金融科技的發(fā)展解決了傳統(tǒng)金融機(jī)構(gòu)兩大難題:一是,降低運(yùn)營(yíng)成本。傳統(tǒng)消費(fèi)信貸市場(chǎng)是一單一單去做,盡管消費(fèi)信貸定價(jià)較高,但商業(yè)銀行運(yùn)營(yíng)和作業(yè)成本太大。金融科技下的批量化獲客、作業(yè)有效降低了成本。二是通過(guò)大數(shù)據(jù)、云計(jì)算等手段,在風(fēng)險(xiǎn)防范、風(fēng)險(xiǎn)管控方面實(shí)現(xiàn)了線上化和批量化。
其中,大數(shù)據(jù)技術(shù)解決了消費(fèi)金融乃至小微金融領(lǐng)域風(fēng)控的效率瓶頸。一方面,個(gè)人信用體系不斷完善,央行征信、代發(fā)工資、社保、繳稅等不斷納入個(gè)人信用記錄;另一方面,通過(guò)分析消費(fèi)者在互聯(lián)網(wǎng)上購(gòu)物、社交等多維度留痕數(shù)據(jù),覆蓋更多長(zhǎng)尾人群。
目前,有能力推動(dòng)大數(shù)據(jù)風(fēng)控的主要為國(guó)有大行、股份制銀行等大型銀行,以及部分城商行等。互聯(lián)網(wǎng)巨頭、三大運(yùn)營(yíng)商等由于掌握了龐大的個(gè)人數(shù)據(jù),也開始加入到這一市場(chǎng)中來(lái)。
國(guó)內(nèi)企業(yè)征信市場(chǎng)初步建立,但個(gè)人征信市場(chǎng)仍在籌建中。根據(jù)媒體報(bào)道,監(jiān)管當(dāng)局已決定由互金協(xié)會(huì)牽頭成立個(gè)人信用信息平臺(tái),于今年底正式批籌,坊間將之稱為“信聯(lián)”。
風(fēng)險(xiǎn)識(shí)別與控制既是金融業(yè)運(yùn)營(yíng)的核心,也是大數(shù)據(jù)在國(guó)內(nèi)外金融領(lǐng)域最主要的應(yīng)用部分。根據(jù)FICO Report 2015,大數(shù)據(jù)在國(guó)際銀行業(yè)中的主要應(yīng)用,16%用于風(fēng)險(xiǎn)建模,10%用于風(fēng)險(xiǎn)評(píng)估,前者對(duì)應(yīng)金融反欺詐需求,后者對(duì)應(yīng)征信需求,二者合計(jì)占比達(dá)26%,超過(guò)大數(shù)據(jù)在投資組合中的應(yīng)用比例(18%)、客戶行為分析(15%)、運(yùn)營(yíng)績(jī)效(12%)。
從國(guó)內(nèi)金融機(jī)構(gòu)應(yīng)用大數(shù)據(jù)的情況看,主要將大數(shù)據(jù)應(yīng)用在客戶畫像領(lǐng)域,包括風(fēng)險(xiǎn)管控、運(yùn)營(yíng)優(yōu)化、業(yè)務(wù)創(chuàng)新、優(yōu)化營(yíng)銷策略等。特別是,隨著互聯(lián)網(wǎng)貸款的快速發(fā)展,人工判斷占用越來(lái)越多的人力資源,且存在一定風(fēng)險(xiǎn),金融機(jī)構(gòu)迫切需要建立精準(zhǔn)、快速的自動(dòng)化反欺詐模型和評(píng)分模型。
獲取數(shù)據(jù)之后,控制反欺詐和信用風(fēng)險(xiǎn)最重要的數(shù)據(jù)算法、建模問(wèn)題,從而輸出授信額度和風(fēng)險(xiǎn)評(píng)價(jià)、利率和借款期限,這是各家機(jī)構(gòu)的核心競(jìng)爭(zhēng)力。
“白名單”主動(dòng)預(yù)授信
在消費(fèi)金融中,銀行、互聯(lián)網(wǎng)金融等機(jī)構(gòu)開始采用風(fēng)控前置的白名單邀請(qǐng)制,商業(yè)銀行將主動(dòng)授信用于實(shí)際業(yè)務(wù),這是對(duì)以往被動(dòng)授信模式的顛覆。如工商銀行2017年1月推出消費(fèi)金融產(chǎn)品,篩選出白名單用戶4700萬(wàn)戶,3月底白名單用戶接近9000萬(wàn)。微眾銀行從8億多微信或手機(jī)QQ用戶中篩出9800萬(wàn)個(gè)白名單客戶。這一措施可提前判斷“白名單”客戶的還款意愿、還款能力,進(jìn)行預(yù)授信。
