2020 年初，中国人民银行征信中心将向公众和金融机构提供第二代格式信用报告查询服务。与第一代征信报告相比，新的第二代征信报告丰富了信息内容，优化了信息显示形式，提高了信息更新效率。

征信报告是依法建立的，主要从事征信业务的记录文件，收集、整理、保存和处理个人综合信息，包括个人完整信息、银行贷款和还款信息，为信息用户提供信息。它也是信用调查的基础产品。系统记录个人信用状况，全面反映信息主体的信用状况。

截至 2019 年底，个人征信系统共收集自然人信息约 10.2 亿人，规模居世界前列；个人征信系统已接入 3737 家机构，基本覆盖各类正规贷款机构；2019 年，个人征信系统累计查询量为 24 亿次，日均查询量分别为 657 万次。

然而，尽管信用报告已升级到第二代，但对于大多数银行和金融机构来说，如何使用第二代信用报告来对一级客户进行评估，或者升级风险控制？

丰富的第二代信用报告数据对于金融机构准确评估客户信用、了解客户负债具有重要意义。但目前国内征信报告的阅读形式单一，没有特征变量体系，无法直接用于征信规则、风控模型等场景。

合理利用信用报告数据，深入挖掘和处理信用报告数据，构建衍生指标变量体系，构建信用报告数据统一处理和衍生变量统一管理平台，并为客户评估、风险评估、差异化和等价模型提供统一、标准化的信用报告数据衍生变量计算服务，提高风险控制能力的全面性、准确性和灵活性。

这也意味着第二代征信系统生成的报表仍然是非结构化数据，需要对其进行解读、整合，形成可用于大数据评分的数据维度，以便快速建立评分模型。

以大数据公司华策数字事业部为例，自第二代征信系统开通以来，华策数字事业部开始设计和规划相关数据的衍生变量。目前，已对第二代征信八大类模块中的 400 多个基本变量进行了分析，生成了基本变量库，并在此基础上构建了 8000 多个衍生变量的衍生变量库。

您知道，华策数字事业部有一款基于大数据的计分产品 smart score，已经稳定迭代运行了近 5 年，服务于 50 多家商业银行、消费金融公司等客户，涵盖了信用卡发卡、现金、消费等整个应用场景，以及从客户获取、筛选到贷后管理的整个信贷流程。

刚才提到的变量数据库的建设再次提升了 smart 分数。基于第二代征信报告的数据维度，可以进一步丰富和完善 smart score 中的不良信息、多头联名债等大数据风险控制模型，从而大大提高模型应用于征信审核、反欺诈、精准营销等方面的准确性。

也正是这些大数据产品与征信报告的结合，在提升银行风险控制方面发挥了诸多积极作用。