個人金融借貸場景下大數(shù)據(jù)風控的行業(yè)分析及應用分析

個人金融借貸場景下，大數(shù)據(jù)風控的行業(yè)分析及應用分析一、大數(shù)據(jù)風控是什么？大數(shù)據(jù)風控按照通俗的概念解析：通過運用大數(shù)據(jù)構(gòu)建模型的方法對借款人進行風險控制和風險提示。這句話涵蓋大數(shù)據(jù)風控必要的4個要素：1.原材料：大數(shù)據(jù)2.實現(xiàn)方式：技術(shù)模型3.目標人群：場景中的群體。由于本文主要指個人借貸場景，則目標人群是借款人。還有其他場景，例如信用卡場景對于信用卡申請人、購物場景針對分期用戶、租房場景針對租金分期用戶、投保場景針對投保人、投資理財針對投資人等。4.目的：風險控制和風險提示。一般機構(gòu)主要有2個目的：目的1：針對降低損失，需要對好壞用戶進行識別目的2：針對獲取最大化利潤，需要對用戶資質(zhì)分層。潛在的特點是可以大批量實時實現(xiàn)風險控制和風險提示。二、傳統(tǒng)風控與大數(shù)據(jù)風控的區(qū)別大數(shù)據(jù)風控的叫法其實就是為了與傳統(tǒng)風控做區(qū)分。傳統(tǒng)風控在2016年之前相對比較普遍，其特點是線下風控場景為主，需要用戶填寫一大堆個人信息及提供工作證明、流水證明、住址證明等，審核時間一般為1-3天，銀行體系會更長3-7天左右。正常情況，一份用戶資料表需要填寫包括以下這些信息：姓名、性別、年齡、身份證號、家庭地址、學歷、家庭人數(shù)、婚姻狀態(tài)、單位名稱、單位電話、工作職務、單位性質(zhì)、收入來源、收入水平、配偶詳情、經(jīng)營企業(yè)詳情、其他資質(zhì)等信息。除了這些信息，還需要提供紙質(zhì)的身份證復印件、工作收入證明（蓋章）、半年銀行流水、水電費或房屋租賃合同等。另外，銀行等持牌機構(gòu)還會查詢用戶在央行的征信報告，用于輔助風控。這些數(shù)據(jù)潛在的意義可以這樣解讀：除了年齡代表準入門檻，一般的借貸產(chǎn)品要求借款人需要有22歲以上才可以申請，現(xiàn)金貸產(chǎn)品會把年齡門檻放到18-20歲及以上。部分產(chǎn)品要求學歷是高中及以上，或者要求非在校生。其他的分組后分別代表借款用戶的還款能力，負債情況及信用情況（這里不細分還款意愿）。直接體現(xiàn)或者間接體現(xiàn)還款能力的：家庭人數(shù)。家里人多，你還不起，催收后有人可以幫你還；2.婚姻狀態(tài)，大部分家庭，結(jié)婚的比未婚的家庭收入或經(jīng)濟穩(wěn)定更好；3.單位名稱、單位電話、工作職務、單位性質(zhì)、收入來源、收入水平，直接體現(xiàn)收入水平及收入穩(wěn)定性情況；4.經(jīng)營企業(yè)詳情、其他資質(zhì)等信息。體現(xiàn)負債情況和信用情況的：央行征信報告拿到這些信息及材料后，由風控專員憑借經(jīng)驗及按照標準化流程審核材料真實性。例如工作收入證明通過撥打公司電話核查有無本人及職位情況、其他資質(zhì)材料看印章判斷真實性，流水會打銀行電話抽查真實性等。傳統(tǒng)風控的模式及節(jié)奏是不符合互聯(lián)網(wǎng)金融高速發(fā)展的節(jié)奏的，互聯(lián)網(wǎng)金融時代都是按秒級幾百上千用戶群同時發(fā)起貸款申請，如果按照人工審核，從進件到批核整個流程可能要1個月時間都沒法完成。傳統(tǒng)風控向大數(shù)據(jù)風控的升級，即是行業(yè)發(fā)展的需要，也受益于各類用戶數(shù)據(jù)被標準化對外，也就是API的形式對外輸出，金融機構(gòu)可以直接接入各種必須的數(shù)據(jù)接口，用于獲取用戶的數(shù)據(jù)。