探究现金贷风控模式.docx

探究现金贷风控模式近段时间对于现金贷的监管已经箭在弦上一方面许多中小型现金贷平台的实际借款利率过高另一方面部分平台对于现金贷业务的风控更像是皇帝的新衣以至于整个行业的坏账率居高不下从监管层面看现金贷业务为了继续经营将不得不大幅削减贷款利率减少各类手续费因此通过提高风控水平减少坏账损失成了保证现金贷业务经营利润的唯一出路点面点的现金贷风控体系第一个点是指起点现金贷风控体系的设计需要以产品本身作为起点现金贷产品无外乎四个要素利率包括各种费率期限额度目标人群对于每一类目标人群而言他们在流动性需求未来可预期现金流消费观念收入水平以及信用状况等维度上都具有一定的规律和共性进而影响其申请额度贷款利息的接受水平还款能力和还款意愿等因此合理地设计产品能在有效降低风控难度的同时将收入最大化例如对于白领人群其按月发薪的特点更适合一个月及以内的借款期限另外除了现金贷产品本身的特性之外其推广渠道也颇为重要如果通过某一推广渠道引入了大量非目标人群那么这不仅仅降低了推广成本的使用效率和后期风控流程的判断精度还会产生大量有偏数据不利于风控模型的迭代升级和产品的再设计面是指具体的风控流程从时间段区分风控流程包括贷前贷中贷后三个阶段其中贷前阶段是整个风控流程的核心阶段这一阶段包括申请审核和授信三个步骤形象地说贷前阶段是一个过滤杂质的阶段而第三方的征信数据黑名单反欺诈规则风控模型则是一层层孔径不一的滤网贷中阶段主要是对借款人个人信息的跟踪和监控一旦有异常信息的产生风控人员可以及时地发现联系该借款人尽可能保证这笔借款的安全贷后阶段的工作集中在催收上此外如果借款人申请展期或者续贷则需要在这一阶段结合历史数据使用行为评分卡等重新进行审核并作相应的额度调整和风险分池管理而在整个风控流程中需要对借款的集中度作妥善管理防止因为集中借款和集中逾期带来的资金流动性不足的问题第二个点是指重点整个现金贷风控体系的重点有二其一反欺诈相较于传统借贷模式下的风控现金贷风控是一种轻度风控由于其小额短期的特点现金贷风控更重视的是借款人的还款意愿而非还款能力适度的逾期不仅不会影响平台的正常运营反而可以通过逾期费用提高其营收因此反欺诈是现金贷风控的首要课题目前线上贷款的欺诈行为有中介代办团伙作案机器行为账户盗用身份冒用和串联交易等针对这些欺诈行为常用的反欺诈规则包括勾稽比对交叉检验强特征筛选风险关系以及用户行为数据分析其二多头借贷行为的识别多头借贷是指同一借款人在多个贷款机构有过贷款行为目前多头借贷行为的识别包括两个方面1获取多头借贷数据由于现金贷的目标人群大多都是不被传统借贷机构覆盖的长尾人群缺少完整的央行征信数据因此一些从事现金贷业务的平台会相互合作实现贷款申请数据的共享另外现金贷平台在第三方征信机构针对每一笔贷款申请记录作查询时势必会留下大量贷款申请人的身份信息这部分信息经过查询异常检测算法的过滤以后就会形成一个可靠的多头借贷数据库2恶性多头借贷行为的识别恶性多头借贷行为指贷款人借新还旧或者在同一时期有大笔多头借贷对于借新还旧行为的识别可以结合贷款申请间隔和贷款期限如果贷款申请间隔明显小于贷款期限说明该笔贷款申请有较大的借新还旧风险挑战矛盾与变化欺诈手段的多元化技术化互联网化欺诈与反欺诈一直以来都是借贷行业的主要矛盾体之一随着线上贷款业务的迅速发展基于信息技术的线上骗贷行为也愈演愈烈当骗子们也开始玩大数据机器学习的时候可想而知很多风控人员的内心是崩溃的例如手机验证是目前最常用的线上审核方式之一它包括两种形式短信验证码和填写运营商服务密码但是这种方式对于诈骗团伙而言也是有机可乘的因为他们有一种技术装备猫池简单地理解它就是一台具有收发短信功能的n卡n待的简易手机一台电脑可以连接多台猫池一台猫池又可以插入864张SIM卡与之伴随的又有所谓的收卡养卡业务当号码时间达到一定标准了就有可能通过手机验证这一反欺诈手段除此之外一些模拟器的使用可以帮助诈骗分子轻松修改手机的