怎么才能快速涨芝麻信用分(怎么快速的涨芝麻信用分)

编辑导语：在支付产品中，你可能见过这样一款产品——芝麻信用，这是衡量我们信用度的一大指标。那么，为什么要做这样的产品，它是如何评价我们的信用的呢？本文对芝麻信用进行了详细的介绍。我们来看看芝麻信用是怎么做的。

上述变量除了选取的指标值得学习外，时间窗口也很值得注意。另外，显而易见，这些变量很多都是相关的，它们都会被用在芝麻分里面吗？它们怎么综合得到一个芝麻信用分呢？

当然是通过权重进行组合。

权重如何得到？

“综合考虑 DAS 变量在全量芝麻用户上的数值分布对好坏用户的区分度将其进行分段”，既然变量的分组是参考了好坏用户的区分度的，专业名词就是WOE，那变量的组合当然是对好坏用户进行建模得到。

但是，这些变量，高度相关的变量，是会被评分卡筛选掉的。有效的模型不可能用到了其中所有的变量，即使有，我推测，很多变量也是人为地被赋予了无关痛痒的权重。

请注意，这是 DAS 变量数据服务文档，并未称作芝麻信用分产品介绍。我推测芝麻信用分的关键在那8个核心变量，我说的是关键，并不是说完全不用那57基础变量。

另外，芝麻分作为面向用户的产品，还兼有营销激励的功能，最终的芝麻分除模型计算外，应该还有其他环节的增减分设置。

03

花呗将全面接入央行征信系统，用户使用花呗需不需要担心哪些问题呢？

征信关乎个人信用，花呗是当代人超前消费的好助手，当它俩一拍即合，消费者应怎么考虑？

我不说责任和义务，也觉得有必要说几句。

现在大概央行收录的自然人11亿，其中有信贷数据的应该不到一半，我们消金业务发起申请查得率稍高一些，60%左右。也就是说，绝大多数人的征信数据信息是比较少的，就是那些简单的身份信息，没有金融信用数据。

传统的信用评估模型是根据一个人的借贷历史和还款表现，通过逻辑回归的方式来判断这个人的信用情况。现在越来越兴起大数据模型，它的数据源就十分广泛，包括电商、社交、搜索浏览等行为都产生了大量的数据。

所以，显然，花呗接入央行征信，对各大平台来说好处很大，因为用户的信用更好被评估了，那对用户来说呢，是不是就不好呢？

不是的，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，主要就影响了两点，借贷次数多了，逾期信息多了。

风控策略呢，也就是信用评估，借贷次数多了影响不大，次数再多也只算一个机构，一般不会认为这是坏行为，主要是逾期，逾期这种负面行为容易被风控拒绝，偶然性的逾期其实也不至于太坏。银行信审有个说法，称为“连3累6”，即连续出现三个月逾期，两年内共计六次逾期，这种属于严重的违约行为。但最好别逾期。

所以，可以照常用，养成按时还款的习惯基本就妥了。

我先是消费者，再是消金行业从业人员，我的立场始终是消费者。我说这话的一个依据是，对于《个人信息保护法》的出台，我第一感觉是这是好的，而不是这很糟糕。

04

还是要声明，上述说的很多事情，我并没有取证，甚至懒得找蚂蚁的朋友确认，我们有时候关注如何做一件事的原理和本质就够了，至于一个实例的所有detail，其实并没有太多价值去研究。就像，一个结构工程师盖房子，也实在没必要一定要知道建筑立面要做哪些装饰，这可能只是某些人的要求而已。

另外，我在

http://www.woshipm.com/data-analysis/5118872.html这篇文章中，提到过这几款信用评分，包括芝麻信用分、微信支付分和小白守约分。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，都可以用来评价个人的还款能力和意愿。结合着马斯洛需求理论，也就是生理、安全、情感、尊重、自我实现依次升级，越能体现高级需求的数据越可以给更高的权重。也就是说重要的不是单次购买行为，而是消费习惯。

而那些店铺商家，平台有他们所有的交易、资金、物流信息，都可以用来作为金融服务的依据。

你掌握了一个人的人际关系，就掌握了这个人。社交关系链，不仅可以用来评估信用，还能直接作为质押物，因为每个人都在乎它，而且很在乎。

我在知乎搜这个话题时，发现有不少问题在问如何提高芝麻分。也说一句。

如果你想要提升分数，就考虑下那些核心变量吧。另外值得注意的是，这些变量都是时间窗口的，并且是分段的，你的行为会被摊平到一段时间内，并且需要分段后跳档才能对结果产生影响。这给提升分数带来了难度，也是防止指标造假的科学手段。

本文由@雷帅 原创发布于人人都是产品经理。未经许可，禁止转载