相比人工風控，大數據風控具有更高效的批量數據清洗能力、聚類分析能力及顯著的成本優勢；在欺詐風險增強的趨勢下，更適合應用於從獲客到授信、再到投後管理的全鏈條風險管控。
✍️ 作者｜智信資產管理研究院研究員 單炯迪
經歷過野蠻生長期，逐漸從藍海變為紅海的消費金融行業，也慢慢明晰了行業發展所必須的四個核心要素：合規、風控、獲客、資金。這其中，“風控”是貫穿各個環節的重中之重。
如果僅從各家消費金融公司公佈的逾期率或不良率來看，或許根本無法辨識出真正的風險有多大。因為行業發展至今，利用不同統計口徑從數字上降低逾期率或不良率，已經成為“不用說的祕密”。
這裡需要釐清兩個經常混淆的概念，即逾期率與不良率有本質上的不同。所謂逾期，是指借款到期應還而未還；而不良則要嚴重的多，是指逾期達到一定天數後，借款機構判斷還款能力出現問題，有可能拿不回借款。
現實中，不少消費金融公司為了讓業績好看，即使是對逾期率，也會利用不同統計口徑玩計算遊戲。如下表1是三種比較常見的逾期率統計口徑，其中前兩種在實際業務中運用較多，後一種運用較少。可以看出通過對分子和分母計算方式的調整，所得結果會出現千差萬別，而各家消金公司在公佈數據時往往極少提及統計口徑。
這一做法從長遠來看，會導致行業整體實際不良資產數量上升，加重監管風險。如何嚴控風控，從本質上降低逾期率或不良率，成為消費金融行業亟待思考和解決的事情。
大數據風控技術不失為一種適合的手段。相比人工風控，其具有更高效的批量數據清洗能力、聚類分析能力及顯著的成本優勢；在欺詐風險增強的趨勢下，更適合應用於從獲客到授信、再到投後管理的全鏈條風險管控。
與此同時，使用大數據風控作為降低風險的主要手段也與消費金融行業目前面臨的客群特徵及行業現狀有極大的關係。
首先，客群徵信記錄缺乏。截至2016年9月初，人民銀行徵信系統收錄的自然人數量已經超過9億，但擁有信貸記錄的僅有4.1億人；企業數量1828萬家，只有420.3萬戶有信貸業務記錄。而消費金融所涉及的個人客群主要以藍領工人、學生、年輕白領等相對缺乏徵信數據人群為主。在缺乏徵信強變量做風控支撐的情況下，就需要提取眾多如消費偏好、社交聯繫人、娛樂偏好等弱變量數據來輔助刻畫客戶的風險特徵。
其次，貸款額度低、客戶數量大。消費信貸具有小額、分散的特徵，想要在較大程度上控制風控及審批的成本，必須通過海量大數據弱變量構建一套完善的貸前風控審核系統，分析出單個客戶的貸前欺詐風險。
第三，激烈競爭下用戶體驗急需差異化。在消費金融領域“千團大戰”的行業背景下，在各主要競爭方資金成本接近、獲客手段雷同、風控措施類似的情況下，客戶體驗將成為競爭中不可或缺的優勢。相比於傳統風控流程繁瑣、用時過長等弊病，大數據風控具有線上審批流程簡化、全自動快速判斷等明顯優勢。
實際上，完善的風控系統除了通過反欺詐模型篩出“黑名單”外，還可以根據客戶畫像分析出潛在客戶，生成對於消費金融公司來說更有價值的“白名單”，貸前風控做足後，貸中監測和貸後的違約處理也是風控管理鏈條中的兩個重要步驟。
第一步：貸前構建“反欺詐模型”
反欺詐模型包括行為模式撞庫、社交網絡聚類分析、真實唯一身份識別（交叉驗證）等。
具體做法上，行為模式撞庫是指建立包含有已知欺詐行為各項標籤的樣本數據庫，標籤包括近期通話記錄、消費記錄、主要活動時間和活動地點、APP申請貸款時的操作習慣、反常行為等，然後提取每次貸款申請人的上述數據項，清洗篩選後與樣本庫做比對及分析。
