當演算法決定你的貸款、保費額度...前華爾街量化分析師：電子信用評分，是毀滅性武器

地方的銀行家以前是當地很有地位的人。他們控制了貨幣供給。如果你想買新車或借入房貸，你會穿上你最好的衣服，前去見在地的銀行家。這位銀行家是你所在社區的成員，很可能知道你不少事。

例如他很可能知道你是否常上教堂，知道你哥哥遇過的各種法律麻煩，知道你老闆（以及他的高爾夫球友）怎麼評價你的工作表現。他當然也知道你屬於什麼人種和族群，也會看你在貸款申請表上所填的資料。

這位銀行家的判斷往往受前面四個因素影響，無論他對此是否有意識。他也很可能比較信任他自己圈子裡的人。這是人性使然。但是，對數以百萬計的美國人來說，這種數位年代之前的狀況，一如本書之前所講的一些數學毀滅性武器那麼惡劣。被視為外人的人（包括少數族裔和女性）往往被拒於千里之外。他們必須設法證明自己的財務狀況非常好，然後尋找開明的銀行家。

這根本不公平。後來出現了一種演算法，顯著改善了情況。數學家艾薩克（Earl Isaac）和他的工程師朋友費爾（Bill Fair）設計出一個他們稱為FICO的模型，用來評估一個人不償還貸款的風險。

計算這個FICO分數的公式只看借款人的財務狀況，主要是他的債務負擔和付款記錄。這個分數完全不考慮種族因素。FICO分數證實對銀行業非常有用，因為它對信用風險的預測比其他方法準確得多，也使銀行得以打開門迎接數以百萬計的新顧客。

FICO分數現在當然還有人用。信用資訊業者Experian、Transunion和Equifax均把來源各有不同的資料輸入到FICO模型裡，得出它們自己的信用分數。這些分數有許多可取的特質，不同於數學毀滅性武器。

首先，它們有明確的回饋環路。信用資訊業者可以看到哪些借款人違約，然後利用這些資料做一些分析。如果高分借款人的違約情況比模型所預測的來得嚴重，FICO 和信用資訊業者可以調整這些模型，盡可能提高它們的準確性。這是明智的統計應用。

信用分數也相對透明。例如FICO的網站便提供了一些有助提高信用分數的簡單指示，包括減少負債、準時支付帳單，以及停止申請新的信用卡。同樣重要的是，信用評分這一行是受政府規管的。

如果你覺得自己的信用分數有問題，法律上你有權利要求業者提供你的信用報告，其內容包括計算信用分數所使用的全部資料，包括你償還房貸和支付公用事業帳單的記錄、你的總負債，以及你的信用額度使用百分比。雖然資料更正過程可能慢得令人受不了，如果你發現你的信用報告中有錯誤，你可以要求業者更正。

自從費爾和艾薩克開創了個人信用評分之後，評分之應用當然大為流行。現在我們會被人以各種各樣的方式評估：統計學家和數學家拼湊他們蒐集得到的資料，從郵遞區號到我們的網路瀏覽形態以至最近的消費記錄，利用往往可說是偽科學的模型，計算出我們每個人的電子分數（e-scores），而其目的通常是估計我們的信用。

這些我們極少看得到的數字使某些人得到機會，同時也令另一些人得不到機會。這些電子分數不同於它們模仿的FICO分數，往往是任意、不可問責、不受規管和不公平的──簡而言之，它們是數學毀滅性武器。

維吉尼亞州公司Neustar提供了一個好例子。該公司為企業提供目標顧客篩選服務，包括協助管理客服中心的流量。Neustar的技術可以在一瞬間分析來電者的資料，然後排出優先次序。那些被視為高價值的顧客將能迅速獲得客服人員接聽，那些排在後面的人則必須等久一些，或是被轉接到外包的客服中心，主要由機器提供服務。

信用卡公司如第一資本（Capital One）也應用類似的技術：一旦有人到訪它們的網站，業者便迅速評估這些潛在顧客。它們往往可以取得訪客的網路瀏覽和消費形態資料，藉此掌握有關這些潛在顧客的大量有用資訊。在網路上瀏覽捷豹（Jaguar）新車款的人，很可能比在Carfax.com上查詢某輛2003年福特Taurus汽車資料的人富有。

許多評分系統也會了解訪客使用的電腦所在的地點。這項資料搭配房地產資料，可以推論訪客是否富有。如果訪客使用的電腦位於舊金山巴布亞台（Balboa Terrace），則他的潛在價值應該遠高於身處對岸東奧克蘭的訪客。

費爾和艾薩克造就的巨大進步，在於捨棄替代指標，改用直接相關的財務資料，例如潛在借款人歷來支付帳單的記錄。他們集中分析當事者個人，而不是與當事者相似的其他人。

電子分數則是一種倒退。電子評分系統利用大量的替代指標分析當事者。系統瞬間完成數千次「像你這樣的人通常會怎樣」的分析。如果「類似的人」當中，賴債不還的人（或甚至是罪犯）夠多，你也將被視為同樣的人。

想像一個上進且負責、出身自貧窮新移民家庭的人想創業，而且必須接受那種電子評分系統的評估，才能籌到第一筆資金。誰會願意給他機會呢？如果評估模型仰賴那種人口和行為數據，他很可能不會有機會。

