满满的干货!消费金融大数据风控的“独家秘笈”!

2016-07-01 04:07

截至2015年末,央行个人征信系统收录的自然人中,仅有3.8亿人有信贷记录。基于互联网大数据技术的风控,就是从近10亿未被央行征信数据所覆盖的人群中,挑出“坏人”。大数据风控能够过滤掉绝大多数带恶意欺诈目的“坏人”,也能动态监控到没有欺诈意图,但实际还款能力和还款意愿出现波动的客户。即使出现违约和失联情况,大数据还能重新挖掘到借款人的关联信息,挽救不良。那么,消费金融大数据风控到底是怎么玩的?

1
图1:智信资管咖啡活动现场

6月25日,在主题为“消费金融资产生成及大数据风控逻辑”的第20期智信资管咖啡活动上,智信邀请到品钛集团积木盒子CEO谢群和百融金服CEO张韶峰,分别从内部场景风控和外部第三方风控服务的角度,给听众嘉宾分享了大数据风控的“独家秘诀”。闲话少说,直接上干货。

2
图2:积木盒子CEO谢群

旅游场景的风控重点

欺诈风险:用户信息是否被盗用或虚假注册;

信用风险:是否存在多头借贷、居所存在不真实和不稳定等问题;

渠道风险:有时候渠道有帮助用户套现的冲动,可以通过横向比较、纵向比较发现某个渠道的异常数据。

3C电商场景的风控重点

3C产品流通好、易变现,需要谨防刷单和套现风险;可以监控用户的购买频率,重点关注高频使用的设备和频繁购买的用户,并且通过对过往账户数据的检查发现异常黑名单或灰名单账户;如发现异常,需要和电商平台合作,在发货前及时拦截。

医药分期场景的风控重点

如癌症类药品,用户还款能力会受病情的影响,需要让患者的家属或朋友作为共同借款人,病情通过医生核对病人实情,确认其购药行为的真实性。

现金贷风险防控的逻辑

现金贷最大的问题是资金的去处不易把握,相对于有场景的消费行为,缺乏有效的风控抓手。在反欺诈和防范信用风险上,除构建严密的风控模型外,对较高风险的用户只做小额、短期放款,对低风险客户可做大额、长期放款,并根据还款情况动态调整用户的额度和期限。

关注资产方合作伙伴的信息披露问题

国内线上、线下的小贷平台有各类消费类资产,一方面需要资金支持,另一方面却不完全开放自身数据,比如A轮、B轮融资的资金实到情况、资金使用情况,对方是不愿意开放给贷款资金方看的,因为创业公司一开始很多都是烧钱的。而对于贷款资金方来说,看不到这些数据就无法判断该平台的经营持续性和风险兜底能力。

多方合作中的劣币驱逐良币效应

如果一个资产生成平台和多个P2P资金方合作,而大家的风控标准差异较大的话,这家平台很可能被风控较松的P2P公司拖下水。如果这个平台承担了太多兜底压力,借款人因为渠道平台(中间链接)的倒掉而不需要还钱,其他风控严格的P2P一样会遭殃。

门店的道德风险

借助合作渠道获得客户,特别是有很多门店的合作渠道,其门店管理中往往存在一定的道德风险。渠道的渠道,下线的下线,为了业绩激励和提成等伪造或粉饰原始资料。

3

图3:百融金服CEO 张韶峰

传统模型与大数据模型的比较

金融机构通常使用以央行征信数据为主的金融数据建模,大概10-20个强变量,以与金融机构发生借贷关系的数据为主。但是,全国75%无借贷记录的用户得不到有效地信用评估,并且这些强变量中任何一个变量的缺失,都会导致模型失效。

大数据公司正尝试使用非金融数据建模,大概50万个强弱结合的变量,其中有很多数据与金融毫无关系。例如,用户日常的阅读、消费、社交、旅游、娱乐等,这些数据刻画出的人是完整的人,不会因为某些领域的作假而改变。

