清算业务
何飞
交通银行金融研究中心高级研究员
通常来说，消费信贷从业机构在贷前进行风控时，主要依赖两种技术手段：一是构建评分模型，预防信用风险；二是挖掘欺诈规则，预防欺诈风险。在实际展业过程中，这两种手段存在以下问题： 就信用风险防控而言，传统信用评分方法在消费信贷中的实践效果一般。这主要因为：
第一，消费信贷面向的服务体具有特殊性。相比于传统的“高精尖”客，消费信贷从业机构主要面向低收入体。由于存在“信贷记录匮乏、信用数据缺失”等问题，这类体通常无法达到传统信用评分模型的授信要求。
第二，消费信贷采取的评分流程具有固化性。这与互联网时代消费信贷服务呈现的“便捷、快速、分散”等特征相悖。
第三，消费信贷应用的场景环境具有虚拟性。虚拟的消费场景使得针对个人的授信过程更加复杂，传统信用评分模型在虚拟场景中的运用效果大打折扣。
ria技术就欺诈风险防控而言，人工总结欺诈规则不具有可持续性。这主要因为：第一，人工经验存在先天性主观偏差。第
二，虚拟环境下欺诈手段变化多端。第三，欺诈事件中团伙作案现象凸显。龙泉寺举报
传统技术手段的“失效”，使得大数据风控成为行业热点。但与此同时，消费信贷大数据风控存在四大痛点：首先，消费信贷从业机构往往借助多种数据进行信用评估。一方面，对于能够查询到央行个人征信报告（PBOC记录）的体，其普遍存在“数据缺失严重、不同属性缺省值差异大、有效缺省填补方式难寻觅”等问题，这大大影响了从业机构的授信效率及效果。另一方面，存在信息登记遗漏、错误、记录不规范等现象，这对从业机构据此评判个人还款能力及还款意愿构成挑战。通常，我们将数据缺失严重的现象描述为“数据稀疏性”。传统应对数据稀疏性的方法是将有关维度直接删除，但由于大数据不仅存在“高维度”的显性特征（变量个数较多），而且存在“弱相关”的隐性特征（自变量与因变量之间存在相关性，但相关性不高），直接删除维度将影响模型评分效果。概言之，如何应对“数据稀疏性”问题，成为消费信贷大数据风控的痛点之一。
其次，部分消费信贷从业机构已经意识到拓展外部数据的重要性，但对于拓展哪些数据，还存在较大疑虑。一方面，基于互补原则，引入社交数据、运营商数据、电商数据、公共服务数据等外部数据，已成为从业机构的展业方向。但由于数据种类繁多，究竟哪些数据与消费信贷业务联系紧密，
米尔斯海默仍处于探索阶段。另一方面，由于成本限制，消费信贷从业机构在拓展外部数据时，必定有所选择，如何尽量规避“数据重复”问题，以及如何对重复数据进行有效处理，都值得深入思考。除此以外，由于外部数据通常以脱敏后的“标签”形式呈现，如何根据自身业务提出针对性数据需求，以及如何通过技术手段对“二手数据”进行有效利用，都是数据拓展过程中的难题。概言之，如何进行切实有效的外部数据拓展，成为消费信贷大数据风控的痛点之二。
再次，消费信贷从业机构正积极布局大数据风控系统。然而，一方面，由于受监管约束较多，商业银行等持牌机构在开展信用评级过程中，更加注重“可解释、透明性”原则（这也正是“逻辑回归”模型被普遍采用的原因）。在此意义上，大数据技术的“黑箱”特征严重影响其实际应用范畴。另一方面，当前流行的机器学习算法，如神经网络、随机森林、支持向量机（SVM）、K-近邻（knn/kknn）、Bagging、Boosting等，在运行过程中，需要依赖强大的软硬件设施。除此以外，鉴于“稳定性”是信用评分的重要考量标准，如何预防机器学习模型普遍存在的“过拟合”问题，值得深入探索。概言之，“大数据+机器学习”的有效应用，成为消费信贷大数据风控的痛点之三。
江门发票最后，消费信贷从业机构利用大数据技术预防欺诈风险，势在必行，但又面临诸多挑战。一方面，由于“地址数据”、帐棚
“评价数据”、“社交数据”等都以非结构化形式呈现，故在借助大数据技术挖掘欺诈规则时，必须进行非
结构化数据转换。在此过程中，从业机构需要采用自然语言处理（NLP）等方法，而这些方法的正确使用，依赖于丰富的理论指导。另一方面，欺诈风险防控对软硬件要求较高，传统基于表数据库的处理方式面临多重考验。除此以外，为了能够实时监测欺诈风险，构建“Hadoop+Spark”的底层架构，成为重要途径。然而，这些都需要更为专业的技术人才。概言之，技术架构支撑及专业人才储备，成为消费信贷大数据风控的痛点之四。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议