整個流程從用戶填寫將近所有的信息，變成只要提供姓名、身份證、銀行卡號、手機號這個4個要素就可以獲得全部或大部分風控必需的用戶信息。大數(shù)據(jù)風控的快捷得益于各種標準化的數(shù)據(jù)接口，但由于代表用戶的各種數(shù)據(jù)是分別存在與不同的機構(gòu)中，這些數(shù)據(jù)原則上需要用戶授權(quán)才能對外，而且數(shù)據(jù)輸出需要進行合規(guī)脫敏的處理。所以，大數(shù)據(jù)風控需要獲取到與傳統(tǒng)風控要求用戶填寫的所有信息、或者直接或間接證明用戶還款能力、還款意愿、負債情況及信用情況必須的數(shù)據(jù)，每個類型需要接入幾個數(shù)據(jù)來源，缺失的類型還需要找到能夠替代的數(shù)據(jù)接口。大數(shù)據(jù)風控需要的數(shù)據(jù)類型，在后面章節(jié)再詳解。三、哪些行業(yè)及場景需要大數(shù)據(jù)風控除了借貸場景，還有哪些場景需要用到大數(shù)據(jù)風控？這里，獵人簡單舉幾個例子：金融行業(yè)最常見就是投融資板塊，投資板塊，需要對非法集資、洗錢、資金盜刷等風險進行防控。借貸板塊，需要進行貸前進行反欺詐及用戶風險識別、授信風險評估、貸中風險評估及貸后風險預警。電商行業(yè)需要在用戶注冊環(huán)節(jié)進行防薅羊毛、對已注冊充值用戶需要防止其資金被盜刷、賬戶被盜及發(fā)生交易后對經(jīng)常拒付的情況需要識別。保險行業(yè)特別是壽險產(chǎn)品，需要對投保人身份進行核實，防止有不良行為投保用戶過審發(fā)生騙保。除了這些常見的行業(yè)場景，其實各行各業(yè)只要涉及到個人信息及資金交易的，都會用到大數(shù)據(jù)風控，唯一的區(qū)別就是針對不同場景的需要的數(shù)據(jù)及策略是不一樣的。四、大數(shù)據(jù)風控行業(yè)有哪些機構(gòu)參與傳統(tǒng)風控基本都是由金融機構(gòu)內(nèi)部的風險部門及門店經(jīng)理組成，大數(shù)據(jù)風控更多是由第三方機構(gòu)提供。大數(shù)據(jù)風控行業(yè)主要有以下7大類型機構(gòu)參與：監(jiān)管部門旗下或牽頭的機構(gòu)：百行征信、互金協(xié)會及小貸協(xié)會等；非銀放貸機構(gòu)旗下金融科技公司：持牌小貸公司、P2P機構(gòu)等，例如玖富及宜信；電商旗下金融科技公司：京東金融、螞蟻金服等；互聯(lián)網(wǎng)巨頭旗下金融科技公司：度小滿金融、騰訊云等；銀行系金融科技公司：銀聯(lián)智策、建行金科等；企業(yè)服務類：系統(tǒng)服務商、技術(shù)提供商、數(shù)據(jù)中介商等，例如同盾及百融；支付機構(gòu)旗下金融科技公司：天翼征信：新顏征信等。這些機構(gòu)擁有場景、資金、放貸業(yè)務三者全部或者其中一塊要素，這些要素決定了其在大數(shù)據(jù)風控的競爭壁壘。場景代表有源源不斷的數(shù)據(jù)，及精準的客群畫像，可以無成本或低成本用于風控業(yè)務；資金代表了可以隨意切進任一借貸場景，獲取數(shù)據(jù)及影響產(chǎn)品形態(tài)；放貸業(yè)務表示在特定場景有一定的用戶借貸表現(xiàn)的數(shù)據(jù)及基礎(chǔ)的風控能力，部分機構(gòu)的成熟風控能力還可以直接對外輸出變現(xiàn)，切入到體系外的場景獲取更多的數(shù)據(jù)。