避开该类支出从而降低违约风险。


另外在变量数量的选择上,由于较少的变量容易引起变量套利,即用户在了解征信机构参考变量的情况下可能会针对某类变量“刷信用”,而太多的变量也可能会引发过度拟合和数据丢失等问题,这就对各类平台在关键变量的选取和模型算法的建立上提出了更高的要求,使之成为该类创新平台在当前需要解决的主要问题。


零壹研究是零壹公司所属专业互联网金融研究团队,研究院微博:http://weibo.com/research01,长按下方图片关注零壹研究。


发表
26906人 签到看排名