金融科技的发展解决了传统金融机构两大难题:一是,降低运营成本。传统消费信贷市场是一单一单去做,尽管消费信贷定价较高,但商业银行运营和作业成本太大。金融科技下的批量化获客、作业有效降低了成本。二是通过大数据、云计算等手段,在风险防范、风险管控方面实现了线上化和批量化。
其中,大数据技术解决了消费金融乃至小微金融领域风控的效率瓶颈。一方面,个人信用体系不断完善,央行征信、代发工资、社保、缴税等不断纳入个人信用记录;另一方面,通过分析消费者在互联网上购物、社交等多维度留痕数据,覆盖更多长尾人群。
目前,有能力推动大数据风控的主要为国有大行、股份制银行等大型银行,以及部分城商行等。互联网巨头、三大运营商等由于掌握了庞大的个人数据,也开始加入到这一市场中来。
国内企业征信市场初步建立,但个人征信市场仍在筹建中。根据媒体报道,监管当局已决定由互金协会牵头成立个人信用信息平台,于今年底正式批筹,坊间将之称为“信联”。
风险识别与控制既是金融业运营的核心,也是大数据在国内外金融领域最主要的应用部分。根据FICO Report 2015,大数据在国际银行业中的主要应用,16%用于风险建模,10%用于风险评估,前者对应金融反欺诈需求,后者对应征信需求,二者合计占比达26%,超过大数据在投资组合中的应用比例(18%)、客户行为分析(15%)、运营绩效(12%)。
从国内金融机构应用大数据的情况看,主要将大数据应用在客户画像领域,包括风险管控、运营优化、业务创新、优化营销策略等。特别是,随着互联网贷款的快速发展,人工判断占用越来越多的人力资源,且存在一定风险,金融机构迫切需要建立精准、快速的自动化反欺诈模型和评分模型。
获取数据之后,控制反欺诈和信用风险最重要的数据算法、建模问题,从而输出授信额度和风险评价、利率和借款期限,这是各家机构的核心竞争力。
“白名单”主动预授信
在消费金融中,银行、互联网金融等机构开始采用风控前置的白名单邀请制,商业银行将主动授信用于实际业务,这是对以往被动授信模式的颠覆。如工商银行2017年1月推出消费金融产品,筛选出白名单用户4700万户,3月底白名单用户接近9000万。微众银行从8亿多微信或手机QQ用户中筛出9800万个白名单客户。这一措施可提前判断“白名单”客户的还款意愿、还款能力,进行预授信。
反欺诈模型
对于反欺诈,一般采用多种策略综合验证打击欺诈攻击。解决方案包括:
(1)设立反欺诈“黑名单”,拦截有不良欺诈记录的申请者,数据来源于央行征信系统、公安联网系统、前海征信或同盾等专业从事反欺诈的第三方数据。
(2)对群体性欺诈攻击,进行集群分析,利用SAS链式聚类技术,实现无限层次申请链接分析。
(3)中文模糊匹配搜索。大型银行会选择建立反欺诈系统或欺诈分,通过模糊搜索判断欺诈客户。
(4)逻辑违规算法。将多个弱相关变量,放在一起建模,由于反欺诈的变量多,但变量相关性不强,需要综合建模来看整个模型的有效性。例如,采用通信手段反欺诈。如申请人一定时期内多次申请贷款,则欺诈概率较高。网络游戏打得越多,整体看违约率越高,尤其是在三、四线城市。阅读财经新闻频率,访问频率越多的人违约率较低。
见图七:某金融云平台反欺诈模型
获得用户画像之后,还可以通过关联不同用户之间的数据,例如共用IP、手机号等,得出用户的大数据关系图谱,降低团伙欺诈的风险。
信用评分模型
对于如何控制信用贷款业务资产质量,各家银行讳莫如深。就国内商业银行而言,将风险评分等技术手段引入信用贷款风控模型,是一些银行信用贷款业务爆发、不良下降的核心原因。
目前,国内信用评分模型包括收入计算模型、额度计算模型、人行评分模型等,从多个维度判断客户的授信额度。
除银行外,在个人征信牌照上无法突破时局下,包括互联网巨头在内的第三方征信选择发布“信用分”。信用分本质是一个数据驱动模型。“信用分”与传统征信的区别在于,狭义上的个人信用即是债务相关的数据,包括还款、负债、收入和资产等信息。
2017年8月,腾讯对部分用户开放信用分查询渠道,评分模型通过“履约、安全、财富、消费、社交”五大指数,基于历史行为,统计评估得出信用分。履约指数是指贷款、信用卡、分期是否按时还款;安全指数是指个人信息是否准确,账户的安全性是否足够高、是否经常更换联系方式等;财富指数是指个人资产情况,例如各类资产的构成、理财记录等;消费指数是指手机QQ、微信支付行为如何,例如购物、缴费等场景的行为及偏好;社交指数是指社交行为和人脉关系如何。2015年1月发布的芝麻信用分亦颇为相似,其通过对信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度客观呈现个人信用状况的综合分值。
信用分的应用场景,在于覆盖无征信人群和信用贷款。除央行征信外,国内有三分之二的人群是征信报告没有覆盖到的。在普惠金融的目标下,第三方征信公司通过一些外部数据给其打出一个有效的分,使得获得互联网金融机构的贷款。
