互联网贷款风控体系包括(贷前风控)

摆账网知识与问答 2024-11-11 21:49:57

互联网金融浩荡不过十年。虽然时间不长，但也不能说其影响规模发生了翻天覆地的变化。这从名字就能看出来。互联网金融广为人知，而不是很多专家学者一度热议的金融互联网。传统金融互联网化不足以形容撼动中国金融体系的巨变。互联网金融，当然不仅限于信贷，还包括银行、证券、基础信息等全新的业态。是名副其实的“金融行业的showstopper”。

但无论如何，互联网金融和金融互联网最初的争论是围绕信用产生的。我们集中讨论信用的话题。信用风险控制体系如何适应时代的变化？今天，我们讨论风险控制有哪些常见的模型策略系统，以及它们的二阶问题：为什么是这样一个系统？

2013年诞生的“宝月”让货币基金这棵老树开花，引爆整个市场。否则互联网金融只会是IT圈里一个不热闹的子话题。这也是业内普遍将2013年定义为互联网金融元年的原因。

2014年，首个互联网消费金融产品“白条”成立，首家互联网银行“微众银行”获监管部门批准开业。

这个时候，互贷业务还在起步阶段。风控能做什么？新模式下，没有用户，传统银行信贷的绩效周期是一年甚至几年，标准的数据产品就更少了，更不用说大数据模型，统计模型也无能为力。这个时候，功劳只能去给优质人群，比如信用卡客户，比如电子商务的一些高级品类的交易客户，等等。

这时候的风控可以说是基于客户的风控，也可以说是基于白名单的风控。这也就产生了基于人群的互联网消费金融，包括大学生分期、蓝领/白领分期、农民分期，然后是场景化的互联网消费金融，比如租房分期、家装分期、旅游分期、教育分期、医美分期等等。

然后随着P2P、网贷等互金业务的快速发展，消费金融市场主体进一步丰富。与此同时，移动互联网的全面发展导致数据和信息的激增。在某种程度上，数据已经成为和石油一样重要的战略资源。在大数据兴起的趋势下，大量的数据公司成立了。计算和大数据的发展引发了机器学习的狂潮，风控水平大幅提升。

在17、18年的野蛮时期，很多人只要有一点钱和勇气，就敢借钱。接入几个三方数据源，定几个通用规则，做一个信用模型，找几个人收，就可以开始流水了。

此时，风控的完整技术已经相当成熟。三方数据覆盖多个维度，征信、银联、运营商、公安、司法、工商、税务、公牛等等。取什么样本，设置什么标签，访问什么数据，用什么算法，做什么通过率，做一个与产品相匹配的模型策略并不难。真正重要的是产品本身，即额度、定价、期数、还款方式等。

后来一系列监管政策陆续出台，行业从高速发展走向规范整顿的新路径。风雨过后，如何在健康的竞争环境和发展空间中保持稳健和深远，成为新的命题，行业已经进入并将继续处于精细化运营时代。

这个时候，如何把风控做细，如何服务于业务形态的需求，是一个新的命题。

以产品变化为特征的互联网时代的变化，似乎更为鲜明。

时代产品经理的工作可能就是画原型，把交互做到极致就很厉害了；然后会有策略优化和功能进化。ToC业务的产品经理，从工作内容上来说，都是战略产品经理，也需要了解数据。现在和未来，已经悄然成为业务形态和组织关系下的计划梳理。

说到这里，我终于有了背景。行业在变，风控体系也在变。

在过去的几年里，信贷行业出现了这么多新的从业者，或称showstopper，这么多新的网络信贷产品，以及他们背后的风险控制游戏。

但总结起来，常见的可靠模型策略系统只有三种。

第一种以规则为主，模型为辅。大多出现在会展行业的前期，样本较少，数据较少。风控主要靠专家的经验，无场景的现金贷和有场景的消费贷也是如此。

展业初期，或者说冷启动阶段，需要逐步积累样本，风险需要长时间暴露，必须严格执行信用。在不知道风险结果之前，严格录取或宽松录取的标准都是通过率，所以初始通过率一般较低。

