如何打造现金贷产品风控体系

一、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、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。

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。

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。

3、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。