该国家级征信中心专门负责征信系统的建设、运行和维护的事业单位。
截至2015年4月底，其征信系统收录自然人8.6亿多，收录企业及其他组织近2068万户。
征信系统全面收集企业和个人的信息，形成了以企业和个人信用报告为核心的征信产品体系，征信中心出具的信用
报告已经成为国内企业和个人的“经济身份证”。
其中，信用报告数字解读作为征信报告的补充，运用统计分析方法，通过对个人的基本概况、信用历史记录、行为
记录、交易记录等大量数据进行分析，挖掘数据中蕴含的行为模式和信用特征，捕捉历史信息和未来信息表现之间
的关系,，以数字解读的形式对个人未来的某种信用表现做出综合评估。

基于3.7亿全量信用报告数据，通过大数据新算法从信用报告中提取上千个维度的信息，针对解决之前体系的各种问
题，对征信中心进行信用评分体系优化。
同时探索多种机器学习算法，实现系统稳定性、准确性、业务指示性实现全面提升。
该项目的建模数据包括2010年7月31日前的贷款记录、贷记卡、准贷记卡记录、特殊交易记录、与查询记录，表现
变量来自2010年7月31日至2012年7月31日之间的逾期记录。样本人群共1千2百万，由征信中心进行抽样选取。 信
用评分建模分析共分为以下几个步骤：
数据预处理与质量评估:各个变量的异常值与离群值的识别和分析、字段逻辑一致性的检验等；
统计变量计算：评分模型中包括了1133个风险变量，分为7大类指标；
构建预测模型：模型表现变量选取未逾期样本为0，逾期90天以上样本为1，以700万样本为训练集，300万样本为测
试集，分别使用逻辑回归、决策树、随机森林、Adaboost、GBDT、SVM构建分类模型；
分数转化：将分类模型生成的预测违约率转化为0到100的分数，分数满足正态分布。