上周五用电脑打开文档的是芝麻信用的产品介绍。 不知道从哪里来，也不能轻易找到同样的文件。 但是，因为是产品介绍，所以我以为这是公开文件，所以作为外行说话。 　　

　　

　　上述变量不仅所选指标值得学习，时间窗口也值得关注。 另外，很明显，这些变量大多是相关的，用于芝麻分吗？ 它们怎么综合得到芝麻信用得分？ 　　

　　

　　当然按权重组合。 　　

　　

　　权重是如何得到的？ 　　

　　

　　“综合考虑DAS变量在总量芝麻用户中的数值分布来划分好坏用户的区分度”，既然变量的分组参考了好坏用户的区分度，那么专业名词就是WOE，变量的组合就是以好坏用户为模型的。 　　

　　

　　但是，这些变量、高度相关的变量是通过记分卡筛选的。 据推测，即使有效模型并不用于其中的所有变量，许多变量也会被人为赋予无关痛痒的权重。 　　

　　

　　请注意，这是一个DAS变量数据服务文档，不称为芝麻信用产品介绍。 我推测芝麻信用分数的关键在于那八个核心变量，但我说的是关键，并不是说完全不用那57个基础变量。 　　

　　

　　此外，芝麻积分作为面向用户的产品，还兼有营销激励的功能，最终芝麻积分除了模型计算外，还应该有其他环节的增减积分设置。 　　

　　

　　花呗全面接入中央银行征信系统。 用户使用花呗需要担心什么问题？ 　　

　　

　　征信涉及个人信用，花呗是现代人主动消费的好帮手，两人一拍即合，消费者应该怎么想？ 　　

　　

　　我觉得有必要不说责任和义务，说几句话。 　　

　　

　　目前，中央银行收录的自然人约有11亿人，我认为其中有信用数据的不到一半。 我们的核销业务的开始申请率稍高，为60%左右。 也就是说，大多数人的信用信息相对较少。 那只是简单的身份信息，没有金融信用数据。 　　

　　

　　传统的信用评估模型是根据一个人的贷款历史和还款绩效，用逻辑回归的方式判断一个人的信用状况。 当前，大数据模式越来越盛行，其数据源非常广泛，产生了大量的数据，包括电子商务、社交、搜索浏览等行为。 　　

　　

　　因此，显然，花呗接入央行征信对各平台的好处很大。 因为用户的信用得到了更好的评价，所以对用户来说不是很差吗？ 　　

　　

　　不，对用户来说其实影响不大，但要注意养成按时还款的习惯。 　　

　　

　　花呗对征信的补充主要影响两点，借贷次数多，逾期信息多。 　　

　　

　　风控政策怎么样？ 也就是信用评价。 就算借贷次数多了也没什么影响。 次数再多也不过是一个机构。 一般来说，我不能认为这是不好的行为。 主要是逾期，逾期的负面行为容易被风控拒绝，偶然性逾期其实也不算太糟。 据银行的信审称，被称为“连三连六”。 也就是说，连续逾期3个月，两年内共逾期6次，这是严重的违约行为。 但是，最好不要超过期限。 　　

　　

　　所以，只要养成照常使用、按时还款的习惯，基本上没问题。 　　

　　

　　我首先是消费者，然后是消费品行业的从业者，我的立场永远是消费者。 我说这话的一个依据是，对于《个人信息保护法》的上市，我不是觉得这个不好，而是因为我第一感觉这个好。 　　

　　

　　还是上述提到的很多事情，我都没有取证。 也懒得和蚂蚁的朋友确认。 我们偶尔关注一下如何做一件事的原理和本质就足够了。 关于一个实例的所有细节，实际上没有什么值得研究的。 例如，即使结构工程师盖房子，也不需要知道建筑的立面需要什么样的装饰。 这可能只是一些人的要求。 　　

　　

　　另外，我在其他文章中也提到过这些信用点数，比如芝麻信用点、微信支付点、小白守约点等。 下面的说法来自那篇文章。 　　

　　

　　无论是天猫淘宝京东的消费还是花呗白条支付的海量交易数据，都可以用来评估个人的还款能力和意愿。 马斯洛的需求理论，也就是生理、安全、情感、尊重、自我实现依次升级，越是表现出高度需求的数据，越能赋予权重。 也就是说，重要的不是一次购买行为，而是消费习惯。 　　

　　

　　那些商户在平台上有所有的交易、资金、物流信息，可以作为金融服务的依据。 　　

　　

　　你掌握了人的人际关系，掌握了那个人。 社交链不仅可以用来评价信用，还可以直接作为当铺。 因为每个人都很在意这一点，很在意。 　　

　　

　　在我知道这个话题的时候，我意识到我有很多问题在问如何提高芝麻的分数。 我说一句话。 　　

　　

　　如果你想提高分数，就考虑一下那些核心变量吧。 另外，这些变量是时间窗口，是分段的，所以你的行为会在一定的时间内均衡，需要分段后再跳班次才能影响结果。 这给提高分数带来了难度，也是防止指标伪造的科学手段。