探究現(xiàn)金貸風(fēng)控模式

1、探究現(xiàn)金貸風(fēng)控形式近段時(shí)間，對(duì)于現(xiàn)金貸的監(jiān)管已經(jīng)箭在弦上。一方面，許多中小型現(xiàn)金貸平臺(tái)的實(shí)際借款利率過(guò)高;另一方面，部分平臺(tái)對(duì)于現(xiàn)金貸業(yè)務(wù)的風(fēng)控更像是皇帝的新衣，以致于整個(gè)行業(yè)的壞賬率居高不下。從監(jiān)管層面看，現(xiàn)金貸業(yè)務(wù)為了繼續(xù)經(jīng)營(yíng)，將不得不大幅削減貸款利率，減少各類手續(xù)費(fèi)。因此，通過(guò)進(jìn)步風(fēng)控程度，減少壞賬損失，成了保證現(xiàn)金貸業(yè)務(wù)經(jīng)營(yíng)利潤(rùn)的唯一出路。點(diǎn)面點(diǎn)的現(xiàn)金貸風(fēng)控體系第一個(gè)點(diǎn)是指起點(diǎn)。現(xiàn)金貸風(fēng)控體系的設(shè)計(jì)需要以產(chǎn)品本身作為起點(diǎn)?，F(xiàn)金貸產(chǎn)品無(wú)外乎四個(gè)要素：利率(包括各種費(fèi)率)、期限、額度、目的人群。對(duì)于每一類目的人群而言，他們?cè)诹鲃?dòng)性需求、將來(lái)可預(yù)期現(xiàn)金流、消費(fèi)觀念、收入程度以及信譽(yù)狀況等維度

2、上都具有一定的規(guī)律和共性，進(jìn)而影響其申請(qǐng)額度、貸款利息的承受程度、還款才能和還款意愿等。因此，合理地設(shè)計(jì)產(chǎn)品，能在有效降低風(fēng)控難度的同時(shí)，將收入最大化。例如，對(duì)于白領(lǐng)人群，其按月發(fā)薪的特點(diǎn)更適宜一個(gè)月及以內(nèi)的借款期限。另外，除了現(xiàn)金貸產(chǎn)品本身的特性之外，其推廣渠道也頗為重要。假設(shè)通過(guò)某一推廣渠道引入了大量非目的人群，那么這不僅僅降低了推廣本錢的使用效率和后期風(fēng)控流程的判斷精度，還會(huì)產(chǎn)生大量有偏數(shù)據(jù)，不利于風(fēng)控模型的迭代晉級(jí)和產(chǎn)品的再設(shè)計(jì)。面是指詳細(xì)的風(fēng)控流程。從時(shí)間段區(qū)分：風(fēng)控流程包括貸前、貸中、貸后三個(gè)階段。其中貸前階段是整個(gè)風(fēng)控流程的核心階段。這一階段包括申請(qǐng)、審核和授信三個(gè)步驟。形象地說(shuō)

3、，貸前階段是一個(gè)過(guò)濾雜質(zhì)的階段。而第三方的征信數(shù)據(jù)、黑名單、反欺詐規(guī)那么、風(fēng)控模型那么是一層層孔徑不一的濾網(wǎng)。貸中階段主要是對(duì)借款人個(gè)人信息的跟蹤和監(jiān)控。一旦有異常信息的產(chǎn)生，風(fēng)控人員可以及時(shí)地發(fā)現(xiàn)、聯(lián)絡(luò)該借款人，盡可能保證這筆借款的平安。貸后階段的工作集中在催收上。此外，假設(shè)借款人申請(qǐng)展期或者續(xù)貸，那么需要在這一階段結(jié)合歷史數(shù)據(jù)，使用行為評(píng)分卡等重新進(jìn)展審核，并作相應(yīng)的額度調(diào)整和風(fēng)險(xiǎn)分池管理。而在整個(gè)風(fēng)控流程中，需要對(duì)借款的集中度作妥善管理，防止因?yàn)榧薪杩詈图杏馄趲?lái)的資金流動(dòng)性缺乏的問(wèn)題。第二個(gè)點(diǎn)是指重點(diǎn)。整個(gè)現(xiàn)金貸風(fēng)控體系的重點(diǎn)有二。其一、反欺詐。相較于傳統(tǒng)借貸形式下的風(fēng)控，現(xiàn)金貸風(fēng)