IMEIMACIPGPS等设备及环境信息在这一层层的伪装与包裹之下利用设备及环境信息的反欺诈手段就显得有些苍白无力了而且有些个人信息如身份证信息社交账号银行卡账号甚至U盾等都可以在网上被诈骗团伙买到或者用搜索引擎搜到很多时候一些反欺诈手段的有效并不是因为其无法被破解而是因为破解成本较高导致欺诈团伙放弃了这种方式风控模型的冷启动冷启动是大数据风控模型搭建所要面临的首要难题特别是对于一些初创型的现金贷平台数据的积累是一个从0开始的过程在其积累数据的前期阶段势必需要付出巨大的成本一方面平台在保证正常的风控流程之外还需投入大量人力成本去收集数据搭建模型数据回测另一方面平台不得不投入高额的资金成本去购买第三方数据相较于近10亿的未被央行征信数据覆盖的长尾用户群体总量目前现金贷的客群规模还有限绝大多数平台都面临着冷启动的问题目前常用的解决数据冷启动问题的方法是从外部数据着手由于缺少借款申请人的历史信贷记录和个人征信数据风控模型失去了对于借款人违约风险直接考量的依据因此如果能以用户行为之类的外部数据结合Eigentaste等协同过滤算法便可以最大限度地识别出欺诈风险较高的人群并将其过滤不过目前的现状是大多数平台缺少处理外部数据的动力和能力往往采用人工审核辅以一些简单的反欺诈规则的方式用户体验与反欺诈的矛盾在现金贷的用户眼中用户体验反映在借款的快捷程度和申请的简易程度上但是反欺诈需要用户提供各种各样的个人信息大大降低了用户体验的质量在过去许多平台奉行高收益覆盖高风险的原则过度重视流量而且市面上的现金贷产品五花八门不少平台为了保证流量纷纷打出只需身份证和手机号申请后XX分钟放款之类的标语然而随着监管趋严高收益高坏账的运营模式将渐渐被淘汰为了控制坏账现金贷平台不得不再度面对用户体验与反欺诈的对立问题一方面平台需要优化反欺诈模型尽可能降低入口数据的维度缩短风控模型的审核时间另一方面从客服还款简便程度等其他角度优化用户体验也是缓解用户体验与反欺诈矛盾的可行方法之一发展方向非结构化数据的使用结构化数据如个人征信数据等的稀疏性问题会在未来很长时间内存在于现金贷行业与之相对应的是大量非结构化数据的泛滥由于个人基本信息的泄露盗取贩卖情况严重常规的结构化数据的反欺诈效率大幅降低相比于结构化数据人们的行为数据等更难被模拟能更全面地刻画贷款申请人对于降低反欺诈模型的错误率有明显作用从非结构化数据的应用角度看其相互间逻辑很难统一数据异常冗余缺失的问题严重处理难度较大因此寻求第三方如大数据公司传统互联网行业巨头的合作会是中小现金贷平台的首选目前市场上已经出现了一些通过提炼非结构化数据来服务金融的产品例如某款商业短信语义分析服务另外作为BAT之一的腾讯也与钱牛牛合作推出了一款纯模型化云风控系统元方这款系统最大的特色就是引入了腾讯的海量社交数据差异化定价差异化定价也可以理解为精确定价现金贷的差异化定价的实质是对各个贷款申请人的信用及欺诈风险作精确定价目前各个现金贷平台的定价标准都过于单一基本采用利率加杂费的方式部分平台对于续贷用户会做费率调整也有少数平台会参考贷款人申请时提供的个人信息维度不过总体而言当前的定价标准并不适合未来现金贷行业低费率的特征平台之间所谓的价格优势将微乎其微而精确定价下的定制化小额贷款需求可能会成为平台的亮点而大数据风控模型的构建为差异化定价的实现提供了技术保证以大量的网络行为数据用户交易数据第三方数据合作方数据等为基础通过自然语言处理机器学习聚类算法等模型能够为每一位贷款申请者创建包括个人基本信息行为特征心理特征经济状况兴趣爱好等在内的多维度数据画像凭借着这些维度特征和大量历史贷款记录针对不同贷款人不同额度不同期限的差异化定价策略将成为现实在行业洗牌的背后是现金贷平台为了生存下去的努力如何保证合规性如何获取低成本的资金如何以技术替代人力如何在风控成本和坏账率之间找到平衡点是平台未来需要思考和解决的问题相信在行业政策的探照灯之下是金子最后总是会发光的