另類數據征信對信貸公平的影響及展望

龐德良，李思卓

（1.吉林大學東北亞研究中心，吉林 長春 130012；2.吉林大學東北亞學院，吉林 長春 130012）

一、引 言

一個運轉良好的金融體系應盡可能為更多的消費者提供儲蓄、支付和風險管理產品，并為所有有價值的增長尋找融資和機會。［1］美國的金融業深度和寬度居于全球領先地位。在20世紀20年代，美國進入消費社會初始階段，豐富的金融產品和服務、健全的法律體系和覆蓋全美85%人口的征信體系，為消費社會的發展提供了極大的推動力和保障。然而，在美國金融科技公司ZestFinance于2019年發起的關于“美國人對目前信用評分及體系滿意程度”的哈里斯民意調查（Harris Poll）中，很多人認為傳統征信體系無法反映真實信譽，年輕人和少數族裔的不滿情緒尤其突出。

一方面，在傳統征信過程中“無檔案”（no-file）和“薄檔案”（thin-file）借款人的規模仍然較大，本文將此類容易被傳統金融服務排斥的弱勢金融群體稱為“長尾人群”。2018年美國金融消費者保護局（CFPB）官員表示，美國有2600萬人（約占成年人口的11%）是在三大征信機構都不存在信用記錄的“無檔案”消費者，有1940萬人（約占成年人口的8%）是擁有不大于三個交易記錄、難以生成信用評分的“薄檔案”消費者?！氨n案”消費者可能有信用評分，但如果沒有足夠的近期交易記錄，貸方通常會忽略這些評分。根據Creditcards.com2015年的統計，在15～28歲的美國人中從未擁有過信用卡的人數占36%，信用記錄缺失是主要原因之一，他們經常被懷疑具有“高風險”特征。此外，還有數百萬人的信用檔案存在重大錯誤。CFPB在2019年接到的投訴中，僅關于“信用報告信息出錯”的投訴就占29%。很多實際信用優質的借款人因為信用記錄不足或出錯，又缺少其他申訴渠道證明信譽，常遭到主流銀行的排斥，傳統金融服務和產品的可及性不足。另一方面，信貸歧視在傳統金融服務業中仍然廣泛存在。自20世紀60年代美國的《消費者信貸保護法》頒布至今，涉及個人征信的法律多達幾十部。特別是1970年頒布的《公平信用報告法》和1974年頒布的《平等信用機會法》，都強調信用機構檔案中所包含的消費者個人信息應具有公平性、準確性和隱私性。但是，據美國聯邦金融機構審查委員會（FFIEC）公布的2017年HMDA數據顯示，黑人和拉美裔白人申請人的傳統購房貸款拒絕率高于非拉美裔白人申請人。此外，還有一些機構誘導少數族裔辦理高風險的次級抵押貸款，甚至有很多金融機構在劃定貸款評級時，直接將少數族裔聚集地標記為低收入、治安差、貸款風險極高的區域。

P2P網絡借貸平臺的主要作用之一是彌補傳統金融機構的不足，解決被傳統金融機構排斥的“長尾”用戶借貸需求，促進信貸公平。由于需要面對許多薄檔案甚至無檔案用戶，以及經常被美國傳統征信“歧視”的少數族裔，P2P平臺引入非傳統來源的另類數據（Alternative Data，國內早期譯為“替代數據”），通過建立高維度的信用評分模型，以期更有效地預測借款人的信貸風險。

另類數據是指在投資研究中使用的區別于主流來源的新型數據。［2］在征信實踐中，美國聯邦機構和業內人士通常將另類數據定義為：國家消費者報告機構在計算信用評分時使用的非傳統信息。其中，“非傳統信息”包括任何美國三大全國性消費者信用報告機構（即Experian、Equifax和TransUnion）傳統上在計算信用評分時不使用的信息。目前，無論是美國的傳統三大征信機構，還是具備先天技術優勢的金融科技公司，都在積極研發另類數據相關征信產品，突破傳統數據的選取和使用方式，通過海量的另類數據對平臺用戶進行畫像，最終評估用戶的信用情況。至此，信貸領域的個人風險評估方法已經開始分化，傳統征信和大數據征信之間出現一定的互補，理論上有利于促進金融普惠，這也是金融科技發展的初衷之一。

