分析与决策

报告PDF版下载链接：https://pan.baidu/s/1skA9ZFB

报告PPT版下载链接：https://pan.baidu/s/1i50XgW1

本文将从历史、现状、财务表现、营业收入构成和资本市场表现等多个维度分析征信巨头Equifax（下文称为"艾克飞"）、TransUnion（下文称为"环联"）、Experian（下文称为"益博睿"）、Dun&Bradstreet（下文称为"邓白氏"）和FICO的异同。

一、FICO与征信巨头

在比较这五者之前，有必要先来阐述下FICO和征信巨头之间的关系。

FICO跟征信巨头不同，它本身并不掌握消费者个人或企业的信用数据。

根据数据采集重点人群的不同，可以将征信巨头分为个人征信巨头和企业征信巨头两种，艾克飞、环联和益博睿属于前者，邓白氏属于后者。

需要说明的是，本文称艾克飞、环联和益博睿为个人征信巨头只是为了表述方便，这三大机构并不只经营征信业务，在征信业务中也并不只做个人征信，实际上三家机构都涉足了企业征信业务，只是相较而言，在征信业务中三家机构的个人征信业务较多。

1、FICO和个人征信巨头

FICO在信用评分业务上的商业模式是（以下三个环节有先后顺序）：

（1）处理征信巨头信用报告中的数据

（2）通过模型给出消费者个人或企业的信用评分

（3）自己售卖或者通过征信巨头售卖信用评分（三大个人征信巨头可能会免费向消费者提供后者的信用评分，但会向其推销自家的信用监测等收费服务）。

在第三个环节中，三大个人征信巨头是FICO信用评分的经销商。2013年、2014年和2015年，FICO分别有16%、15%和16%的营业收入来自和三大个人征信巨头的合同。

可以说，三大个人征信巨头既是FICO信用评分的原材料生产商，又是其经销商。

另一方面，三大个人征信巨头和FICO有竞争关系。

三大个人征信巨头各自都开发了信用评分，还联合打造了Vantange评分来对抗FICO评分。

另外，FICO和三大个人征信巨头在市场营销、消费者战略管理和银行反欺诈等诸多领域有正面竞争。

总而言之，FICO在信用评分上的商业模式尽管和三大个人征信巨头有所不同，但仍有竞争关系。在信用评分业务以外，两大阵营亦有诸多竞争。

2、FICO和企业征信巨头

邓白氏企业还款评分（PaymentScore）是根据邓白氏商业信息、消费者信息和来自三大个人征信巨头的主要企业主信息，与FICO共同开发的一款产品，综合评估预测小型企业在商业信用活动中的按时付款能力。

FICO和征信巨头的业务有多处重合，具有一定的可比性，本文选择将FICO和征信巨头一并比较。

二、历史

从时间上来看，FICO创办于1956前，比艾克飞和邓白氏晚，比环联和益博睿早。在三大个人征信巨头的前身都成立后，1981年，FICO创始人BillFair、EarlIsaac和FICO团队其他成员一起推出了首个FICO征信机构风险评分。十年后，1991年，FICO征信机构风险评分可在三大个人征信巨头获取。

从基因上来看，征信巨头涉足征信业务都是由于自身业务发展的需要，并都起源于商业信用（详见下表）。不同的是，艾克飞和益博睿的起源都与零售业有关，而环联和邓白氏与工业有关。

1、艾克飞进场

艾克飞的前身是零售信用公司（RetailCreditCompany），其创办人是CatorWoolfor和他的律师兄弟。CatorWoolford涉足征信业源于1898年他在田纳西州经营杂货铺的同时为一家零售食品杂货商协会整理客户信用记录表。为了覆盖成本，他向其他商人销售该表，自此走上商业化之路。

零售信用公司成立后，其将客户信用信息编纂成本，并给它起名为"商人指南"，商人对书和随后的信用报告的购买价格是25美元一年，食品杂货商的购买价格更低。

2、邓白氏进场

1841年7月20日，LewisTappan（物理学家和发明家本杰明·富兰克林的曾侄孙）在纽约开设了一家纺织业信息代理机构，处理自己在纺织生意中的信用问题，这是第一家商业信息服务机构（《金融隐私--征信制度国际比较》援引消费者数据协会的报告称，美国第一个有记载的个人征信机构是1869年布鲁克林建立的，邓白氏官网称这是最早的商业信息服务机构之一）。

1849年，Tappan将公司转让给前职员BenjaminDouglass。Douglass开始雇佣全职员工。当时，信用报告员是受人尊敬的岗位。美国历史上的四位总统（亚伯拉罕·林肯、尤利西斯·格兰特、格罗弗·克利夫兰和威廉·麦金利）都曾在邓白氏担任信用报告员。