卡的通过率是多少？也许你有一个场景。当然，一张场景数据卡是可以的，但是还不够。风险是滞后的，毕竟要接入一些三方数据。根据这些数据，根据你的场景，根据你的产品定位，制定相应的政策和规则。

然后随着还款日的到来，一批用户开始执行，新户的数据肯定在分数上亏钱，你会想优化。你知道风险与你的产品和你的支持操作密切相关。你会觉得标准产品不够，还得自己建模。

在样本有限的情况下，过多的数据访问是没有意义的。这个时候模型只能是小数据模型而不是大数据模型。如果你的产品没有大的变化，模型开发没有失误，这个模型可能会带来一些收获。随着业务规模的增大，模型频繁刷新优化。

但此时整个风控体系以规则为主，模型为辅。白名单、黑名单、年龄和地域限制、公牛、公安和司法信息、标准产品分数。你的风险控制是基于行业内一般的专家规则，模型只是辅助。说白了，你的安全感来自于各种规则。

这种制度不仅出现在会展行业的早期，很多平台长期处于这个阶段，甚至夭折。其代表场景是发薪日贷款，以及由此衍生的一系列网贷，风险高，通过高定价、短周期来弥补资金损失。

第二个是以模型为主，策略为辅。样本相对丰富后，模型的重要性会逐渐提升，尤其是行业介入、客户质量下沉后，精准识别就变得必要。

在最初的专家中

经验系列规则外，一些可变规则不断地被调整，在这些规则之后，如何依据模型作更精细化决策呢？

一种做法是把模型效果做的尽可能好，然后所有人通过这个模型进一步筛选。为了效果足够好，模型复杂度就会变高，缺陷就是你说不出来为什么这个人被通过、那个人被拒绝。不管解释性工具再怎么做事后工作，这个缺陷本质上弥补不了。

另一种法是把模型做的效果足够好且可解释性足够强，为了追求可解释性，可以将数据也就是特征分类，基于每一类特征构建对应的模型，例如逾期模型，例如多头模型，例如交易模型，等等。同一维度的特征组合，保留了一定程度的该维度可解释。串行的过每个模型，得以判定这个用户逾期上表现不行，或者多头很严重，或者银联交易评分有风险。

在这类风控体系中，你的安全感来自模型。只要模型AUC、KS保持高位，不管每天放款流水多少，你都会比较安心。

这类体系中，模型重要性很高，策略依靠模型做差异化。一个模型为主的风控团队往往最终会走向这种做法，很多银行也会走向这种做法。因为真正的策略人才是很稀缺的。

第三种以策略为主、模型为辅。注意和第一种的区别，第一种说的是规则为主，这里说的是策略为主。规则为主的规则，是简单的，是通用的，是经验的，是串行不交叉的。

这个阶段，样本非常丰富，场景内不断挖掘用户数据，接入各种有效的三方数据，大数据模型效果很好，且不断追求更好。模型的重要性很高，就如同“工欲善其事，必先利其器”的器很重要一样。

这时的模型充当策略的工具。模型可以不追求解释性了，策略为主，策略保持决策的可解释。

决策要有可解释性，是因为未来不一定会像现在一样，我们无法承担极端情况的伤害。就像投资，你可以数据化出一套决策避开所有的熊市，找到所有的牛市，但例子才多少呢，你敢用在当下吗？决策一定是尽量简单的，它可以犯错，但犯的错要小，获的利要大。

策略的精髓在于分群，年龄是分群，收入是分群，多头是分群，模型也是分群，是风险的分群。无论是授信，还是贷中管理，无论是你对用户做什么，还是希望用户做什么，你都要区分用户。

这类体系的标志是决策体系中有很多重要的分群，也就是决策分支，模型用作最后的保障。模型作为策略的工具，可以需多少有多少，一个工具可以用的范围很大，也可以用的范围很小。

决策分支的意思是，策略对模型的应用不是一刀切的，不是所有小于600分的用户都要被拒绝的。

你的安全感来自策略，再具体一点，就是策略分群。

在行业强监管下，非持牌机构不断倒下，只有巨头才能勉强活着，越来越多的风控都是这种体系。无他，精细化要求而已。

我们上面的讨论已经涵盖了这些体系发展的背景，不同的阶段、不同的平台、不同的业务场景下，风控体系不一样。