在中国做生意是一件有意思的事情，行业发展必然会经历初始蜗牛式增长、遇到恰当时机迅速上升、行业爆发达到峰值、行业洗牌死一大片、正规军引领行业正向发展。

2015年中国政府对于互金行业的监管渐进式加强，2016年相信很多公司都不会好过，甚至一查一个准，为何政府迟迟不动手，究其原因：一是百姓大众的确需要互联网金融的短频快产品，银行的定存可能面临存款贬值，为何不把钱投入高收益的互金产品呢;二是市场需要消费金融，百姓需要信用贷款进行消费资金来源，政府需要刺激消费、利用内需拉动经济发展。

相对来说，现在做得比较成熟的P2P公司，已建立自己的风控体系和风险识别团队，数据来源主要是依靠平台自身业务量的积累、第三方数据公司、互联网爬虫数据源等，数据量远远不够;有的互金公司风控识别完全依赖用户提交的相关信息和人工审核，也会用线下团队做尽调，而骨感的现实情况是：人工审核和线下尽调方式，业务员为了获取量的增长、响应公司迅速占领市场的“号召”，没有底线地采用各种非常规手段帮助客户获得贷款。一言以蔽之，互金风控没做好、坏账率依然高。

2016年相信互金公司面临严峻考验，尤其以P2P公司为代表。外忧政府监管力度加强、有可能不单单是杀鸡儆猴，各公司共同成本壁垒没有打通、俗称“黑名单”不共享，市场上好品质信贷项目少，僧多粥少大家都在抢;内患风控识别能力上不来、征信数据量不够、坏账率只升不降。面对内外双重压力，P2P公司的未来命运只能处于风口浪尖，一个浪顶不住就被淹死在茫茫金海。

正所谓工欲善其事必先利其器，谁先解决自身痛点就先获得一张诺亚方舟船票，关键点就在于降低坏账率、提高风险识别能力，隐藏于背后的就是判断信贷客户身家背景是否真实，客户还款能力以及还款意愿如何，客户的信用记录情况好不好等等。

在个人征信领域，当下流行的方式是形成征信报告为参考，或者根据数据库中不同维度形成建模评分机制，类似美国征信体系中的FICO评分。

征信报告板块，最权威的当属中国人民银行征信中心的，成立于2006年，10年的积累，它已经建设成为世界规模最大、收录人数最多、收集信息全面、覆盖范围和使用广泛的信用信息基础数据库。在评分领域里，有两大重要元素，一是数据量，二是数据建模模型。各家积累或者擅长的数据的质和量均有不同，淘宝京东擅长电商、腾讯的社交，当然，百度搜索引擎的数据搜集能力是最强的，且没有之一。参考的数据维度各家公司各有不同或者侧重，大体包含个人基本信息、银行信贷信息、社交、电商、通讯等其他非银行信息。

征信公司正如雨后春笋，活鲜鲜地出落地面，清新可人。其中很多公司自身并没有足够庞大的数据积累，即使模型再怎么牛，都要依附于数据公司。又具备数据量，又具备数据建模能力的第三方征信公司，人人信算是一个案例。它是一家独立的第三方信用评估及信用管理平台，利用大数据平台和机器学习技术，在亿级实名用户和数万维度数据基础上建立起各类风控模型。定位是金融信用数据服务商。

征信绝对不是一个垄断行业，这由它的服务对象——人，来决定的，判断人的属性就不能说绝对好人、绝对坏人，也不能说绝对违约、绝对失信。个人信用报告和信用评分只能算作参考，征信市场或将百家争鸣、各分秋色。人人信服务于B端金融类公司，包括P2P、小额贷款公司、保险公司以及消费金融公司等，有阳光保险集团做背书，本身最关心的就是管理风险，将风险转到人人信来把控，形成互金公司——人人信——阳光保险，也就是风险识别、管理风险、降低风险闭环形成，有效降低坏账率。

海量真实可靠数据是征信的基石，真实数据量够大，模型样本才更具典型。人人信具备强大的保险信用数据库，还能最高法院拿到刑拘、执行、失信的风险名单信息，在阳光保险集团汇集的保险理赔欺诈、信贷逾期数据基础上，还有工商、运营商、电商、第三方支付的多方数据源，也会和 P2P 合作，得到定期名单。

信用模型是征信的钢筋水泥，缺少龙骨架构，征信毫无意义。提到信用模型，就不得不提美国，个人信用评估体系最发达的国家之一，美国人经常谈到的“你的得分”，一般指的就是Fair Isaac Company推出的FICO分数。与之相比，人人信模型有自己独特的算法和评估。将传统银行、保险业的金融属性数据与互联网大数据进行融合，形成用户360画像;利用前沿机器学习技术，适配传统信用建模方法，打造新一代大数据信用模型方法论和信用评价体系。最新版本的信用模型从行业平均水平的KS=30提升到KS=38，从实际借贷数据的测试结果看，有效将坏账率降低40%-60%，大大降低风险成本。

互金行业虽坎坷长路却蒸蒸日上，在降低风险的收益与成本之间进行权衡并决定采取何种措施进行把控时，征信为其披荆斩棘、担当猛进，犹如时间煮雨，待其来市场洗洗涮涮，检验其数据和模型的金贵之身。