怎么搭建现金贷产品风控体系?

原标题:陈黎明:如何打造现金贷产品的风控体系?

现金贷的风控重点

本次分享中现金贷特指无场景的纯信用贷款。PayDay loan指的是小额周期短的现金贷。国内大家把这两个产品等同起来,在这儿请注意区分。

风控体系搭建时要问重点在哪,是反欺诈还是信用评估?判定欺诈风险是否是风控重点可以从下面几个方面考虑:

1

1

客源

我们要问自己反欺诈是不是最重要的,要看自己的客源从哪里来,我们的获客渠道从哪来,合作平台是哪一家,客户在平台上是不是有强身份验证的关系。

2

资金用途(场景分期VS现金贷)

场景分期一般能追踪资金用途,比如说机票分期,贷款必须用来买机票,退票的时候款项会直接退给资金方,没法套现,欺诈的风险相当低。

那么医美也是场景分期,但医美的欺诈风险为什么高?这个涉及到线下欺诈。一些中介和美容店串通 ,钱贷出来,美容没有做,渠道控制不好,欺诈风险就会高。

相对于场景分期来说,现金贷的欺诈风险比较高

3

风控的数据

风控数据是相当重要的,比如说大额现金贷如果能调人行征信,欺诈风险会大大降低。因此欺诈风险大不大,风控数据也起重要作用。

4

其他

一般来说息费高的产品针对的是信用差的人群,所以在风控上不能对信用要求太高,容易让欺诈客户占空子。

最后需要注意的是线上和线下的欺诈风险完全不一样,线下需要考虑中介的道德风险等等。

如何构建风险体系

风险管理必须从数据&IT,模型&业务,管理机制等方面防范 。

1

数据层

我们今天聚焦通过数据挖掘实现风控,数据是根本,离开数据是无米之炊。这个时候有些平台的优势就脱颖而出。比如一些支付平台,它沉淀的数据量相当惊人的。另外,银行有存量零售客户,积累了相当多的数据,所以银行的现金贷可以做到息费低,吸进优质客户。

在数据方面,我们要提一下人行征信。人行征信可以区分信用风险,并在一定程度上起到反欺诈功能和协助催收。在大额现金贷中人行征信一般是广泛使用。在小额现金贷比如Payday loan里面并不会利用到人行征信。

Payday loan不会利用人行征信的几个原因?

①Payday loan主要是信用最差的人群,好多人说不定是征信的白户。

②做Payday loan的公司大部分没有资质调用人行征信,而且,payday loan额度小,数据成本占比大,需要对成本控制。

如果上述数据优势,只好依赖外部的数据源。比如说民间征信公司提供的黑名单、多头借贷数据、爬虫爬取的运营商数据、公积金&社保、通过技术捕捉到的设备指纹等等。通过上面的数据采集去构建反欺诈和信用模型 。

最后,对于数据层,如果产品不同、客群不同,那么你需要的数据源也不同。大额现金贷和小额现金贷针对的客群是不一样的,它的息费不一样,所以它需要的数据源也是不一样,在设计的时候大家要注意到这一点。

2

系统层

上一层是系统层。比如说业务系统,市面上的业务系统有个缺点,就是系统系统开发时各部分是强耦合的,变量是写死在里面的,如果后期修改风控规则和更新模型,需要排期,排到期又得有几天到2个星期的开发时间,这个问题可以通过引入决策引擎来解决。另外,为了方便数据分析,数仓的建立也是很有必要的。

3

分析/模型层

有了数据和数据管理系统,可以开始分析和建模。分析的重点是围绕业务中的关键点来开展,比如风险和盈利。值得一提的是在分析中需要用VINTAGE去分析。VINTAGE一词和红酒相关,由于光照虫害等因素,每年各个地区的的葡萄酒质量会有差异,所以葡萄酒会标明年份和产地。

VINTAGE分析就是根据客户的借贷日期或者月份去分析,将客户根据进件月份分群去做分析。这个听上去简单合理,在我们做咨询时发现相当多的客户不是这样做的。比如逾期率,因为没有用VINTAGE方法,是很不准确的。业务冲量的时候,逾期率就会自然低;反之,业务减量的时候,逾期率就高。所以做分析的时候建议大家采用VINTAGE的方法。

建模有好多方法,传统的逻辑回归和现在流行的机器学习,比如GBDT,XG Boost 等。哪种方法好,我的观点是,不论黑猫白猫抓到老鼠就是好猫。只要能有效可以区分风险和保持一定的稳定性就可以。

4

业务层

分析和模型完毕后,要将结果转化成业务策略。比如通过外部数据和欺诈的关联分析建立反欺诈规则,比如利用收入负债比制定额度。值得指出的,业务初期时,经常根据经验设计规则,但这些规则到底是否有效,需要在未来的业务中不断测试。