因此，數(shù)據(jù)量級、數(shù)據(jù)成本、風控經(jīng)驗、資金風險承受能力綜合決定了一家機構(gòu)在大數(shù)據(jù)風控是否有足夠的競爭力。五、大數(shù)據(jù)風控機構(gòu)存在的意義個人借貸金融板塊的大數(shù)據(jù)風控行業(yè)的前景，主要可以看2方面：一個是不含房貸的國內(nèi)消費金融市場規(guī)模及滲透情況。只要消費金融市場的存量客戶，有復貸需求，且增量客群還有轉(zhuǎn)化空間，代表著借貸業(yè)務是持續(xù)發(fā)生的，則這里對風控的需求是持續(xù)不斷的。我國個人消費金融的市場規(guī)模從2013年的12億到2018年的將近38億，翻了3倍有多；而不含房貸的規(guī)模到2018年則到了8億，滲透率為22.36%。如果到2020年滲透率可以提升2.5%，則市場規(guī)模有個3.5萬億的提升。這個空間足夠眾多公司在此競爭。大數(shù)據(jù)風控機構(gòu)其中的一個收入來源就是數(shù)據(jù)接口的調(diào)用次數(shù)計費，這個調(diào)用次數(shù)息息相關(guān)的是借貸用戶數(shù)量。而央行內(nèi)收錄的大部分信貸記錄用戶都是屬于銀行等相對高質(zhì)量用戶群體，這些群體都有可能下沉到非銀系的互聯(lián)網(wǎng)金融中發(fā)生貸款行為，同時不在央行體系的信貸用戶，都是互聯(lián)網(wǎng)消費金融機構(gòu)的潛在客戶。通過央行查詢量，可以側(cè)面知道在銀行體系信貸需求的用戶數(shù)量，這部分用戶80%以上是無法獲取銀行體系的貸款的，因此理論上是可以成為消費金融機構(gòu)的潛在客群。2015年的6.3億次查詢到2018的17.6億次查詢，說明需要信貸的用戶非常多，但這么大的查詢量，有信貸記錄人數(shù)才增加了1億，說明大部分用戶都無法獲得貸款或者非常需要貸款，會同時在多個機構(gòu)申請貸款，才會每人產(chǎn)生近10次的查詢次數(shù)。六、處于消費金融產(chǎn)業(yè)鏈什么位置已知大數(shù)據(jù)風控機構(gòu)在消費金融場景中是非常有前景的，我們了解下其在消費金融產(chǎn)業(yè)鏈中的角色及功能，消費金融產(chǎn)業(yè)鏈的角色包括：監(jiān)管機構(gòu)：銀保監(jiān)會、中國人民銀行等；消費金融服務提供商：商業(yè)銀行、電商平臺、持牌公司、分期平臺、非持牌機構(gòu)；資金提供方：自有資金、信托、ABS、銀行借貸、同業(yè)拆及P2P；第三方支付機構(gòu)：負責提供支付通道，給予消金機構(gòu)放款或者代扣還款；催收或不良資產(chǎn)機構(gòu)：負責貸后逾期不還及失聯(lián)客戶；消費者：不同場景的消費需要的資金需求是不一樣的；風控及征信機構(gòu)：負責提供大數(shù)據(jù)風控服務，包括數(shù)據(jù)、技術(shù)服務、模型策略等。除了消費者外，產(chǎn)業(yè)鏈中的各個角色都有附加風控及征信機構(gòu)角色的可能，對外輸出大數(shù)據(jù)風控能力。七、個貸風控場景及解決方案獵人將消費金融大數(shù)據(jù)風控場景分為5個環(huán)節(jié)6個應用場景：5個環(huán)節(jié)包括反欺詐、身份核驗、貸前審核、貸中監(jiān)控及貸后催收；6個應用場景分別對應不同的環(huán)節(jié)。反欺詐環(huán)節(jié)：對申請借貸的用戶群體進行反欺詐識別，識別能力主要依賴于風險名單，高危名單（在逃、黃賭毒、涉案）、法院失信被執(zhí)行人等名單，另外還有虛擬手機號、風險IP、風險地區(qū)等名單，通過名單進行反欺詐識別。