卡神没有央行征信怎么放贷？海外现金贷信用评分的5类替代数据
在墨西哥，征信覆盖率不到30%，大量用户是”白户”。在印尼，OJK信用局虽已建立但数据共享有限。没有征信，你的信用评分模型拿什么跑？
问题的本质
做信用评分，需要回答一个问题：这个人借了钱会不会还？
国内有央行征信覆盖10亿+人，百行征信、朴道征信补充，加上同盾、百融等商业数据源，一个用户的信用画像可以做到几百个维度。
海外呢？巴基斯坦SECP到2025年8月才批准了22家持牌NBFC，征信系统还在建设中。孟加拉MRA已经停止发放新的微金融牌照，683家NGO之间数据不互通。印尼OJK有Credit Bureau但覆盖率有限。
结果就是：你的大部分用户是”白户”——没有任何信用记录的人。
但这不意味着你完全没有数据可用。海外现金贷的风控人摸索出了5类替代数据，可以在没有征信的情况下，做出相当不错的信用评分模型。
第一类：运营商数据——最被低估的金矿
电信运营商掌握着每个手机用户最核心的行为数据。
能拿到什么：
为什么有效？
某平台的A/B测试发现：通话时长与逾期率直接强相关。 通话时间规律、主叫比例高、在网时长超过1年的用户，坏账率比对照组低40%。
在墨西哥，有平台对接了运营商数据后，FPD（首期逾期率）从25%降到了20%。在东南亚市场，运营商数据几乎是征信的”平替”。
怎么对接：
- 巴基斯坦：Jazz、Telenor、Zong等运营商都有数据API，需要用户授权
- 孟加拉：Grameenphone、Robi、Banglalink等，授权流程类似
- 费用：约$0.05-0.15/次查询
- 周期：实时返回，但部分维度（如月均消费）有1-3天延迟
注意坑： 运营商数据需要用户明确授权。建议在申请流程中设置一个”运营商授权”步骤，用简化的话术让用户理解——”授权查看您的运营商数据以提高审批通过率”。
第二类：APP行为数据——免费的宝藏
用户在APP里的每一个操作都是数据。这些数据你不需要花钱买，自己就能采。
核心行为特征：
注册阶段：
- 注册到提交申请的时间间隔：太短（3天）可能是犹豫不决
- 注册时的IP和GPS是否一致
- 是否在非工作时间注册（凌晨2-5点）
填表阶段：
- 表单修改次数：修改3次以上的用户，坏账率比一次填完的高2.1倍
- 填表速度：过快（程序自动填充）或过慢（边问别人边填）都是风险信号
- 停留页面：在工作信息页面停留时间异常长的用户，可能在工作经历上造假
APP使用阶段：
- 日活跃天数：越活跃的用户还款意愿越强
- 功能使用路径：只看借款页面不看还款说明的用户 → 还款意识弱
- 推送通知点击率：愿意看APP推送的用户，催收触达率也更高
实战特征重要性排序：
某平台对73项行为特征做了特征重要性分析，排名前5的是：
- 注册到申请的时间间隔
- 首次登录到完成认证的步骤数
- 表单修改次数
- APP日均使用时长
- 是否查看过还款计划页面
这5个特征的AUC贡献达到了0.72——意味着仅靠APP行为数据就能做出一个中等水平的评分模型。
第三类：社交关系数据——你的朋友决定了你的风险
“近朱者赤，近墨者黑”在风控里也成立。
通讯录的3个用法：
用法1：联系人质量评估
- 通讯录中有多少人也使用了你的平台
- 这些人的还款表现如何
- 如果通讯录中超过30%的人有逾期记录 → 高风险
用法2：社交聚类
- 和你通讯录重合度高的其他用户
- 这些人的平均逾期率
- 如果你的”社交圈”逾期率超过20% → 高风险
用法3：中介检测
- 多个用户填的紧急联系人是同一个号码
- 通讯录中有已知中介号码
技术实现：
社交关系数据需要构建图数据库。每个用户是一个节点，通讯录重合度>50%的两个用户之间画一条边。用图神经网络（GNN）做社区发现，识别出紧密关联的用户群体。
某消费金融公司通过GNN发现43个关联账户，打掉了涉案1.7亿元的诈骗团伙。在日常风控中，社交图谱的团伙欺诈识别准确率可以达到99.2%。