另類數據的選取和應用，直接決定最后的信用評分能在多大程度上還原借款人的真實信譽，擴大負責任的信貸規模。雖然由于行業亂象風險頻發，P2P網貸平臺已經在我國國內全部退出經營，但隨著國內征信民間化的發展趨勢，P2P網貸平臺作為構建新型體系的重要樣本，其經驗十分值得借鑒。因此，本文將以近年在CB insights發布的全球FinTech 250強上榜的10個美國P2P網貸平臺——Upgrade、Upstart、Prosper、Earnest、Sofi、LendUp、LendingClub、Affirm、FuturelFuel、CommonBond 為例，對另類數據在征信應用中的優勢進行定性分析。而后根據完全信息靜態博弈的結論，提出應對另類數據征信缺陷的辦法。

二、另類數據征信對促進信貸公平的優勢

目前，國內外關于另類數據的研究非常豐富，主要視角有二：

一是研究非傳統信息對個人征信評價的影響，并通過實證進行信息含量分析。研究多將借款人信息分為“軟信息”和“硬信息”，主要分析“軟信息”對反映借款人的貸款成功率、違約率的參考價值。Iyer等以Prosper數據為例，發現P2P網貸中的貸款人使用軟信息預測借款人的違約率時，準確率比傳統信用分高45%，在篩選信用評級較低的借款人時軟信息作用顯著。廖理、吉霖等研究發現，高學歷借款者如約還款的概率更高。［3］劉新海和丁偉發現，信貸記錄并非總與信用狀況相互映射，申請者的其他個人信息和行為信息也會與信用狀況產生聯系，雖然這種聯系可能比較弱。［4］Cong等認為另類數據為金融行業提供了一個新視角，人們通過另類數據可以更好地監控、理解和優化市場中的人類決策。［5］在信息含量研究方面，Berg等的研究表明數字足跡變量能夠體現收入、性格和聲譽，其信息含量甚至比征信機構給出的分數表現得更好。［6］王正位、周從意等對消費行為在個人信用風險識別中的信息含量進行研究，結果表明消費行為信息能夠顯著提升對借款人信用風險的識別能力，如果將其納入征信評估，能夠在一定程度上減少信貸市場的信息不對稱。［7］另一種研究視角，是探討另類數據對提高金融普惠的作用。學者和業界是肯定另類數據對擴大負責任的信貸規模的作用，但是也提出其仍然無法從根本上消除信貸歧視。20世紀90年代就有學者提出當缺乏征信分數時，數字足跡有助于信貸的獲取，從而提高金融包容度，降低信貸中的不平等。［8］近年來隨著具有“普惠”特征的金融科技發展，相關研究再次得到重視。Berg等［6］特別提到數字足跡對新興市場信貸中不被歡迎客戶的幫助作用，這一點在田利輝、李政對“一帶一路”發展中國家的研究［9］對小額信貸平臺在欠發達地區的研究中得到證實，顯示出另類數據應用在緩解金融市場不平等方面的巨大潛力。

在征信實踐中，另類數據相對傳統的單一金融數據具有以下優勢：

（1）另類數據有助于提高數據整體質量。美國P2P網貸平臺的另類數據來源，既包括具有金融屬性的服務商，也包括非金融屬性的機構和平臺（如圖1）。這有助于從多角度評估借款人的違約風險，并且數據集之間能夠互為佐證。例如，在GAO于2019年調查的10家金融科技貸款機構中，部分機構通過從借款人互聯網瀏覽器收集的信息來驗證借款人身份，還有機構應用借款人所提供的電子郵件地址與被第三方認定為欺詐的電子郵件地址進行比對?？梢?，另類數據的應用有助于提高征信評估的準確性，這是僅依靠單一財務數據集不具備的優勢。

（2）另類數據有助于豐富人物畫像。另類數據集的數據構成豐富，能從多角度對借款人進行畫像，增加被傳統金融機構排斥的“長尾”人群獲取信貸的機會。由于數據獲取和處理能力的限制，傳統個人信用評分模型由具有強“因果關系”的結構化數據構成（如圖2），被稱為“強（財務）特征數據”。在數據分析方法上，以統計學方法中的判別分析（Discriminant Analysis）為主（以FICO Score為代表）。隨著數據儲存成本的下降和數據處理能力的提高，使用數據的邏輯和習慣也發生改變，為金融科技機構進行預測性分析（Predictive Analytics）提供了基礎。預測性分析強調的是變量間的相關關系而非明確的因果關系，因此可以通過大量的“弱（財務）特征”的另類數據彌補“信用隱形者”財務信息不足的劣勢（如圖3）。