4、控是一種輕度風(fēng)控。由于其小額短期的特點(diǎn)，現(xiàn)金貸風(fēng)控更重視的是借款人的還款意愿而非還款才能。適度的逾期不僅不會(huì)影響平臺(tái)的正常運(yùn)營(yíng)，反而可以通過(guò)逾期費(fèi)用進(jìn)步其營(yíng)收。因此，反欺詐是現(xiàn)金貸風(fēng)控的首要課題。目前，線上貸款的欺詐行為有中介代辦、團(tuán)伙作案、機(jī)器行為、賬戶盜用、身份冒用和串聯(lián)交易等。針對(duì)這些欺詐行為，常用的反欺詐規(guī)那么包括勾稽比對(duì)、穿插檢驗(yàn)、強(qiáng)特征挑選、風(fēng)險(xiǎn)關(guān)系以及用戶行為數(shù)據(jù)分析。其二、多頭借貸行為的識(shí)別。多頭借貸是指同一借款人在多個(gè)貸款機(jī)構(gòu)有過(guò)貸款行為。目前，多頭借貸行為的識(shí)別包括兩個(gè)方面：(1)獲取多頭借貸數(shù)據(jù)。由于現(xiàn)金貸的目的人群大多都是不被傳統(tǒng)借貸機(jī)構(gòu)覆蓋的長(zhǎng)尾人群，缺少完好的央行征

5、信數(shù)據(jù)，因此，一些從事現(xiàn)金貸業(yè)務(wù)的平臺(tái)會(huì)互相合作，實(shí)現(xiàn)貸款申請(qǐng)數(shù)據(jù)的共享。另外，現(xiàn)金貸平臺(tái)在第三方征信機(jī)構(gòu)針對(duì)每一筆貸款申請(qǐng)記錄作查詢時(shí)，勢(shì)必會(huì)留下大量貸款申請(qǐng)人的身份信息。這部分信息經(jīng)過(guò)查詢異常檢測(cè)算法的過(guò)濾以后就會(huì)形成一個(gè)可靠的多頭借貸數(shù)據(jù)庫(kù)。(2)惡性多頭借貸行為的識(shí)別。惡性多頭借貸行為指貸款人借新還舊或者在同一時(shí)期有大筆多頭借貸。對(duì)于借新還舊行為的識(shí)別可以結(jié)合貸款申請(qǐng)間隔和貸款期限。假設(shè)貸款申請(qǐng)間隔明顯小于貸款期限，說(shuō)明該筆貸款申請(qǐng)有較大的借新還舊風(fēng)險(xiǎn)。挑戰(zhàn)：矛盾與變化欺詐手段的多元化、技術(shù)化、互聯(lián)網(wǎng)化欺詐與反欺詐一直以來(lái)都是借貸行業(yè)的主要矛盾體之一。隨著線上貸款業(yè)務(wù)的迅速開(kāi)展，基于信

6、息技術(shù)的線上騙貸行為也愈演愈烈。當(dāng)騙子們也開(kāi)始玩大數(shù)據(jù)、機(jī)器學(xué)習(xí)的時(shí)候，可想而知，很多風(fēng)控人員的內(nèi)心是崩潰的。例如,驗(yàn)證是目前最常用的線上審核方式之一。它包括兩種形式：短信驗(yàn)證碼和填寫運(yùn)營(yíng)商效勞密碼。但是這種方式對(duì)于詐騙團(tuán)伙而言也是有機(jī)可乘的。因?yàn)樗麄冇幸环N技術(shù)裝備貓池。簡(jiǎn)單地理解，它就是一臺(tái)具有收發(fā)短信功能的n卡n待的簡(jiǎn)易。一臺(tái)電腦可以連接多臺(tái)貓池，一臺(tái)貓池又可以插入8-64張SIM卡。與之伴隨的，又有所謂的收卡、養(yǎng)卡業(yè)務(wù)。當(dāng)號(hào)碼時(shí)間到達(dá)一定標(biāo)準(zhǔn)了，就有可能通過(guò)驗(yàn)證這一反欺詐手段。除此之外，一些模擬器的使用可以幫助詐騙分子輕松修改的IMEI、MAC、IP、GPS等設(shè)備及環(huán)境信息。在這一層層的

