前言

大家在借唄或者銀行的信用貸借錢的時候，第一步是讓你授信，看看你的信用能夠貸到多少錢？那么金融機構是如何知道你的信用狀況呢？

圖片

在金融機構開展信貸業務、進行風控管理的過程中，征信數據是十分關鍵且重要的基礎數據，它客觀反映了征信主體的信用狀況。以人行二代征信數據為例，其中存在極其豐富的個人信息、信貸交易明細等數據，那么如何從中快速挖掘衍生出有價值的指標成為了信貸業務開展、風險控制管理的重要工作，本文就講講金融機構通常是如何使用征信數據的。

征信報告有什么？

征信報告究竟長什么樣子呢？以人行二代征信報告為例，征信報告分為簡版和詳細版本，簡版可以直接在人行官網發起查詢，而詳版需要線下去網點查詢。下圖是人行簡版的截圖：

圖片

通常人行征信報告包含以下內容：

• 個人基本信息：包括姓名、身份證號碼、性別、出生日期、戶籍地址等個人身份信息。
• 信貸信息：包括個人的信貸記錄，如貸款、信用卡、抵押貸款等各類信貸產品的信息，包括信貸額度、貸款余額、還款記錄、逾期記錄等。
• 查詢記錄：列出對個人信用報告的查詢記錄，包括個人查詢和信貸機構的查詢。個人查詢不會對信用評分產生影響，而信貸機構的查詢可能對信用評分產生影響。
• 逾期記錄：顯示個人在還款方面的逾期情況，包括逾期天數和逾期次數。
• 異常信息：包括欺詐警示、異常交易等與個人信用相關的異常信息。
• 其他信息：可能包括個人擔保信息、征信提示等其他與信用相關的信息。

金融機構如何獲取征信報文？

通常情況下，金融機構的信貸系統不會直接連人行征信系統，而是通過征信前置系統進行上報、查詢。

圖片

xml一般好幾M，內格式大致如下：

圖片

不同廠商的征信前置系統會對原始的征信報文做簡單的加工，比如轉成json，或者去掉部分信息，然后給到信貸系統。

如何構建征信指標體系？

現在獲取到征信指標的報文，可以利用里面的征信數據加工衍生出各種各樣的指標。基于對征信數據的充分挖掘，包含個人信息類、賬戶行為類、逾期類等12個指標大類，細分為37個指標小類，形成衍生指標1600多個，可實現對征信信息精細且全面的覆蓋。

圖片

如何搭建信貸征信指標平臺？

現在要基于征信數據構建出一套征信指標體系，必然需要搭建一套系統去支撐，那么該如何做呢？

圖片

整個信貸征信指標平臺分為2個大模塊，管理模塊和執行模塊。

1、管理模塊面向指標管理人員，主要用于指標通過SQL或者界面拖拉拽的方式快速開發出征信指標，然后發布出去。

2、執行模塊面向行內業務系統，接收管理平臺的變量配置，負責將清洗解析后的原始報告數據，按照管理平臺配置的變量邏輯進行同步并行計算，得到最終的變量結果。

整個征信數據處理流程如下：

圖片

征信報文接入

通常情況下，決策系統等外部應用系統請求征信前置機獲取征信報文，返回的格式可能是xml、json或者html。征信報文通常包含身份信息單元、婚姻信息單元、信貸交易信息概要信息單元、借貸賬戶信息單元等內容。然后調用征信指標衍生平臺暴露的接口，傳入相應的征信報文。

征信報文解析

征信指標衍生平臺解析原始的報文數據，轉換成平臺中的58張內存表（數據模型）中，包括身份信息、婚姻信息、借貸賬戶基本信息、借貸賬戶最近24個月還款記錄信息等。

征信指標管理

利用接入的統一數據模型，通過sql或者界面拖拉拽的方式配置衍生指標的邏輯。

征信指標計算

征信指標的計算分成了實時和異步兩種方式。

實時即線上接口調用的場景，將決策所需的變量（一般50個左右，一般不超過300個）實時計算返回，對時效性要求較高，需要在內存中進行計算解析。

異步，通俗來說就是“攢數”的場景，方便后續策略迭代時，對歷史變量的回溯，對時效性要求不高，但變量數量龐大（多達數萬）。為不影響線上決策，實時和異步往往要隔離資源進行計算。

具體的計算引擎采用基于Apache Calcite作為SQL處理引擎，Apache Calcite 這一個開源的SQL查詢引擎，提供標準的SQL語言，查詢優化，連接數據源的能力，但是它不負責存儲和管理數據，只需要編寫對應的插件即可實現從內存的表中計算出指標。采用Calcite方式的另外一個好處，相對于內存數據庫，性能更好，因為即便內存數據庫也需要有數據庫落庫的開銷，本身數據庫的ACID等特性也會影響到查詢的性能，Calcite就不存在這樣的問題。

征信指標結果獲取

對于實時場景下，指標直接通過接口返回，用于后續的決策。異步場景，指標計算的結果可以落到數據庫中，其他系統自己主動來獲取。由于單客戶單報告的變量變量能達到數萬甚至數十萬，累計一段后，數據量將會很大。一般建議只存儲近期數據。而存儲形式上，對每個變量做列式存儲是不現實的，將本次報告的所有變量以單層json的形式存儲在一個字段下。

總結

征信指標管理系統實現了一站式指標開發、計算、發布、迭代和管理功能，極大地降低了征信指標衍生加工的難度。而且采用內存的計算方式，保證了系統的性能，后續還可以納入企業征信、稅務、工商、司法等更多外部數據，為整個信貸業務賦能。