（3）另類數據有助于提高分析結果的代表性和穩定性。由于另類數據量相對金融數據更龐大，有助于提升數據分析結果的代表性和穩定性。數據的“代表性”指數據代表全部的消費者，還是僅代表其中一個子集。數據量是否足夠龐大且豐富決定著數據集的代表性程度，最終影響數據整體質量和作用。在數據數量上，P2P網絡平臺數據項個數能達到幾千個，變量個數多達上萬個，數據量十分豐富；在數據格式上，兼具結構化數據和非結構化數據；在數據性質上，既包括財務性數據又涵蓋各類行為數據。因此，另類數據集比傳統財務數據集更豐富，更能全面展現借款人的特征。數據的“穩定性”（data stability），在統計學上是用于測量數據波動性與離散性的指標。從時間角度縱向觀察，另類數據具有動態特征，P2P平臺的征信分析模型可以根據最新數據進行動態調整。與傳統征信評分使用的數據相比，另類數據能更有效地反映借款人近期的生活狀態以預測未來風險。綜上，另類數據在征信中的使用更有助于預測金融消費者近期的真實個人信用。

三、另類數據征信引發的新型歧視使信貸歧視更加隱秘

大數據的核心是對數據價值的充分挖掘和利用，而機器學習是利用數據價值的關鍵技術。金融科技的出現及其對另類數據的應用，使弱勢金融消費者的借貸需求得到一定程度的滿足。但與此同時，基于機器學習的另類數據征信也引發多種新的歧視現象，如數字歧視和算法歧視。這類新型歧視使信貸歧視更加隱秘，導致信貸公平難以實現。

（1）數字歧視。數字歧視是數字經濟時代的特有現象，指用戶由于一些原因不使用或不接觸數字化產品，導致其被排除在更廣泛的數字生活模式之外，逐漸在很多方面與主流人群脫離，這些用戶被稱為“數字弱勢群體”。目前，美國年輕人出于對個人隱私的保護，已經表現出對社交網絡的抵觸情緒。Pew Research Center2018年的調查顯示（如圖4），美國50歲以上的用戶對Facebook需求較高，并且可能會留下更多公開的個人信息，而在18～29歲的Facebook用戶中，47%的用戶在幾周或更長的時間里沒有登錄賬號，44%的用戶表示已刪除Facebook應用程序，64%的用戶在過去一年中對隱私設置進行調整。這種選擇使許多人客觀上成為數字弱勢群體，特別是在基于機器學習的另類數據征信方面。例如，LendUp通過申請者的Facebook和Twitter透露出的社會關系緊密程度判斷其信譽的好壞，這樣的數據選擇可能將排斥社交網絡中不活躍、很少留下或習慣刪除數字足跡的借款人。機器學習預測的準確性取決于訓練的數據是否全面、準確。征信實踐中，P2P平臺無法保證其用于機器學習的另類數據樣本足夠多樣。由于缺乏數字信息、被歧視等原因，從最開始就被拒絕的潛在優質借款人樣本永遠都不會被觀察到。機器學習樣本不足將導致模型泛化能力比較低，會產生兩種結果：一是機器無法預測其風險，借款人的貸款申請被拒絕；二是借款人被錯誤地分類到其他特征人群，最終預測結果產生偏差，例如一些照片識別軟件會因為沒有包含足夠多樣的數據，錯誤地分辨非洲裔美國人和亞裔美國人的照片。無論哪種預測結果，被歧視人群都可能無法得到與自己相匹配的產品和服務，失去獲得公平信貸的機會。

（2）算法歧視。算法歧視指在大數據技術下，當機器學習對數據做出分析決策時，由于數據和算法本身隱含錯誤、不具備中立性或被人為操控等原因，造成對數據主體的差別對待并形成歧視后果。

數據混亂造成的數據失真會導致機器學習產生偏差。在聲譽經濟里，聲譽評分或許會因為一次點擊而受到多方面的影響。申請人的賬號被盜、將電腦借予他人操作或者有意制造與“好信譽”有關的虛假數據，這些行為都將造成數據無法反映借款人真實情況。雖然在機器學習中，少量存在問題的弱特征另類數據并不會對結果產生極大誤差，人們對數據錯誤的寬容度因為樣本量的擴大和對算法的信任得到很大提高。但隨著虛假數據的增多，數據分析師不再有能力判斷數據質量。機器使用錯誤的數據進行學習和分析，終將導致“無用輸入、無用輸出”的結果。此外，從數據更新速度來看，模型中對諸如社交網絡數據等高頻變化數據的大量應用，是否會隨著申請者在線行為變化對數據的穩定性造成影響，以及這種影響程度有多大，類似問題也需在未來的實踐中進一步論證。