合规要点： 通讯录数据必须哈希化处理。只存号码的哈希值和相似度分数，不存原始号码。巴基斯坦和孟加拉的隐私法规都要求这样做。
第四类：支付与交易数据——最直接的还款能力证明
如果你有支付场景（如电商、缴费），交易数据是比任何替代数据都强的信用信号。
没有支付场景怎么办？看这些替代信号：
充值行为：
- 手机话费充值频率：每月充值1-2次的用户，经济稳定性高
- 充值金额波动：金额稳定的用户还款表现更好
- 充值渠道：用正规渠道（运营商APP、银行APP）充值的用户，比用非正规渠道的风险低
公共事业缴费：
- 水电费缴纳记录（如果能获取）
- 缴费及时性：按时缴费的用户还款也按时
电商消费：
- 如果平台有电商合作方，消费频率和金额是强信号
- 消费品类：买日用品的用户比买奢侈品的用户还款更稳定
在孟加拉的特殊信号：
- bKash（最大的移动支付平台）的交易记录——如果能通过授权获取
- NGO的会员缴费记录——MRA管理的683家NGO中，很多有定期缴费机制
某平台在孟加拉市场发现：有bKash交易记录且月均交易超过20笔的用户，坏账率比没有bKash记录的用户低55%。
第五类：设备与环境数据——不需要用户配合的被动采集
前面四类数据都需要用户授权或主动提供，第五类是系统被动采集的，用户甚至不知道你在收集。
环境维度：
两个特别有效的特征：
- 设备价格估算：通过设备型号查询市场价格。用500美元以上手机的用户，月收入大概率高于用100美元手机的用户。这不是歧视，而是统计规律——在缺乏收入证明的市场里，设备价格是最好的收入代理变量。
- 安装APP列表：
– 装了银行APP → 有银行账户，金融素养较高
– 装了0-1个竞品借贷APP → 正常
– 装了4个以上竞品APP → 多头借贷风险（前面文章详细分析过）
– 装了博彩APP → 高风险信号
– 装了正经工作相关APP（如LinkedIn） → 稳定性信号
某平台统计：安装了银行APP的用户，坏账率比没装的低35%。安装了4个以上竞品借贷APP的用户，坏账率是没装的3.2倍。
五类数据怎么组合使用
冷启动阶段（0-5000用户）：
只能用第一类（运营商数据，如果有）+ 第二类（APP行为）+ 第五类（设备环境）。
这个阶段模型AUC大概在0.65-0.70之间，不够精细但够用。关键是配合规则引擎：高风险直接拒，中风险小额试错，低风险正常放款。
成长阶段（5000-50000用户）：
加入第三类（社交关系）和第四类（支付数据，如果有）。模型AUC可以提升到0.72-0.78。
这个阶段开始积累历史数据，可以做vintage分析，持续优化特征和模型。
成熟阶段（50000+用户）：
五类数据全部到位，加上历史还款数据，可以做深度学习模型。AUC可以达到0.80+。
度小满的案例显示，处理超过40万维多源异构数据，坏账率可以降低37%。虽然这是国内案例，但数据维度越多、模型越深，效果越好的逻辑在海外同样成立。
一个落地建议
别一上来就追求复杂的模型。先做好这两件事：
- 把5类数据都采起来，不管现在用不用得上。数据是要积累的，等你发现有用了再开始采就来不及了。
- 从简单规则开始：先用第五类的设备价格和APP安装列表做规则引擎，这两个特征采集零成本、效果明显。用户量到5000以后再上模型。
记住：在海外，数据的匮乏不是你的错，但数据采集的缺失是你的失职。先把替代数据管道搭起来，后面模型怎么迭代都有粮草。
记住：在海外，数据的匮乏不是你的错，但数据采集的缺失是你的失职。先把替代数据管道搭起来，后面模型怎么迭代都有粮草。
下篇聊聊： 催收实战——M1回收率从70%到90%，海外现金贷催收实战手册。
如果觉得打字麻烦，可以直接添加我们的商务微信，一对一沟通：
📱 添加商务微信
添加时备注”市场评估”
卡神公众号：海外现金贷风控与资源一手干货