总的来说,消费是相对较强的变量,阅读社交较弱一些,把多种强弱变量结合起来风险建模,部分变量的缺失对模型的稳定性影响会很小。

对欺诈风险的防范

恶意欺诈用户一般不会采用真实身份借款,身份真实性识别是反欺诈的核心。身份证、银行卡、姓名、手机号四要素如果无误,欺诈概率是其他群体的1/3左右。

通过大数据储存用户与各种ID对应的数据库,在用户进行借贷时进行身份匹配,能够及时辨别潜在的欺诈嫌疑用户。这些数据库包括:姓名、身份证号的实名ID,手机号、地址、银行卡号等准实名ID,QQ号、微博号、设备指纹(PC或手机硬件设备编号)等的匿名ID。

对信用风险的防范

主要指还款能力(经济实力)与还款意愿(道德风险)。大部分用户在申请阶段并非恶意,这就考验借款人对信用风险的判断,而行为数据挖掘是信用风险防范的核心。

要预测借款人的信用风险,更多地需要依赖于分析海量用户的行为数据(强弱变量),从中挖掘出可以多次复用的规律。

数据显示,坐过商务仓以上或一年乘坐飞机四次以上的客户违约率较低;在本地生活方面花钱越多的人违约率越低;访问财经媒体天数越多,违约率风险越低;同一手机号使用九年以上的用户违约率大概仅为6‰;而三四线城市打游戏花钱较多的人违约率比较高。

贷中管理及不良催收

贷中管理方面,通过及时监测借款人信用的变化、共债的新增、流水的异动、联系状态的异常等数据,采用全自动的风险识别流程,提早识别风险,提高人工处理效率。

消费金融不良资产,主要由道德水平不高和还款能力不强造成。据统计,70%-80%的不良资产是因为债务人失联导致,大数据网络可重新建立起与债务人的联系,通过关联匿名ID、联系家人朋友追回欠债,从而降低整体不良率。

辩证看待消费场景的风险

场景能便捷有效地获取客户,在风险控制上,将资金支付给商家比给用户更安全。但现在通行的认知是默认有场景就是低风险。殊不知,除了商家在操作上存在道德风险外,线下场景也容易发生销售人员的道德风险。

其次,倘若获取的资产完全依赖场景,最终会限制自身的获客渠道,大场景几乎都是自己作消费金融,中小场景受到资金方竞相追逐,导致获客成本不断高企。

此外,基于场景获取的新客户,风险难控、不良率较高,一些消费金融公司的盈利模式是通过向优质老客户二次营销,发放现金贷获利。

4

图4:圆桌对话

圆桌对话和观众提问环节,两位主讲嘉宾与京东金融结构金融部总经理郝延山、奋迅律师事务所顾问律师张志迪、品钛集团读秒CEO周静,共同讨论了消费金融资产形成的风控标准、线上线下两种模式的违约差异、消费金融平台内部风控与外部风控的分工、大数据风控对资产证券化全流程的优化设想等热门话题。

干货满满的分享会结束后,听众嘉宾意犹未尽地与主讲人讨论了各自对大数据风控的看法。这是智信举办的以“消费金融资产生成及大数据风控逻辑”为主题的第20期资管咖啡活动,也是智信深入互联网金融企业端的首次活动。智信也将持续关注金融机构的需求与互联网金融发展的契合点,继续举办有价值、有干货的交流活动。

文/智信研究公司研究员 刘乐

鸣谢:部分活动参会机构

中国工商银行

中国邮储银行

兴业银行

广发银行

哈尔滨银行

三井住友信托银行

中融信托

平安信托

中信信托

外贸信托

云南信托

阳光保险

众安在线

中信证券

民生加银基金

安邦基金(筹)

软银赛富

京东金融

中植投资

中金公司

诺亚控股

(以上排名不分先后,只涵盖部分参会嘉宾)

声明

本文内容仅供读者参考,并非投资建议。转载请注明来源并加上本站链接,智信网将保留所有法律权益。