不具備中立性和人為操控下的另類數據征信，使信貸歧視更加隱秘。在數據獲取方式上，數字足跡等非結構數據主要通過爬蟲自動獲取，不僅可以避免人力輸入錯誤，提高數據實效性，還能避免傳統金融機構中由于信貸員自由裁量權過大，根據主觀判斷輕易變更條款，使具有少數族裔等特征的弱勢金融消費者受到不公平的待遇。同時，另類數據集的厚度和維度都大幅度增加，理論上也有助于還原借款者的真實信譽。但“另類數據”使“歧視數據”和“行為數據”的邊界更加模糊，歧視因素變得更加隱秘。加之人們對“相關關系”的寬容度增加，對數據之間潛在聯系的理解又十分有限，導致難以察覺到看似不關聯的數據集成分析時顯示出的歧視特征。因此，機器學習技術背景下的另類數據征信，使信貸歧視更加隱秘。

另類數據征信只是從僅專注財務數據擴展為關注個人的整體素質，而技術上的突破仍未改變另類數據征信與傳統征信類似的“參照系”評分邏輯。既往研究發現，不同階級間的數字足跡存在差異并且會對個人發展造成不同影響，因此另類數據的過度應用可能進一步拉開階級差距。傳統征信中存在的地域歧視、身份歧視通過技術處理被更隱秘地帶入算法，固有的“地理歧視”和社交網絡中“朋友圈”信息引發的種族、宗教歧視等甚至助長了信貸歧視。雖然，實踐中的確存在“戰略性違約”的情況，但因為借款人處于貧困人口較多的地區或社交關系中存在較多的少數族裔等特殊群體，就判定其同樣具有高違約風險，最終仍未改變信貸歧視的現狀。與法理學中的法官中立基本要求類似，各國的法律中都明確指出不能存在歧視性質的數據，也是為了避免由于不客觀的參照導致不公平的“預判”。但實際上歧視仍然存在，例如Pope和Sydnor（2011）在Prosper的案例中找到明顯基于種族差異的證據，還發現借貸市場對老年人和超重人士也存在一定程度的歧視。2020年2月，學生借款人保護中心（Student Borrower Protection Center）的一份報告稱，在5年期貸款中著名黑人大學Howard University的學生要比Yale大學的學生多支付3499美元，多名參議員致函Upstart Network和其他貸款機構，認為學生信貸過程中使用的教育數據可能涉及教育歧視。

新技術的使用初衷是讓貸款機構的決策更趨于理性，而在進行信用評估前就將歧視因素納入其中，機器學習則會因為人類的認知偏差而變得更具主觀色彩，這種主觀歧視是增加數據厚度和維度都無法消除的。一些P2P平臺還在機器學習中公開或隱秘地設置以傳統信用分數為標準的申請門檻。在表1中，雖然P2P平臺要求申請者達到的傳統信用分數并不高，但是這一限制卻再次將缺少傳統信用評分的申請者排除在外。同時，根據LendingClub官網提供的借款人特征，截止到2016年3月，借款人的平均FICO分數達到近700分，且擁有16.4年的信用記錄歷史。也就是說，很多能在LendingClub成功申請借款的用戶也能在傳統金融機構獲得借貸服務。可見，P2P平臺使用另類數據的主要目的是發現更有信譽、更優質的消費者，降低不良貸款率，而非耗費大量人力物力重點挖掘弱勢金融消費者中的優質借款人。

表1 美國P2P借貸平臺的傳統信用評分要求

借款人透露更多個人信息的初衷是證明好信譽以獲得貸款，而P2P平臺使用另類數據的目的源于兩個方面：一是為更好地風險控制，識別欺詐；二是為精準營銷，牟取更大利益。P2P網貸平臺具有“公共使命”下的盈利動機，增強金融普惠，負責任地擴大信貸規模是一種溢出效應。這也是目前國內外出現算法歧視的“殺熟”行為的主要原因。大數據殺熟是經濟學完全價格歧視行為的表象，體現的是新制度經濟學中買賣雙方對信息產權的訴求。［10］與傳統商業銀行的“交叉銷售”（Cross Selling）推廣手段相似，P2P平臺也使用另類數據施行“差別對待”策略。這種歧視性的針對行為將加劇信貸不公平，而潛在借款人甚至不知道自己已經被差別對待。綜上，在傳統信用分門檻限制和差別營銷的作用下，另類數據的使用實際上提高了特定人群（特別是傳統征信體系中的優質客戶）獲取信貸產品和服務的能力，進而擠壓處于劣勢的金融消費群體獲得合適且更高質量信貸服務的空間，增加潛在的不公平。在這一點上，另類數據對擴大信貸規模的作用十分有限。