7、假裝與包裹之下，利用設(shè)備及環(huán)境信息的反欺詐手段就顯得有些蒼白無(wú)力了。而且，有些個(gè)人信息，如身份證信息、社交賬號(hào)、銀行卡賬號(hào)甚至U盾等都可以在網(wǎng)上被詐騙團(tuán)伙買到或者用搜索引擎搜到。很多時(shí)候，一些反欺詐手段的有效并不是因?yàn)槠錈o(wú)法被破解，而是因?yàn)槠平獗惧X較高，導(dǎo)致欺詐團(tuán)伙放棄了這種方式。風(fēng)控模型的冷啟動(dòng)冷啟動(dòng)是大數(shù)據(jù)風(fēng)控模型搭建所要面臨的首要難題。特別是對(duì)于一些初創(chuàng)型的現(xiàn)金貸平臺(tái)，數(shù)據(jù)的積累是一個(gè)從0開(kāi)始的過(guò)程。在其積累數(shù)據(jù)的前期階段，勢(shì)必需要付出宏大的本錢。一方面，平臺(tái)在保證正常的風(fēng)控流程之外還需投入大量人力本錢去搜集數(shù)據(jù)、搭建模型、數(shù)據(jù)回測(cè);另一方面，平臺(tái)不得不投入高額的資金本錢去購(gòu)置第三方數(shù)據(jù)

8、。相較于近10億的未被央行征信數(shù)據(jù)覆蓋的長(zhǎng)尾用戶群體總量，目前現(xiàn)金貸的客群規(guī)模還有限，絕大多數(shù)平臺(tái)都面臨著冷啟動(dòng)的問(wèn)題。目前常用的解決數(shù)據(jù)冷啟動(dòng)問(wèn)題的方法是從外部數(shù)據(jù)著手。由于缺少借款申請(qǐng)人的歷史信貸記錄和個(gè)人征信數(shù)據(jù)，風(fēng)控模型失去了對(duì)于借款人違約風(fēng)險(xiǎn)直接考量的根據(jù)。因此，假設(shè)能以用戶行為之類的外部數(shù)據(jù)結(jié)合Eigentaste等協(xié)同過(guò)濾算法，便可以最大限度地識(shí)別出欺詐風(fēng)險(xiǎn)較高的人群，并將其過(guò)濾。不過(guò)目前的現(xiàn)狀是大多數(shù)平臺(tái)缺少處理外部數(shù)據(jù)的動(dòng)力和才能，往往采用人工審核輔以一些簡(jiǎn)單的反欺詐規(guī)那么的方式。用戶體驗(yàn)與反欺詐的矛盾在現(xiàn)金貸的用戶眼中，用戶體驗(yàn)反映在借款的快捷程度和申請(qǐng)的簡(jiǎn)易程度上。但是反

9、欺詐需要用戶提供各種各樣的個(gè)人信息，大大降低了用戶體驗(yàn)的質(zhì)量。在過(guò)去，許多平臺(tái)奉行高收益覆蓋高風(fēng)險(xiǎn)的原那么，過(guò)度重視流量。而且市面上的現(xiàn)金貸產(chǎn)品五花八門，不少平臺(tái)為了保證流量，紛紛打出只需身份證和號(hào)、 申請(qǐng)后X X 分鐘放款 之類的標(biāo)語(yǔ)。然而，隨著監(jiān)管趨嚴(yán)，高收益、高壞賬的運(yùn)營(yíng)形式將漸漸被淘汰。為了控制壞賬，現(xiàn)金貸平臺(tái)不得不再度面對(duì)用戶體驗(yàn)與反欺詐的對(duì)立問(wèn)題。一方面，平臺(tái)需要優(yōu)化反欺詐模型，盡可能降低入口數(shù)據(jù)的維度，縮短風(fēng)控模型的審核時(shí)間;另一方面，從客服、還款簡(jiǎn)便程度等其他角度優(yōu)化用戶體驗(yàn)，也是緩解用戶體驗(yàn)與反欺詐矛盾的可行方法之一。開(kāi)展方向非構(gòu)造化數(shù)據(jù)的使用構(gòu)造化數(shù)據(jù)如個(gè)人征信數(shù)據(jù)等的稀疏