社交網絡聚類分析模型是指依據提取出的申請人的社交網絡數據，生成多層社交網絡，然後對其進行可視化處理，從而分析出申請人是否存在騙貸的可能性。一般情況下，正常客戶在社交網絡圈中，跟其他客戶的關聯性很小，但存在騙貸可能性的客戶會表現出與其他部分客戶較高的關聯性，這時需注意判斷該客戶的潛在欺詐風險，以及與其關聯度高的人群是否為詐騙團伙。
真實唯一身份識別（交叉驗證）是整個反欺詐模型的核心。主要依賴ID Hub（個人特徵身份的拓撲網絡）記錄了與同一用戶關聯的多個ID，ID包括：姓名、身份證號的實名ID，手機號、地址、銀行卡號等準實名ID，QQ號、微博號、設備指紋（PC或手機硬件設備編號）等的匿名ID。
通常情況下，單個客戶ID數量越多意味著風險越大，如一個手機號跟多個身份證號關聯，或者一個身份證號和多個手機號關聯，該用戶在數據庫中就會進入可疑名單。在數據庫中，一個用戶有N個ID，每個ID都記錄著用戶不同的行為，不同的ID代表不同的行為。通過ID記錄用戶的行為，依據行為做精細化標籤管理，如收入、消費能力、愛好、閱讀喜好、社交偏好等，這些標籤可以預測用戶的還款能力、消費需求等。
第二步：通過白名單篩選優質用戶
如果說“黑名單”幫助消費金融公司過濾掉壞人，那麼“白名單”則可以實現識別出好人進而拓展為實際客戶，帶來長期有效獲客的結果。這一做法在消費金融行業從野蠻擴張到精耕細作階段，顯得尤為重要。
以微眾銀行的微粒貸白名單為例，騰訊控股發佈的2017年中報顯示，微信與WeChat的合併月活躍賬戶數為9.63億，QQ智能終端月活躍賬戶數為6.62億。這組大數據背後隱藏著客戶社交、上網習慣、支付習慣、是否玩遊戲、是否讀書、搭乘飛機的頻率等多種信息。通過對這些多維數據進行分析，再加上央行徵信數據，可以從一定程度上判斷出客戶的借貸意願、違約風險等。對於好客戶，即拉入白名單數據庫。
第三步：貸中建立檢測用戶行為的風險識別預警機制
獲得優質客戶並非風控鏈條的終點。消費金融公司的目標用戶普遍為藍領工人、學生、年輕白領等存在償貸風險的群體，相比於銀行的信用卡客戶，這類人群的財務情況更容易發生波動和變化，所以需要風控系統去實時監測客戶信用的變化、共債的新增、流水的異動、聯繫狀態的異常等數據。通過全自動的風險識別預警機制，提早識別風險，並對客戶的授信狀態、貸款費率做動態調整，控制違約風向，提高人工處理效率。這樣做的優勢在於能夠及時對貸出資產做出準確的評估，發現問題及時止損。
第四步：貸後逾期或不良催收在控成本的基礎上降風險
貸前、貸中的風控系統並不能將風險降為零，絕大多數情況下依然會出現逾期或不還等事件。針對逾期資產，如果是小額短期資產，無需在逾期日就給予催收，這樣做反而會增加運營成本及客戶的反感。據調查，逾期資產大多是客戶忘記或短期資金緊張所致，絕大部分最終都會償還。
而對於不良資產，就要採取適合的催收措施。據百融金服統計，70%-80%的不良資產是因為債務人失聯導致，失聯找回是整個行業近20年都無法解決的大難題。現在，通過大數據網絡重新建立起與借款人的聯繫並催還欠債，已經有較多成功案例。基於大數據挖掘用戶線索，可查得借款人的其他手機號、親屬信息、用戶的老家信息、其他地址信息等聯繫信息。據百融數據統計，通過查得的電話聯繫借款人，觸達率為16%，高於QQ、郵箱、微博等聯繫方式的催債效果。
若不良資產的催收效果不好，又有資產出表等需求，可以考慮將不良資產轉賣或者證券化。