四、另類數據征信的效果分析

根據上文分析，另類數據在征信領域的應用仍然存在諸多弊端，甚至可能使長期被傳統金融機構排斥的金融消費者處于更加弱勢的地位。鑒于此，本文將構建金融消費者和網貸平臺的完全信息靜態博弈模型，通過梳理使用另類數據進行征信過程中弱勢金融消費者和網貸平臺可能產生的不同策略選擇，分析另類數據在征信領域的應用是否有助于促進信貸公平。

（1）參與主體。參與主體為金融消費者和網貸平臺。金融消費者特指由于信用記錄缺失或出錯、種族歧視等原因，被傳統金融機構不公平排斥的弱勢金融消費者。網貸平臺指具備另類數據進行征信的相關技術，提供網絡貸款業務的平臺。由于實踐中，金融監管機構對另類數據征信仍處于觀察期，監管缺失僅僅引發網貸平臺在信用評估中是否進行信貸歧視的動機，但不會對金融消費者和網貸平臺造成直接影響，因此不予考慮。

（2）策略集合。博弈雙方具有追求自身利益最大化的傾向。金融消費者的目標是以盡可能低的成本得到金融服務；網貸平臺的目標是降低違約風險，擴大盈利率，保持平臺的健康穩定發展。雙方在博弈中都有兩種策略選擇——金融消費者既可以選擇主動配合提供關于自己的另類數據（即“提供信息”），也可以嘗試保護自己的數據，盡量不提供給網貸平臺（即“不提供信息”），此時將導致網貸平臺掌握數據不足；網貸平臺在金融監管缺失、法律定位不明的情況下，既可以為了追求短期利益利用技術優勢在對金融消費者的信貸評估中設置信貸歧視（即“歧視”），也可以選擇出于為自身健康發展等長遠考慮不設置信貸歧視（即“不歧視”）。表2即博弈雙方的策略組合：

表2 博弈雙方的策略組合矩陣

（3）參數設置及模型。以美國網貸平臺對另類數據的應用現狀為基礎，將對博弈雙方產生重要影響的相關要素納入模型。

在金融消費者方面：如果金融消費者不提供信息，網貸平臺將依據傳統征信評分情況進行授信決策，此時無論網貸平臺是否設置歧視，另類數據都不會使金融消費者的信貸結果產生變化，即金融消費者被拒絕信貸，額外收益為0。如果金融消費者提供信息且網貸平臺不存在信貸歧視，則可能產生兩種結果——另類數據有助于獲得信貸，則額外收益為C1（C1＞0），或者是另類數據反而對信貸評分產生負面影響，導致借貸失敗，則額外收益為C1（C1＝0）。如果金融消費者提供數據，而網貸平臺存在信貸歧視，則金融消費者不僅難以獲得信貸，還需額外付出數據泄露或受到交叉銷售等差別對待的風險S（S＞0）。

在網貸平臺方面：如果金融消費者不提供信息，網貸平臺選擇“歧視”，則由于信息不足拒絕信貸，網貸平臺的額外收益為0；如果金融消費者不提供信息，網貸平臺選擇“不歧視”，平臺額外收益也為0。如果金融消費者提供信息真實，網貸平臺選擇“歧視”，不予授信，則網貸平臺獲得另類數據帶來的額外收益R和交叉銷售等其他歧視策略帶來的額外收益I；如果金融消費者提供的信息虛假，導致網貸平臺誤判最終授信，則網貸平臺需承擔額外風險W（W可能大于R＋I），此時網絡平臺總收益為R＋I－W。如果消費者提供信息真實，網貸平臺“不歧視”，則網貸平臺獲得另類數據帶來的額外收益R；如果消費者提供信息虛假，網貸平臺“不歧視”，則承擔額外風險W（W＞0）。

