互联网征信是在互联网背景下一种新的信用业务,根据用户在互联网上产生的大量消费数据,更加全面的评价用户的信用水平并及时的反映用户信用水平的波动情况,与传统征信评估体系相比有优势,但用户行为的数据有错综复杂的各类维度和大量的数据量,而在进行信用评估的前提下由于获取数据量的有限只能选择一些维度的数据,在这样的互联网征信的背景下,研究并且深入探索互联网征信体制下如何利用错综复杂的数据建立起个人征信体制并且这样的评估体系能否反映用户的真实信用水平等,对于不良资产催收效率的提高具有重大而迫切的现实意义。不良资产处置在传统意义上的定义是指通过综合运用法律允许范围内的一切手段和方法,对资产进行的价值变现和价值提升的活动。自从有个人或机构欠债开始,就有债务催收和处置这个行业,不良资产处置是一个传统的行业。在传统的不良资产处置背景下,大多数人认为需要通过不断施加压力强迫债务人产生还款行为,但是在新时代“互联网+”不良资产处置则需要借助新的平台,对不良债务进行合理有效的催收。小额不良资产的特征是总量很大但是单笔金额小,并且大多资产无抵押,使用人数多覆盖面大,因此需要在“互联网+”下分析研究并且借助大数据来实现高效的处置,不只是传统的人海催收战术。另一方面由于互联网和大数据的发展,新的债务人也不同往昔,他们的消费行为大多发生在网络平台上,有一些新型的消费特征,那么可以通过对互联网上数据的分析,对债务人进行比较全面、清晰的刻画以及准确的定位,对债务人的研究对后期的催收工作会起到很大的帮助,以期使后期对不良资产处置的手段更多样,处置的方法更人性化,处置的流程更合法阳光化,处置效果更高效化,这些正是本文研究的重点和方向。本文按照以下逻辑进行研究:首先分析影响不良资产催收效率的因素,这取决于三方的因素:一是案件本身的难易程度,即债务人产生不良回款记录后催收的难易程度;二是催收公司的催收力度,取决于催收方式、催收人员的积极性与沟通技巧性等;三是对案件的匹配性,即为公司平台对上游方案件与下游方催收公司的分配是否合理最优,取决于委案池中对于案件分配的合理性。其次分析对债务人产生不良信用的相关影响因素有两类:一类为债务人自身的因素如性别、年龄、学历、所在地、职业、收入水平、有无房车、婚否等指标;另一类为互联网消费数据如欠款总额、欠款逾期时长、购买物品、欠款笔数、以往的借贷记录等。根据笔者所在实习公司中从数据库中取得的数据,最大程度的去挖掘债务人更多更全面的信息,包括文本挖掘在网上的消费物品等,通过相关统计学的方法和思想对债务人进行全方位的画像,对债务人的回款率进行预测,对更易回款的人群优先进行催收工作,从而有效提高整体的催收效率。在债务人画像的过程中,笔者尝试使用了K均值聚类、回归分析和机器学习的方法,并且通过训练集和测试集的分类对模型进行检验和优化,通过KS检验和ROC曲线的对比选出最优的模型来对债务人回款率进行预测。在实际工作中,笔者通过决策树分类方法构建的模型已运用到实际催收工作中并对催收效率有显著的提高。通过在获取尽可能多的数据维度下,通过借助互联网的数据和现在逐渐完善的征信技术和体系下,从债务人的角度去分析处置不良资产,以达到尽可能多的的减少债务人的还债压力,通过接住并且搭建各类实物资产或人力资产变现的平台,提升债务人偿还债务的能力,在各界的共同努力下搭建一个更好的“互联网+”不良资产处置平台,来提供更多互联网征信的数据。