在这儿提一下测试,在数据驱动的理念中,测试是相当重要的一部分。业务初期的时候可能设计的一些规则你无法知道它是否有效,判定是否有效的唯一方法就是测试。

5

管理层

最后是管理制度和岗位职责等的建立。比如风险部门和业务部门的合作关系,业务使劲往前冲,风险则拖后腿,如何平衡两个部门关系。另外,为了防止内外勾结和欺诈,我们的风控策略必须做到保密,如何建立机制做到保密?大家可以想一想。

具体的风控流程

1

渠道进件

第一步是渠道进件,这是相当重要的一步,因为它决定了你的客源。不同渠道的客源质量相差比较大。选择客源后可以做分析。比如说年龄分布、性别分布等一些维度。根据客群分析,来设计规则。各个渠道良莠不齐,哪一部分是我们的目标客户。哪一部分是我们非目标客户,在这一部分设置准入规则可以降低成本。

渠道本身应该进行监控,来衡量渠道进件客户量和客户质量的稳定性。有些渠道会在商务谈判时短期内增加客户量,提供高质量的客户,审批通过率高。后期业务开展的时候,会发现客户量或者审批通过率降低,这个需要大家注意。

不要盲目地相信渠道提供的数据质量,必须建立数据质量监控系统,从而有效捕捉渠道方的数据错误;另外,如果渠道方更新变量加工逻辑,通过监控也能及时发现。

2

反欺诈

反欺诈根据欺诈主体分为第一方和第三方。

第三方欺诈就是身份冒用、盗用去申请贷款。这部分的防御技术其实比较成熟比如人脸识别等。

第一方欺诈就是恶意骗贷。如何控制第一方欺诈?通过数据、爬虫、外部黑名单等方法。考虑黑名单的时候要考虑黑名单的覆盖率、更新频率等等;做反欺诈规则的时候要考虑是建模型还是规则。有些客户会担心规则只有几条可能容易被外面的黑产、中介攻破,而模型较难攻破,大家自己可以考虑一下。

第二个在做反欺诈设计的时候需要平衡客户的体验。爬虫的时候需要客户填写一些账户信息和授权。

第三个要注意的是数据的质量、成本和性价比。

1

信审阶段

信审阶段一般有两个,一个是信用模型,建完模型后需要注意的是对入模变量和应变量的解释,入模变量和应变量之间的关系是否能够解释地通,是否有选择偏差。这个不仅仅是说服业务去用你的模型,更重要的是在发现选择偏差的时候是否能理解它,模型是否可以推广到被拒绝人群。

有朋友提到拒绝推断。建模型的时候实际上是针对审批通过的人来建模,是通过你的渠道、反欺诈规则、信审规则、有贷款的这部分人建的模型。但是最后你的模型用在渠道进件的人群。所以模型应用起来是否会产生偏差,是否用拒绝推断来矫正呢?

第二个,授信规则考虑收入负债比。这个比较有争议。一是如何界定?通过公积金、社保并不能正确的界定?二是负债。人行征信是比较准确的。但是大量的负债没上人行征信的,如何去界定它?额度是多少?小额的时候需要做收入负债比还是大额的时候做收入负债比?这都是要考虑的问题。另外一点是生活水准,每一个地区的生活水准不一样的。

4

贷后管理

在这儿提两点:

第一是监控。监控是相当重要的。其实监控是全流程的,不仅仅是贷后管理的一部分。监控有几个主要目的:

①监控异常行为,及时捕捉欺诈;

②监控逾期趋势,尤其是同信用欺诈分段的逾期走势;

③监控反欺诈策略和信用评分的有效性,及时迭代。

第二是催收。催收要考虑如下几个因素:

①优化催收资源;大部分公司会有内部催收和外部催收,做到客户级的委外策略可以节省成本,优化资源。

②客户体验:对不同的客户有不同的话术,决定什么时候催收也很重要;

③违约金是盈利重要来源,不是每一个客户都要及时催收。

④失联:考虑失联修改

贷后管理是很重要的,贷后管理收集客户在贷后的表现,对客户的进一步细分,以便于制定差异化的管理策略。复贷就是贷后管理策略的一种。

5

复贷

对于低风险存量客户,可以考虑继续贷款,提高额度等,所以就有了复贷的策略。复贷的时候可以考虑补充外部数据。如多头借贷数据。Payday loan现在多头借贷特别严重,可能会出现击鼓传花的现象,拐点出现时会风险会集中爆发。这是需要关注的现象。

课后问答环节

Q:如何用VINTAGE做跟踪呢?

A:跟踪每个月进件的质量和逾期表现,追踪风控策略的改变带来的变化,同时监控市场变化可能带来的的影响。

小编最后推荐银狐风控系统,为中小微信贷机构提供现金贷一站式服务平台,从前期获客、贷前风控、货中管理、贷后催收,都提供了完整的解决方案和便捷的操作功能!点击我咨询或加微信xiaoxin263了解!