（4）分析結果。由博弈雙方的收益矩陣表3可見，金融消費者在沒有遭到信貸歧視時，選擇提供信息是最優策略。雖然金融消費者提供信息可能存在歧視帶來的風險損失，但是現實生活中另類數據造成的信貸歧視多為隱形，消費者無法評估提供信息的損失，因此為了獲得服務一定會選擇犧牲個人信息，獲得收益C1。從網貸平臺角度看，歧視具有額外收益I，是絕對上策。由此可見，金融消費者深知失去一些隱私是參與和享受信息密集型經濟帶來好處的代價，因此希望利用更多另類數據評估個人信譽，但在監管缺失的情況下，這樣做不僅不會換來公平的金融服務，反而會助長信貸歧視現象。

表3 博弈雙方的收益矩陣

五、另類數據征信的發展及建議

本文通過對美國P2P網絡借貸平臺的另類數據應用進行梳理，發現另類數據征信可以增加數據的維度和厚度，使個人信譽得到更全面的體現，能夠在一定程度上幫助缺少信用記錄和長期受到歧視的少數族裔等人群爭取更多享受金融服務的機會。然而，金融科技平臺在利用另類數據征信、促進金融普惠的同時，也隱含著“大數據殺熟”的情況，而且機器學習下的另類數據征信使基于數字歧視和算法歧視的信貸歧視類型更加隱秘。

根據弱勢金融消費者與網貸平臺的完全信息靜態博弈分析可以發現，監管的不確定性會限制福利的溢出。政府的正確引導和監管部門的積極舉措是另類數據征信能否真正擴大金融普惠的重要因素之一。美國P2P網絡借貸發展是成熟市場下的業界典范。雖然，美國監管機構很早就開始關注使用另類數據是否侵犯消費者的公平信貸權等問題，但目前無論是美國聯邦銀行監管機構，還是消費者金融保護局（CFPB）仍然未針對另類數據的適當使用以及如何監管第三方使用另類數據和相關風險等問題發布具體的指導。監管機構認為，另類數據或將為看不到信用記錄或缺乏足夠記錄的消費者更容易獲得信貸服務提供契機，應該為其提供足夠的發展空間。因此，在監管不確定的情況下，CFPB僅采取向使用另類數據的公司發出“不行動信函”（no-action letter）的辦法，推動有利消費者的金融創新。CFPB也將在金融科技機構定期提供的報告中進一步觀察另類數據的使用如何幫助金融消費者，以及這些新做法是否合規。然而，從金融科技借貸機構的角度，監管的不確定性反而成為另類數據助力金融服務可及性的阻礙。在美國問責局（GAO）2019年的調查中，部分金融科技貸款機構指出缺乏明確指引將成為金融創新和潛在信貸擴張的障礙。雖然很多金融科技機構已經積極通過各類測試考察其對另類數據的使用是否帶來潛在歧視，以及是否違反《平等信貸機會法》等相關法律，但缺少官方指導，機構內部測試結果的參考價值有限，另類數據不規范使用可能產生的問題仍然會存續，對促進信貸公平的溢出效應有限。綜上可見，由于另類數據在征信中的應用并不成熟，加之缺乏監管細則使金融科技公司對另類數據應用始終持謹慎的態度，傳統信用評分和大數據征信綜合應用，甚至傳統財務數據為主另類數據為輔的局面將長期存在。這些都將縮減金融科技貸款機構對金融普惠的溢出效應。

在數字經濟時代，通過機器學習等先進技術的深入使用仍然是金融業的發展方向之一。一方面，金融科技機構要審慎使用新興技術，注意可能存在的風險。另一方面，通過政府的正確引導和監管的積極舉措，另類數據征信仍然有機會更好地惠及“長尾”人群，促進信貸公平。機器學習是另類數據征信的工具，核心仍然是數據。在數字經濟時代，會產生大量涉及個人敏感、核心的個人信息，且未進行完整的脫敏化（Data Masking）處理，導致個人信息權和隱私權受到侵害。［11］缺乏對個人信息權及隱私權的保護，是個人信息被“殺熟”，遭遇信貸歧視的源頭。因此，監管部門應盡快出臺數據保護相關指引和細則，頒布必要的法律法規，規范金融科技企業及第三方數據提供機構的業務。加強數據共享鏈條中對個人信息的全鏈條保護，保證用戶對個人數據的控制能力。同時，作為維護金融行業有序發展的金融監管部門，亟須加強對金融科技企業的業務規范，盡早提供相關指引。金融科技機構不僅要嚴格遵守相關法律，更要提防數據集成后可能存在的隱性歧視。只有這樣，才能有效保護金融消費者權益，擴大信貸公平，使金融科技機構合規經營，促進整個金融科技行業的有序發展。