這是一種進步，但它公平嗎？

這將是一個難題，因為就在舊信用模型的問題彰顯出來之際，強大的新業者正大力開拓這項業務。例如臉書便已替一種基於社群網絡的新類型信用評等註冊了專利。其目標表面看來是合理的。

想像一下：一名美國大學畢業生參與教會一項任務五年之久，協助非洲貧窮的村莊取得飲用水。他回到美國時，因為沒有信用記錄，很難取得貸款。但他臉書上的同學當中，都是投資銀行業人士、博士和軟體設計師之類的人。

根據物以類聚、人以群分的理論，他應該是不錯的放款對象。但同一套分析方法，很可能不利於伊利諾州東聖路易市一名勤勞的清潔工人，因為他很可能有很多失業的朋友，甚至還有幾名在坐牢的朋友。

在此同時，傳統銀行業者為求促進業務，正非常積極地蒐集和分析個人資料。但這些有牌照的銀行受聯邦法規和資訊揭露要求規管，這意味著它們若根據某些特徵區分顧客、給予不同的待遇，會有聲譽和法律上的風險。

因此，新興金融業者會選擇比較自由和不受規管的領域運作，也就毫不令人意外。畢竟創新有賴實驗的自由。因為新興業者可以掌握以PB（千兆位元組）計的消費者行為數據，而且運作幾乎不受規管，他們有大量機會可以創造新的商業模式。

例如多家公司正致力取代發薪日放款業者。後者可說是以窮忙族為目標顧客的「最後放款者」，為窮人提供融通所需的資金，收取極度高昂的利息。如果你向這些業者借入500美元，22週之後可能必須還1,500美元。因此，如果有高效率的新業者可以找到評估信用風險的新方法，找出信用品質較高的一批借款人，則它可以收取略低一點的利息，但仍然賺取厚利。

這正是梅瑞爾（Douglas Merrill）的構想。他是Google前營運長，自信可以利用大數據技術計算信用風險，以較低的利率提供發薪日貸款。2009年，他創立了新創企業ZestFinance。在該公司的網頁上，梅瑞爾宣稱：「所有數據都是信用數據。」換句話說，該公司在數據運用上，幾乎是不受任何限制的。

ZestFinance購買各種數據，包括潛在顧客的手機帳單支付記錄，以及許多其他必須付錢才能取得或公開的數據。一如梅瑞爾所承諾，該公司收取的利率低於多數發薪日放款業者。你向ZestFinance 借入500美元，22週之後通常必須還900美元，比這一行的標準少了40%。

這是一種進步，但它公平嗎？ ZestFinance 的演算法處理每一筆貸款申請時，可能考慮多達一萬個資料點，包括一些不尋常的資料，例如申請人填寫申請表時拼寫和標點有多正確、花了多少時間看申請說明，以及是否願意花時間看條款。該公司認為「遵守規則的人」信用品質較佳。

新創企業若是建立在數學毀滅性武器上，必將產生許多問題，即使這些公司抱持最大的善意。

我們來看「同儕借貸」（peer-to-peer lending）這一行的例子。這種生意始於約10年前，其概念是借貸雙方可以在撮合平台上找到彼此。這形同借貸之民主化。在更多人可以借到錢的同時，數以百萬計的普通人可以成為小型放款者，賺取不錯的報酬。借貸雙方將可繞過貪婪的大銀行。

《富比世》雜誌一篇報導指出，同儕借貸平台的活動如今超過80%是利用機構提供的資金。對大銀行來說，這種新平台是一種方便的業務管道，是受嚴格規管的傳統銀行業務以外的一種出路。放款者經由同儕借貸系統，可以分析幾乎任何數據，並算出自己定義的電子分數。業者可以分析信用風險與顧客所處社區、郵遞區號和常光顧的商店的相關關係，而且完全不必向顧客發出尷尬的信件解釋這麼做的理由。

這對我們有何涵義？隨著電子分數的應用持續普及，相關業者根據一些秘密的公式將我們分類，而這些公式仰賴的資料有時充斥著錯誤。業者視我們為某類人的一員（而非獨立的個體），而我們很難擺脫這種標籤。

隨著電子分數玷污金融業，窮人的機會進一步受損。事實上，相對於胡作非為的許多數學毀滅性武器，以前那些抱持偏見的銀行放款主管看來不是那麼差。至少借款人可以察言觀色，試著訴諸這些銀行業者的人性。

書籍簡介_大數據的傲慢與偏見：一個「圈內數學家」對演算法霸權的警告與揭發

作者： 凱西．歐尼爾
譯者： 許瑞宋
出版社：大寫出版
出版日期：2017/06/29

凱西．歐尼爾（Cathy O’Neil）

數據科學家，部落格mathbabe.org網主。自哈佛大學取得數學哲學博士學位，曾任教於巴納德學院，隨後投身金融業，任職於對沖基金公司德劭（D.E. Shaw）。離開金融業後曾於多家新創企業擔任數據科學家，負責建立預測人們購買和點擊行為的模型。哥倫比亞大學數據新聞學萊德計畫（Lede Program in Data Journalism）發起人，著有《數據科學實踐》（Doing Data Science）。每週參與播客節目Slate Money。