再深入點，可以在用戶使用的設備端進行反欺詐識別，查看是否是風險設備；還可以通過群體關(guān)聯(lián)，找出是否團伙欺詐行為。例如申請集中在一個IP地址，一個戶籍地，通訊錄都有同一個人聯(lián)系方式等。身份核驗環(huán)節(jié)：進行借貸同行業(yè)身份核驗。在反欺詐識別過程中，無風險用戶來到身份核驗環(huán)節(jié)，這里可以通過身份證2要素接口，核驗用戶的姓名身份證號是否正真實；通過活體識別判斷是否用戶本人在操作；通過運營商核驗接口，核驗用戶的姓名身份證手機號是否一致，手機號是否本人實名使用；通過銀行卡核驗，核驗用戶的提供的銀行卡是否本人，防止貸款成功后，貸款資金到他人賬戶被冒用。貸前審核環(huán)節(jié)：授權(quán)信息獲取，針對身份核驗通過的用戶，進行有感知或無感知的必要信息獲取，為后續(xù)模型評分準備好數(shù)據(jù)。無感知獲取的包括多頭借貸數(shù)據(jù)、消費金融畫像數(shù)據(jù)、手機號狀態(tài)和時長數(shù)據(jù)等；有感知（需要用戶提供相關(guān)賬戶密碼）獲取的數(shù)據(jù)有：運營商報告、社保公積金、職業(yè)信息、學歷信息、央行征信等。借貸用戶的分層及授信，針對以獲取的用戶相關(guān)數(shù)據(jù)，根據(jù)不同的算法模型輸出針對用戶申請環(huán)節(jié)的評分卡、借貸過程的行為評分卡、授信額度模型、資質(zhì)分層等模型。不同機構(gòu)對于不同環(huán)節(jié)的模型評分叫法不一樣，目的都是圍繞風險識別及用戶資質(zhì)評估。貸中監(jiān)控：之前環(huán)節(jié)獲取的數(shù)據(jù)大部分還可以用于貸后監(jiān)控，監(jiān)控各項正常指標是否往不良轉(zhuǎn)變，例如本來無多頭借貸情況的，申請成功貸款后發(fā)現(xiàn)該用戶在別的地方有多筆借貸情況，這時可以將該用戶列為重點關(guān)注對象，防止逾期。貸后催收：此時需要催收的主要針對失聯(lián)部分客戶，這部分客戶在貸款時填寫的號碼已經(jīng)不可用，需要通過大數(shù)據(jù)風控公司通過某些手段獲得該客戶實名或非實名在用的其他號碼，提高催收人員的觸達幾率。八、大數(shù)據(jù)風控常用的數(shù)據(jù)類型大數(shù)據(jù)風控離不開數(shù)據(jù)，這些數(shù)據(jù)獵人將主要的7大類型，這7大類型的存在主要有2大原因：一是這些數(shù)據(jù)維度基本可以直接或間接體現(xiàn)用戶的還款能力、負債情況、信用情況及其他潛在風險，大部分數(shù)據(jù)維度都已在金融信貸風控環(huán)節(jié)得到有效的驗證，除了個別場景對于少部分類型數(shù)據(jù)不太合適外。二是這些數(shù)據(jù)都經(jīng)過標準化的處理，且在其體系內(nèi)與合作的借貸機構(gòu)客群最低的交叉比例超過40%以上，也就是借貸機構(gòu)的100個用戶中可以在這個數(shù)據(jù)接口中查到其中40人及以上的數(shù)據(jù)。還有一些原因是這些數(shù)據(jù)來源的更新頻率足夠滿足風控公司的要求，特別是高風險名單這些要求是實時的，而身份證要素這些則無需更新實時問題也不大。數(shù)據(jù)類型主要有：身份信息：身份證、銀行卡、手機卡、學歷、職業(yè)、社保、公積金；借貸信息：注冊信息、申請信息、共債信息、逾期信息；消費信息：POS消費、保險消費、淘寶消費、京東消費；興趣信息：APP偏好、瀏覽偏好、消費類型偏好；出行信息：常出沒區(qū)域、航旅出行、鐵路出行；公檢法畫像：失信被執(zhí)行、涉訴、在逃、黃賭毒；其他風險畫像：航空鐵路黑名單、支付欺詐、惡意騙貸。