反欺詐模型
對(duì)于反欺詐,一般采用多種策略綜合驗(yàn)證打擊欺詐攻擊。解決方案包括:
(1)設(shè)立反欺詐“黑名單”,攔截有不良欺詐記錄的申請(qǐng)者,數(shù)據(jù)來(lái)源于央行征信系統(tǒng)、公安聯(lián)網(wǎng)系統(tǒng)、前海征信或同盾等專業(yè)從事反欺詐的第三方數(shù)據(jù)。
(2)對(duì)群體性欺詐攻擊,進(jìn)行集群分析,利用SAS鏈?zhǔn)骄垲惣夹g(shù),實(shí)現(xiàn)無(wú)限層次申請(qǐng)鏈接分析。
(3)中文模糊匹配搜索。大型銀行會(huì)選擇建立反欺詐系統(tǒng)或欺詐分,通過(guò)模糊搜索判斷欺詐客戶。
(4)邏輯違規(guī)算法。將多個(gè)弱相關(guān)變量,放在一起建模,由于反欺詐的變量多,但變量相關(guān)性不強(qiáng),需要綜合建模來(lái)看整個(gè)模型的有效性。例如,采用通信手段反欺詐。如申請(qǐng)人一定時(shí)期內(nèi)多次申請(qǐng)貸款,則欺詐概率較高。網(wǎng)絡(luò)游戲打得越多,整體看違約率越高,尤其是在三、四線城市。閱讀財(cái)經(jīng)新聞?lì)l率,訪問(wèn)頻率越多的人違約率較低。
見(jiàn)圖七:某金融云平臺(tái)反欺詐模型
獲得用戶畫像之后,還可以通過(guò)關(guān)聯(lián)不同用戶之間的數(shù)據(jù),例如共用IP、手機(jī)號(hào)等,得出用戶的大數(shù)據(jù)關(guān)系圖譜,降低團(tuán)伙欺詐的風(fēng)險(xiǎn)。
信用評(píng)分模型
對(duì)于如何控制信用貸款業(yè)務(wù)資產(chǎn)質(zhì)量,各家銀行諱莫如深。就國(guó)內(nèi)商業(yè)銀行而言,將風(fēng)險(xiǎn)評(píng)分等技術(shù)手段引入信用貸款風(fēng)控模型,是一些銀行信用貸款業(yè)務(wù)爆發(fā)、不良下降的核心原因。
目前,國(guó)內(nèi)信用評(píng)分模型包括收入計(jì)算模型、額度計(jì)算模型、人行評(píng)分模型等,從多個(gè)維度判斷客戶的授信額度。
除銀行外,在個(gè)人征信牌照上無(wú)法突破時(shí)局下,包括互聯(lián)網(wǎng)巨頭在內(nèi)的第三方征信選擇發(fā)布“信用分”。信用分本質(zhì)是一個(gè)數(shù)據(jù)驅(qū)動(dòng)模型。“信用分”與傳統(tǒng)征信的區(qū)別在于,狹義上的個(gè)人信用即是債務(wù)相關(guān)的數(shù)據(jù),包括還款、負(fù)債、收入和資產(chǎn)等信息。
2017年8月,騰訊對(duì)部分用戶開放信用分查詢渠道,評(píng)分模型通過(guò)“履約、安全、財(cái)富、消費(fèi)、社交”五大指數(shù),基于歷史行為,統(tǒng)計(jì)評(píng)估得出信用分。履約指數(shù)是指貸款、信用卡、分期是否按時(shí)還款;安全指數(shù)是指?jìng)€(gè)人信息是否準(zhǔn)確,賬戶的安全性是否足夠高、是否經(jīng)常更換聯(lián)系方式等;財(cái)富指數(shù)是指?jìng)€(gè)人資產(chǎn)情況,例如各類資產(chǎn)的構(gòu)成、理財(cái)記錄等;消費(fèi)指數(shù)是指手機(jī)QQ、微信支付行為如何,例如購(gòu)物、繳費(fèi)等場(chǎng)景的行為及偏好;社交指數(shù)是指社交行為和人脈關(guān)系如何。2015年1月發(fā)布的芝麻信用分亦頗為相似,其通過(guò)對(duì)信用歷史、行為偏好、履約能力、身份特質(zhì)、人脈關(guān)系五個(gè)維度客觀呈現(xiàn)個(gè)人信用狀況的綜合分值。
信用分的應(yīng)用場(chǎng)景,在于覆蓋無(wú)征信人群和信用貸款。除央行征信外,國(guó)內(nèi)有三分之二的人群是征信報(bào)告沒(méi)有覆蓋到的。在普惠金融的目標(biāo)下,第三方征信公司通過(guò)一些外部數(shù)據(jù)給其打出一個(gè)有效的分,使得獲得互聯(lián)網(wǎng)金融機(jī)構(gòu)的貸款。