消费金融的大数据风控入门指南(大数据风控服务,关键词优化)

文/上地十三少

2016年被称为中国消费金融元年，在2016年政府工作报告中提到“要在全国开展消费金融公司试点，鼓励金融机构创新消费信贷产品"之后，消费金融业务便如雨后春笋般茁壮成长，然而在这个新兴市场背后却也隐藏着谁都无法回避的问题，那就是消费金融的风控问题。

“风险控制是金融业务的核心”想必所有金融行业的从业者都熟悉这句话，然而在竞争如此激烈的消费金融市场，在征信体制不完善，贷款人群素质参差不齐等大背景下，使得团伙欺诈、组团骗贷、代办包装、内外串通骗贷等情况时有发生，对消费金融公司尤其是刚起步的中小型消费金融机构造成了严重的影响。这其中还包含大量的由传统场景方转型去做消费金融业务的公司，这些公司既没有银行严格的风控审核制度，完备的风控系统，也没有大型消费金融公司雄厚的财力，可以自建专业风控团队，构筑高效的风控模型。在种种压力之下，生存成了首要问题。而想要生存下去，就无法回避风控这个核心问题。

然而遗憾的是，很多人都对风险没有一个清晰的认识。而在消费金融行业中，目前主要存在如下风险

1.信用风险：因申请人信用不良、违约拒付而导致的风险。

2.欺诈风险：因主观欺诈导致的风险，申请人在申请业务时带有明确的主观欺诈目的，是目前造成损失最多的风险来源。

3.内部风险：由于内部管理制度漏洞导致的操作风险及内外勾结联合骗贷风险

4.行业风险：受经济形势影响及国家政策，行业发展变动影响而带来的风险

那么风控这件事到底该怎么做呢？简单而言有如下四个步骤：

一、风控体系的建立

对于风险有了直观的认识之后，还要对风险进行实时的监控，因此需要一套适合业务情况的风险指标体系，简单的讲，指标体系是用来直观反映风险控制效果的。然而冰冻三尺，非一日之寒。构建一套完善的风控指标体系需要对业务本身有深刻的理解，并且在业务的进行过程中不断地积累，优化。下面为大家介绍几个常见的风控指标：

1.逾期率

逾期率=逾期一个月以上贷款余额/未清偿贷款总余额

逾期率主要起到警示功能，在发现逾期率增长时，金融机构应该尽快介入，以电话催收等方式来减少损失

2.坏账率

坏账率=逾期拖欠180天以上余额/未清偿信贷总余额

坏账率是最直观反映风险的指标，坏账率越高，资产的质量就越低。需要强调的一点是，坏账率仅仅是风险管理中的一个方面，因为一般而言，风险越高，收益潜力就越大，所以坏账率高不一定意味着利润率低，反之，坏账率低，也不一定意味着利润率高。

3.综合收益率

综合收益率=利息率-资金成本率-坏账率

金融机构追求的是盈利，因此综合收益率才是结合了风险收益对比关系的更全面的指标，综合收益率越高，证明金融机构经营的越好，能够在风险与收益之间找到比较好的平衡点，实现较好的盈利。

4.贷款余额

至某时点借款人尚未偿还的本金，即：全部剩余本金作为贷款余额

5. (正常->M1、M1->M2、M2->M3、M3->M4、M4->M5、M5->M6)滚动率

举例：

正常-M1（逾期一期）滚动率=当月进入M1的贷款余额/上月末正常的贷款余额

M1-M2滚动率=当月进入M2的贷款余额/上月末M1的贷款余额

这个指标可以比较直观的衡量用户在哪个阶段的逾期发生的几率比较大，一般在消费金融领域中M2与M4是两个最重要的观测点，原因是客户可能因为一时忙碌或疏忽造成逾期，但若经过M1催收继续进入M2，几乎可确认为无力还款或者恶意拖欠。另外依据经验，客户一旦落入M4，则变为坏账的几率极高，因此M1-M2滚动率与M4-M5滚动率需要特别关注。

以上几个都是风控指标中比较基础和常见的指标，当然想要想要建设好一套风控指标体系并非易事，因为风控指标一直都是以问题为导向的，在建设风控指标体系之前，需要找到自身业务中亟待解决的问题，有针对性的针对具体问题设定风控指标。风控指标不见得越多越好，动辄上百个指标，业务人员根本就不知道从何入手去分析，其实反而是不利于业务发展的。

二、风控系统的构建

工欲善其事必先利其器，消费金融业务有别于传统银行信贷业务，对审批的时效性要求极高，通常都需要在极短的时间之内输出风控结果，因此传统的人工风控方式无法满足消费金融业务的需求，需要一套高效、精准的风控系统来做决策，风控系统需要有如下功能：

风控系统示意图

1.数据对接与加工：风控系统需要能够对接包括用户申请数据、第三方征信数据、历史业务数据、埋点信息等数据，并对这些数据进行加工与分析，从中筛选出符合业务需求的特征供风控策略集信用评分模型使用

2.规则配置与管理：消费金融业务具有变化快的特征，因此对于风控策略及信用评分模型需要经常进行优化修改。可视化的规则管理与配置平台是风控系统必不可少的组成部分，可以帮助风控人员快速修改风控策略，及时响应业务需求。