1859年，Douglass将公司转让给妹夫RobertGrahamDun，公司改名为邓氏公司（R.G.Dun&Co.）。

1849年，白氏公司（JohnM.Bradstreet）在辛辛那提成立。两年后，白氏公司出版了第一本有关商业信用评级的书。评级符号取代了征信报告中描述性和高度主观的语言，便于数据使用者比较潜在借款人。

美国内战后，邓氏公司和白氏公司逐渐主导了美国全国和跨地区的企业征信业务。20世纪30年代，经济大萧条和行业竞争使邓氏公司和白氏公司走向合并。1933年，邓氏公司和白氏公司合并。

3、环联进场

环联的前身是一家铁路车辆租用组织的下属公司，时名"联合油罐车公司（UnionTankCarCompany）"，其涉足征信业务是为了解决铁路车辆租用中与应收账款相关的信用问题。

4、益博睿进场

益博睿的前身是诺丁汉商业信用有限公司（CommercialCreditNottingham，下称CCN），其从百货商店GreatUniversalStores中独立而来。而这家百货商店从1967年开始将拥有的消费者数据自动化，目的是管理分期付款合同并决定授信名单。1980年，CCN成立，从内部服务走向社会，开始公开售卖数据库。

三、现状

四、定位

从下文可以看出，各征信巨头和FICO无一例外都提到了"数据"或者"信息"，大部分都提到自身会"运用数据改善决策"。也就是说，征信巨头都不止想做征信，而越来越像FICO，像一家咨询公司。

1、艾克飞

艾克飞在官网中称，"通过综合利用独特而可信的数据、技术和创新性的分析，艾克飞已经从一家信用报告公司成长为领先的、帮助客户做出明智决策的、提供洞见和知识的服务商。"

2、环联

环联在官网中如此描述自身，"我们想成为的不只是一个信用报告机构。我们是复杂的全球风险信息的提供商。"

3、益博睿

益博睿在官网中称，"在一个发展越来越迅速和复杂的世界，每天每分钟有百万互动在发生，我们的数据和分析帮助民众、企业和机构保护、管理和最大程度地利用他们的数据，来打造更好的商业成功和建立更为强壮的客户关系。"

在2015年年报中，益博睿表示，"我们相信数据有改变生活的力量。数据对我们生存的世界来说是基础的。我们从复杂中提炼出简约，给予民众和企业实现他们目标的力量。我们通过使用数据、分析和技术来帮助消费者和客户保护、管理和最大化地利用他们的数据。"

4、邓白氏

在2015年年报中，邓白氏如此阐述其价值观：

数据驱动。我们着迷于数据的力量，它是我们所做的所有事情的核心。

无尽的好奇心。我们拥抱周遭世界的变化，它们带来新的需要解决的问题、新的需要学习的事物和新的成长路径。

天生的慷慨。我们通过帮助别人成功的方式去抵达成功。我们开放地分享我们的时间和人才，也自信地欢迎来自他人的帮助。

5、FICO

FICO称其成立的初心是相信聪明地运用数据能改善商业决策。根据FICO官网，其对自己的定位是"全球领先的预测分析和决策管理公司"。

五、最新财年财务数据

从下表中可以看出，五家机构在营业收入上从大到小的排序是益博睿...

2018年1月26-27日,在中国百强快餐顺溜刀削面的会议室,针对连锁企业投资风险管控的市场调研管理系统的咨询辅导正式拉开帷幕。餐饮酒店数控管理专家李颖针对山西知名连锁企业顺溜刀削面、德得餐饮和金绣源的投资风险管控管理系统进行了专业、详细的咨询辅导。

李颖谈到，市场调研管理技术在企业管理中应用非常广泛，在营销、成本管控、建店投资、人力资源管理、市场、战略等方面都有丰富的运用。专业市场调研技术是企业深刻了解管理事务本质的非常重要的途径与手段。李颖还举例说明，目前在中国，企业战略管理仅局限于头脑风暴和案例教育的层面，比如进行顾客属性的划分，是通过顾客数据搜集，通过专业的数学模型，分析客户群定位，是企业战略管理中非常重要的方面，是西方定位理论的核心，但目前中国企业对此知之甚少。由于缺乏了核心的数理统计分析流程，所以中国的战略管理教育只能是中国企业家的高大上的知识奢侈品，却无法在管理实践中深耕发芽。

