世界銀行：47%的貸款決策正在拋棄傳統征信

數字放貸規模去年增長了34%，但放貸機構越來越不敢信用戶填的資料了。信用記錄殘缺不全，申請表前后矛盾，長表單把轉化率壓到冰點——而決策窗口只剩幾秒鐘。

世界銀行的研究指向一個趨勢：替代數據和數字基礎設施正在改寫風險評估的底層邏輯。個人數據沒消失，但在關鍵決策時刻，它往往幫不上忙。越來越多機構轉向設備智能（Device Intelligence，通過分析設備行為和環境特征進行風險判斷的技術），用可觀測行為替代單純的身份聲明。

從"你是誰"到"你怎么用"

傳統評分的核心問題是：這個人是誰？數字環境里，這個問題越來越難答準。用戶填錯信息、身份被復用、大量借款人根本沒有信用記錄——身份驗證的鏈條在移動端頻繁斷裂。

模型開始轉向實時可觀測的維度：用戶怎么操作、用什么設備、環境是否穩定、行為模式是否持續。麥肯錫的行業報告指出，金融服務正深度嵌入數字生態和各類設備，風險信號的出現位置和形態都已改變。

身份驗證沒有退場，只是多了個更值錢的搭檔：場景。

設備數據為何更扛打

個人數據會過期、會造假、會沉默。設備層面的信號——應用安裝列表、系統語言設置、時區一致性、傳感器校準狀態——很難被用戶主動操控，卻能在毫秒間暴露異常。

一個典型案例：同一臺設備在30分鐘內切換了3個時區，或GPS定位與IP屬地偏差超過800公里。這些不是身份標簽，是行為痕跡。設備智能捕捉的是"怎么用這個設備"，而非"這個設備屬于誰"。

技術架構上，這依賴邊緣計算和本地特征提取。敏感數據不出設備，只上傳加密后的行為指紋。對放貸機構來說，這意味著合規門檻降低；對用戶來說，隱私暴露面收窄。

落地中的三組張力

第一組：覆蓋廣度與精準度的取舍。設備智能在無征信人群中表現突出，但在高凈值用戶群體中，行為信號的金融解釋力反而弱于傳統資產證明。

第二組：實時性與穩定性的沖突。模型需要持續迭代以捕捉新型欺詐模式，但頻繁更新又可能引發評分漂移，讓風控策略失焦。

第三組：技術中立與算法偏見的博弈。設備型號、操作系統版本可能間接關聯用戶 socioeconomic status（社會經濟地位），若不加校正，模型可能復制甚至放大既有的信貸不平等。

誰在押注這條路線

東南亞數字銀行是早期采用者。印尼某頭部平臺2024年披露，設備智能將其首貸審批時間從4小時壓縮至90秒，壞賬率反而下降12%。非洲的移動支付信貸產品更激進——在征信覆蓋率不足15%的市場，設備行為成為核心輸入變量。

歐美市場的進展相對謹慎。GDPR（通用數據保護條例）和即將落地的AI法案對自動化決策的透明度提出硬性要求，設備智能的"黑箱"特性成為合規障礙。部分機構選擇混合架構：設備信號觸發人工復核，而非直接決定額度。

技術供應商的格局也在分化。 一端是專精于設備指紋的初創公司，強調跨平臺識別能力；另一端是云廠商將設備智能打包進風控SaaS，犧牲部分精度換取部署便捷性。中間地帶的整合尚未完成。

Ekaterina Gudkova 在原文中點出一個被忽視的維度：設備智能的真正價值不在于替代數據，而在于重新定義"數據何時可用"。傳統征信是批處理邏輯——月度更新、滯后反映；設備信號是流式計算——連續生成、即時失效。這對風控系統的實時架構提出了完全不同的工程要求。

當放貸機構能在用戶填寫完姓名之前就完成風險預判，征信行業的權力結構是否正在發生某種不可逆的轉移？