3.策略全自动执行：消费金融业务需要实现实时审批，因此对于一个申请者而言，所有的风控策略及信用评分模型都需要在极短时间内运行完成，目前业界成熟的风控系统一般都是基于规则引擎技术开发，可以实现业务实时审批的需求。

关于风控系统的更多细节，后续的文章中会专门介绍。

三、风控规则及信用评分模型的制定

在构建了风控指标管理与风控系统这些基础设施之后，就需要考虑建立风控规则及信用评分模型。

对于风控规则而言，目前有两种来源，一是风控人员在过往的业务中总结出来的人工经验，这些人工经验通过风控系统可以直接转换成一条一条的规则，例如一些常见的风控规则：

如果申请者在网时长<3个月，则标记风险，返回码R001

此类规则在整体风控策略中占比较大，优点是可以快速部署上线，可以防范一定风险。但也存在一些缺点，就是容易被骗贷者猜中规则，然后绕过规则去骗贷，那么这些人工规则的作用就没有那么好了。

另一类风控策略来源于大数据分析的结果，现在主流的做法是用贷后数据，分析逾期及坏账人群的特征，然后对特征进行自由组合，从中挑出来坏账率最高的特征组合，然后将这些特征组合提炼出来，形成规则。这种方式产生的规则比较契合业务实际情况，并且规则基本上不可能被骗贷者破解，安全性较高，缺点在于对贷后数据的分析与特征组合的提炼难度较大，大部分初创型公司都不具备这样的技术实力去自动生成符合业务需求的风控策略。

下面再来说说信用评分模型。目前用信用评分模型方式来进行风险管理是国际上公认的比较成功的实践经验。信用评分模型运用梳理统计模型技术，通过对申请者的基本信息、行为特征、信用历史等关键信息的深度挖掘与分析，发现申请者的风险特征，最终通过评分的方式输出结果。在消费金融实际业务中，风控审批的结果主要分为两部分，一是能不能贷，二是贷多少。风控策略主要来解决能不能贷的问题，而信用评分模型主要解决贷多少的问题。

信用评分模型的建立大致需要如下步骤;

1.模型开发的选择：决定开发怎么样的信用评分模型及由谁开发

2.样本的选择：选取样本是开发模型的首要环节，可以采取随机抽样或分类抽样的方式

3.预测变量的提炼和表现变量的界定：预测变量是从可观察到的信息中提炼出来的，例如年龄、收入、信用卡额度等。表现变量是模型要预测的结果，可以简单理解成好或坏

4.模型的实施：在预测变量提炼完成之后可以进行模型设计，需要选择合适的模型方法，常见的包括逻辑回归、线性回归分析、神经网络模型等，这些方法各有利弊。在完成上述步骤之后最终确定模型的变量组合和权重，构筑评分卡。

5.模型表现的跟踪：在构建完模型之后需要对模型效果进行考量，常见的模型检验报告有：

交换曲线

K-S指标

隔离度

拟合度曲线

前三者主要检验模型对好坏区分的效果，拟合度曲线则对比预测的坏账率与实际坏账率的准确程度。

综上所述，由风控规则与信用评分模型共同组成了风控策略，在消费金融领域内各家公司的业务不同，因此策略也各不相同，不过万变不离其宗，总结下来其实风控策略可以分为这几个模块：

1.准入模块：设置产品的准入门槛，符合准入条件的用户才可申请此金融产品

2.黑名单模块：主要由内部及外部黑名单构成，协同防范风险，将有不良信用历史的申请拒绝掉

3.反欺诈模块：主要由各类反欺诈规则及反欺诈服务组成，识别各类欺诈风险，避免损失

4.信用评分模块：使用信用评分模型或人工经验构筑评分卡，评定用户的信用评分，并据此给予授信

5.增信模块：对于信用评分不达标的用户可以补充其他信息，例如社保，公积金信息等进行增信，以获取更高的额度。

四、风控策略的优化

最后一步，在建立了模型之后，需要关注业务的发展情况，并结合贷后数据不断调整和完善模型，只有不断优化调整模型，才能在飞速变化的情况下保证业务的良好发展。

通过上面四个步骤，消费金融业务的基本风控流程就可以建立起来了，当然本文只是针对风控做个基础的介绍，在具体的操作中一定还会遇到各种实际问题。但希望各位读者可以通过本文对风控这件事有个基本的认识，后续的文章会陆续为大家介绍风控中各个环节比较细节的内容，希望大家喜欢。最后给大家推荐基本有关消费金融风险管理的专业书籍，希望各位消费金融从业者朋友可以从中学习到先进的风控管理经验，

：

1.《现代信用卡管理》陈建 著：关于消费信贷与信用卡管理方面的权威入门教材，文字直白，浅显易懂，可作为入门读物全面了解消费信贷与信用卡的整个管理流程。适合管理及业务人员阅读

2.《互联网金融时代消费信贷评分建模与应用》单良 茆小林 著：关于消费信贷评分建模的专业书籍，需要一定的数学建模基础，适合技术及建模人员详细阅读

3.《信用评分模型技术与应用》陈建 著; 关于信用评分模型的开发技术和应用经验的著作，适合技术及建模人员阅读

如果想与本文作者进一步交流，请评论留言。