九、大數(shù)據(jù)風控的數(shù)據(jù)源頭大數(shù)據(jù)風控需要的數(shù)據(jù)類型這么多，那來源是哪里，或者說這些數(shù)據(jù)掌握在哪些機構(gòu)中？身份證數(shù)據(jù)源頭：公安一所、公安三所、身份證信息查詢中心；銀行卡數(shù)據(jù)源頭：各類銀行、各地銀聯(lián)；手機號數(shù)據(jù)源頭：移動、聯(lián)通、電信；學歷數(shù)據(jù)源頭：學信網(wǎng)；社保公積金數(shù)據(jù)源頭：社保局、公積金管理中心；借貸數(shù)據(jù)數(shù)據(jù)源頭：央行征信中心、有信貸業(yè)務的銀行、消費金融機構(gòu)、小貸公司、P2P及有放貸業(yè)務的金融機構(gòu)（保理機構(gòu)）；出行數(shù)據(jù)數(shù)據(jù)源頭：中航信、鐵路總局、出行APP、運營商、有定位的APP；消費數(shù)據(jù)：銀行、電商平臺、第三方支付、場景平臺；興趣愛好數(shù)據(jù)源頭：運營商、各類PC平臺網(wǎng)站、各類APP、搜索引擎、手機系統(tǒng)商。其實以上源頭直接從事數(shù)據(jù)輸出業(yè)務的只是一小部分，原因是大部分源頭公司對數(shù)據(jù)合規(guī)輸出及場景管理無專門部分負責，而且數(shù)據(jù)業(yè)務盈利不是其主要的業(yè)務。因此活躍在大數(shù)據(jù)風控行業(yè)，提供數(shù)據(jù)業(yè)務的是一些通過相關(guān)關(guān)系獲得代理權(quán)的數(shù)據(jù)代理商，及為這些源頭公司提供系統(tǒng)服務的系統(tǒng)商。十、人工規(guī)則及機器模型大數(shù)據(jù)風控的實現(xiàn)方式是傳統(tǒng)風控的專家經(jīng)驗模型、及現(xiàn)今依賴算法模型兩種方式結(jié)合較多。原因是算法模型在大多數(shù)常規(guī)情況是可以準確識別風險情況，但少部分特殊情況需要人工參與干涉修正及調(diào)優(yōu)的。專家經(jīng)驗模型的流程是將遇到的新問題（新申請用戶的資料）作為入?yún)?，風控專家根據(jù)歷史出現(xiàn)的情況（不同客群的好壞表現(xiàn)）歸納起來，從中找出相關(guān)規(guī)律（A客群對應好的，B客群對應壞的，C客群沒遇到過，但可能是好的等），從而判斷新問題可能發(fā)展的路徑情況（新客戶貸后是好的或者壞的）。算法模型，主要依賴統(tǒng)計學公式，流程是將新數(shù)據(jù)（新申請用戶的資料）作為入?yún)?，算法模型（隨機森林、決策樹、邏輯回歸等）在大量的歷史客戶樣本喂養(yǎng)后，已經(jīng)可以區(qū)分出不同客群的好壞表現(xiàn)，從中而判斷新用戶在模型結(jié)果中對應的是好還是壞客戶分類。這其中會引入第三方的數(shù)據(jù)源（KS、IV、AUC等都是判斷第三方數(shù)據(jù)有效性的指標），看哪些數(shù)據(jù)能夠提升算法模型的識別準確率。其實從流程看出，算法模型無非把人工經(jīng)驗環(huán)節(jié)換成了算法模型替代，以此實現(xiàn)批量找出能夠判斷好壞客戶的規(guī)律，并將其標準化。但遇到一些不在歷史數(shù)據(jù)中的情況時，算法模型就可能無效，需要人工參與調(diào)優(yōu)，為了解決新問題算法模型表現(xiàn)不太好的情況，現(xiàn)在有機構(gòu)嘗試用新的算法或邏輯去模仿人工調(diào)優(yōu)這個工作。十一、大數(shù)據(jù)風控的產(chǎn)品形態(tài)大