10、性問(wèn)題會(huì)在將來(lái)很長(zhǎng)時(shí)間內(nèi)存在于現(xiàn)金貸行業(yè)。與之相對(duì)應(yīng)的是大量非構(gòu)造化數(shù)據(jù)的泛濫。由于個(gè)人根本信息的泄露、盜取、販賣情況嚴(yán)重，常規(guī)的構(gòu)造化數(shù)據(jù)的反欺詐效率大幅降低。相比于構(gòu)造化數(shù)據(jù)，人們的行為數(shù)據(jù)等更難被模擬，能更全面地刻畫貸款申請(qǐng)人，對(duì)于降低反欺詐模型的錯(cuò)誤率有明顯作用。從非構(gòu)造化數(shù)據(jù)的應(yīng)用角度看，其互相間邏輯很難統(tǒng)一，數(shù)據(jù)異常、冗余、缺失的問(wèn)題嚴(yán)重，處理難度較大。因此，尋求第三方如大數(shù)據(jù)公司、傳統(tǒng)互聯(lián)網(wǎng)行業(yè)巨頭的合作會(huì)是中小現(xiàn)金貸平臺(tái)的首選。目前市場(chǎng)上已經(jīng)出現(xiàn)了一些通過(guò)提煉非構(gòu)造化數(shù)據(jù)來(lái)效勞金融的產(chǎn)品，例如某款商業(yè)短信語(yǔ)義分析效勞。另外，作為BAT之一的騰訊也與錢牛牛合作推出了一款純模型化云

11、風(fēng)控系統(tǒng)元方。這款系統(tǒng)最大的特色就是引入了騰訊的海量社交數(shù)據(jù)。差異化定價(jià)差異化定價(jià)，也可以理解為準(zhǔn)確定價(jià)。現(xiàn)金貸的差異化定價(jià)的本質(zhì)是對(duì)各個(gè)貸款申請(qǐng)人的信譽(yù)及欺詐風(fēng)險(xiǎn)作準(zhǔn)確定價(jià)。目前各個(gè)現(xiàn)金貸平臺(tái)的定價(jià)標(biāo)準(zhǔn)都過(guò)于單一，根本采用利率加雜費(fèi)的方式。部分平臺(tái)對(duì)于續(xù)貸用戶會(huì)做費(fèi)率調(diào)整。也有少數(shù)平臺(tái)會(huì)參考貸款人申請(qǐng)時(shí)提供的個(gè)人信息維度。不過(guò)總體而言，當(dāng)前的定價(jià)標(biāo)準(zhǔn)并不適宜將來(lái)現(xiàn)金貸行業(yè)低費(fèi)率的特征。平臺(tái)之間所謂的價(jià)格優(yōu)勢(shì)將微乎其微。而準(zhǔn)確定價(jià)下的定制化小額貸款需求可能會(huì)成為平臺(tái)的亮點(diǎn)。而大數(shù)據(jù)風(fēng)控模型的構(gòu)建為差異化定價(jià)的實(shí)現(xiàn)提供了技術(shù)保證。以大量的網(wǎng)絡(luò)行為數(shù)據(jù)、用戶交易數(shù)據(jù)、第三方數(shù)據(jù)、合作方數(shù)據(jù)等為根底，通過(guò)自然語(yǔ)言處理、機(jī)器學(xué)習(xí)、聚類算法等，模型可以為每一位貸款申請(qǐng)者創(chuàng)立包括個(gè)人根本信息、行為特征、心理特征、經(jīng)濟(jì)狀況、興趣愛(ài)好等在內(nèi)的多維度數(shù)據(jù)畫像。憑借著這些維度特征和大量歷史貸款記錄，針對(duì)不同貸款