李颖还谈到，连锁企业的市场调研管理系统可分为例行调研和特型调研。针对辅导企业的管理系统，李颖详细辅导了如何针对特定商圈进行顾客行为及满意度、竞争对手判断、特定顾客行为统计概率及顾客来源半径的市场调研、测算及分析。以下是咨询辅导现场的部分PPT演示：

“真正的大数据不是有了数据，把这些数据接入之后存起来就可以了，真正要做的事情是智能分析和智能决策，通过在两化融合的基础上构建的智能分析优化系统“工业大脑”，进行相应的智能决策。”

近年来，工业大数据逐渐从概念走向落地阶段，数据基础较好的一些细分工业领域，已经在利用新兴的大数据等技术创造价值。昆仑数据科技公司首席运营官陈晨阐述了大数据如何推动中国工业转型升级、产业变革，以及工业大数据的特点难点，行业中面临的挑战和实施路径。

图：12月26日，清数大数据产业联盟与清华校友总会AI大数据专委会（筹）共同主办的清数思享会系列活动首次在天津武清举办。陈晨在会上做了相关分享。

大数据文摘对本次分享的精彩内容进行了整理，在不改变原意的前提下有删改：

工业革命的关键技术要素是工业大数据。各个产业大国都面临着从传统制造业向制造服务业转型的压力。美国的应对方法是工业互联网革命，德国提出实施工业4.0战略，我们国家提出“中国制造2025”战略规划。美国的工业互联网侧重于用互联网激活传统工业带动产业变革，关键是通过大数据的分析能力实现智能决策。德国4.0的本质是基于“信息物理系统”实现“智能工厂”标准化，”中国制造2025”战略将工业互联网和智能制造两者进行有机的结合。

面对新一轮的工业革命，要以信息化和工业化的深度融合为基础进行智能化升级。真正的大数据不是有了数据，把这些数据接入之后存起来就可以了，真正要做的事情是智能分析和智能决策，通过在两化融合的基础上构建的智能分析优化系统“工业大脑”进行相应的智能决策。这些智能分析与决策离不开原有的信息化系统和自动化系统的支撑，更离不开产生这些数据的实体设备与装备。工业大数据的来源其中一部分是生产经营领域的数据，另外很大一部分则是生产设备和生产出来的高端产品与装备在运营过程中产生的机器数据。基于这些数据集成实体运行所在环境数据，在信息管理系统和自动化系统基础之上，构建具备智能分析优化能的大数据系统 ，达成提质、增效、降耗和控险的目的。

工业大数据可以分为三类，一部分是工业物联网数据，比如生产设备、智能产品、复杂装备24小时不断产生的数据。一部分企业信息化数据，同时还有很重要的一部分数据是外部跨产业链的数据，包括设备在运行过程中所处的环境数据，比如气象数据、地理数据、相应的环境数据，这三种数据合计才能称之为工业大数据。

工业大数据的挖掘就是把工业物联网数据与跨产业链数据以及企业信息化数据相结合，把分散在企业各个角落里的数据进行整合，挖掘这些数据融合所能产生的价值。

工业大数据的特点：多模态、高通量以及强关联

多模态。

在工业系统里数据种类、数据格式以及数据结构非常多，结构关系复杂。一个汽轮机里面会有上万个零部件，一个复杂装备的制造企业，它的数据种类多达三百余种，所以在工业领域里会存在数据多模态特征。

高通量。

即无论是生产设备还是智能装备有可能是24小时不间断产生数据的，我们以分、秒的频率采集数据，在很多应用场合甚至是毫秒级的数据。这些数据的数据量非常大，海量的设备与测点，数据采集频度高、数据吞吐总量大、数据的实时性要求高，呈现出工业大数据的“高通量”特征。

强关联。

真正做一个产品设计的时候，它涉及到学科与专业是非常多的，比如设计复杂装备的时候，不仅仅是涉及到结构分析，流体力学、声学、动力学、电磁辐射等等各个学科的数据都要进行关联。数据之间的“强关联”反映的就是工业的系统性及其复杂的动态关系。

基于工业大数据的特点，工业大数据的数据分析与消费互联网领域里的数据分析是有相当大的差别的。消费互联网大数据的分析对象更多的是以互联网为支撑的交互，工业大数据实际上是以物理实体和物理实体所处的环境为分析对象，物理实体就是我们的生产设备以及生产出来的智能装备及复杂装备。在商业数据里面关注数据的相关性关系，但是在工业领域里面一定要强调数据因果性，以及模型的可靠性，一定要提升分析结果的准确率才能把分析结果反馈到真正的工业控制过程中。

工业大数据面临的挑战

企业应用工业大数据面临的技术挑战。企业普遍面临数据基础薄弱的境况，企业收集的数据不够，甚至没有数据。企业真的要在数据转型有战略上的调整，它才会有较大的投入，如果它没有这种战略规划的时候，很难负担得起专业数据人才的成本。市场上也缺乏工业大数据所需的复合型人才。另外每个工业领域里都有独特的知识领域和机理形成的行业门槛，没有一个普适性的解决方案可以在工业领域里通用。行业解决方案，只会对某一个行业才能发挥相应的价值。

企业应用工业大数据面临的管理挑战。很多合作伙伴或者客户初期并不知道数据和业务问题之间怎么关联，怎么和业务结合都不清楚，不知道数据到底能不能解决业务问题。有的企业有应用工业大数据的愿景，但是业务与工业大数据的实施路径都没有统一。

大数据不仅仅是物联网数据采集与存储，包括数据的管理、分析与反馈，需要在数据生命周期内构建一个闭环系统，构建这个闭环需要一个过程，不可能一蹴而就。同时，大数据的应用会涉及到企业内部管理流程和经营理念的变革,工业大数据是把工业领域内三类数据进行融合应用，真正发挥大数据的价值的场景不仅是智能制造，同时也包括产业互联网里业务模式创新，所以相应的经营理念和管理机制都要发生变革。这是企业在管理方面面临的最大的挑战。所以有时候大家会看到，工业企业的大数据应用甚至都不仅是一个企业的CIO所能牵引的，这需要整个企业在战略层面去推动，要有明确的数据驱动的业务战略规划。

工业大数据的业务落地

通常来讲，在与企业规划工业大数据业务落地可以从两个维度与企业一同进行思考。一方面是从业务驱动角度来看，要思考企业的整体业务目标是什么，为了实现这个业务目标要做什么样的转型以及哪方面的能力提升，具体的业务提升和转型方向是什么；为了实现业务目标，理想的业务流程是什么，如何让这个流程跟数据流进行相应的结合和映射。这是一个由上而下的思考过程，是企业的高层管理者、战略管理者进行思考并牵引，通过中间管理层完善与丰富，最后落地实施的过程。很多时候大数据应用确实可以解决业务问题，但也可能解决不了所有的业务问题。大数据应用真正帮助企业的不仅仅是在于具体业务问题的解决层面，它是要让企业构建对数据驾驭的能力，当企业具备了这种能力后，才能够真正让企业在内部的生产管理、对外的经营模式上产生变化，真正形成持续的创新与应用的能力。

如何利用数据进行驱动。第一是去看现在手里有什么样的数据，这些数据从哪儿来，如果没有这些数据要怎么收集，以及这些数据的特点到底是什么，是时序数据、时空数据、智能产品产生的数据、生产设备产生的数据，数据量到底有多大；第二是对这些数据有了了解以后，这些数据怎么保存、管理、使用，另一个比较重要的则是数据质量怎么保证。第三是用什么样的系统、什么样的工具保证数据存储、数据管理、数据处理？同时这些数据到底如何进行集成、关联，不仅仅要把设备产生的数据拿来进行分析管理，还要在分析过程中关联周边的环境数据、地理数据等跨界数据。

工业大数据价值实现的场景

工业大数据应用场景主要可以归纳为两个场景，一个是围绕制造全生命周期的业务创新即先进制造，通过大数据驱动的创新产品设计、智能制造、智能服务，实现“提质、增效、降耗、控险”，达到提升企业在行业内竞争力的目的；另一个是产业互联网新业务创新（制造+互联网）：以智能联网的工业产品为载体承载服务产品周边生态系统的产业互联网业务，达到开创新兴市场和业务模式的目的。

工业大数据应用案例

工业大数据在工程机械领域应用案例。

工程机械设备大都在野外作业，作业环境恶劣，作业工况复杂。基于工程机械大数据解决方案实时监测设备状况，实现对设备的预防性维修及服务，在设备发送故障前，主动预警并触发维保方案， 基于设备运行状况大数据分析，为企业带来新的决策创新-助力企业准确判断市场热度、实现产品精准营销、产品改进和企业风险管控。

工业大数据在风电领域应用也体现出巨大的价值。基于工业大数据分析平台，从故障预警、运营优化等方面着手挖掘大数据价值，取得明显成效。风机的设计/仿真数据、运维档案、风机状态监测数据、测风塔观测数据、气象数据、地理信息等风电数据资源池统一整合到工业大数据分析平台，通过装备智能化、供应链协同、跨生态整合三条路径，逐步实践风电装备制造的数字化升级。在既有业务提质增效的基础上，进一步驱动产业互联新业务。