⼀、当前风控模式现状
近年来，信⽤风险管理发展呈现出数据化、模型化、系统化、⾃动化和智能化的特点。传统的⼈⼯专家经验正逐步被模型与算法替代。 因此，科技较为领先的⾦融服务公司会选择采⽤模型⽅式完成对借款⼈的⾃动评估与审批。⽬前，对于信贷审核来说主要基于的风控模式为IPC、信贷⼯⼚、⼤数据三种，每⼀种都有⾃⼰不同的侧重点。
⼆、最核⼼的风控模式分类
1.IPC模式
IPC模式起源于德国邮储银⾏，该模式重视实地调查和信息验证，主要通过对客户经理调查⾛访、信息交叉验证等⽅⾯。需要对客户经理进⾏⾄少2个⽉以上的专业技术培训，提升客户经理辨别虚假信息能⼒和编制财务报表的技能，从⽽防范信⽤风险。 IPC公司信贷技术的核⼼，是评估客户偿还贷款的能⼒。主要包括三个部分：⼀是考察借款⼈偿还贷款的能⼒，⼆是衡量借款⼈偿还贷款的意愿，三是银⾏内部操作风险的控制。每个部分，IPC都进⾏了针对性的设计。
这种模式主要运⽤于数据缺失、不具备财务管理环境、银⾏流⽔不完整，信⽤记录空⽩等的⼩微企业，其中，信贷员负责整个过程，从接受客户的申请到信⽤检查、现场信⽤、风险评估再到匹配贷款、付款催收和逾期付款。对信贷员的专业技能要求较⾼，信贷员对贷款全流程把关，⼀定程度上确保了项⽬的真实性。但⼜因为是以信贷员为核⼼，以信贷员的判断为依据，有⼀定的操作风险与道德风险。
海尔微博
2.信贷⼯⼚模式
信贷⼯⼚模式是新加坡淡马锡控股公司(Temasek Holdings)为解决⼩微企业信贷流程的弊端，推出了⼀种改善⼩微企业信贷流程的“信贷⼯⼚”模式，“信贷⼯⼚”意指银⾏像⼯⼚标准化制造产品⼀样对信贷进⾏批量处理。
具体⽽⾔，就是银⾏对中⼩企业贷款的设计、申报、审批、发放、风控等业务按照“流⽔线”作业⽅式进⾏批量操作。在信贷⼯⼚模式下，信贷审批发放⾸先要做到标准化，每个流程都有确定的⼈员分⼯，如客户经理、审批⼈员和贷后监督⼈员专业化分⼯。并且为了监控风险采⽤产业链调查⽅法，从不同⾓度对借贷企业进⾏交叉印证。
信贷⼯⼚模式的特点是效率⾼，可以进⾏量化审核。过程之间环环相扣，对每个环节都有专⼈把控具体的把控。正因为这样，意味着需要消耗⼤量的⼈⼒成本，每个流程都需要对⼝的⼈员做⽀撑。
3.⼤数据模式
⼤数据风控模式是指通过对海量的、多样化的、实时的、有价值的数据进⾏采集、整理、分析和挖掘，并运⽤⼤数据技术重新设计征信评价模型算法，多维度刻画信⽤主体的“画像”，向信息使⽤者呈现信⽤主体的违约率和信⽤状况。
⼤数据模式是基于互联⽹的兴起，该模式利⽤互联⽹数据的连通性，对触及到的风险的数据进⾏筛选，⼤⼤减少了⼈⼯审核的时间成本，同时也保证了数据结果的真实性。
我们先讨论下如何从实际业务出发，以怎样的开发流程才能建⽴⼀个有效、有⽤、有价值的模型，希望读后能给你⼀定的启发。
1.评分卡是什么？
什么是评分卡？
评分卡是综合个⼈客户的多个维度信息（如基本情况、偿债能⼒、信⽤状况等，重点关注偿债能⼒、还款意愿），基于这些信息综合运⽤数学分析模型，给个⼈综合评分，判断违约的可能性的⼯具。
⽣活中存在许多“显性”或“隐性”的“评分卡”。
例如：选购汽车–综合价格、油耗、安全系数、性能、外观等来因素。-> 买？ 还是不买？
就分析⽅法发⽽⾔，现在分类算法有很多种，决策树、逻辑回归、⽀持向量机、神经⽹络等等，都可以实现这个⽬的。
2.评分卡的意义
在互联⽹⾦融风控体系中，量化分析需要贯穿始终，评分卡模型是其中⾮常重要的⼀环。
3.评分卡的开发应⽤
在互联⽹⾦融评分卡开发过程中，我们仔细研究了企业风控操作流程，反复推敲了模型构建步骤，最后我们认为从业务应⽤⾓度，评分卡开发应⽤应遵循：
业务定义➡ 风险定义 ➡ 风险分解➡ 风险策略
为什么把业务定义放在最底层呢？
从商务智能的⾓度说，模型，评分，策略等都是为业务服务的，脱离了业务场景的模型和评分是⽆本
之⽊，⽆源之⽔。脱离了业务场景谈模型的准确性，没有意义。
诗2000>哥本哈根协议不同的业务场景，产⽣了不同的数据，不同的数据包含的规律，体现在数据分析中就是不同的模型、不同的参数和不同的评分。
⽐如，同样是⽹上的个⼈信⽤贷款，主要包含个⼈和企业主两⼤类客。在中国，由于⼩微企业贷款困难，如果⼩微企业有了贷款需求，⼀般都是企业主以个⼈名义在⽹上贷款，但是这类客户显然是和普通个⼈信⽤贷款客户是不同的，所以这类客户的属性信息⼀般都包含了⼀些企业的信息，如资产，对公、对私流⽔等等。我们在做模型的时候，就会把他们分开：个⼈消费信贷模型和企业主信贷模型，企业主模型会包含⼀些反应⼩微企业财务状况的变量。
但是互联⽹⾦融所包含的业务种类远不⽌这两个，单纯的信⽤贷款类，就有专门放贷给学⽣的学⽣贷；在朋友圈之内贷款的朋友贷；给外企⽩领贷款的⽩领贷……
如果你拿学⽣贷的模型给农民贷客户来⽤，或者拿给上海⽩领开发的模型给⽢肃、西藏的⽩领⽤会怎么样呢？ 我不说你也明⽩了。
业务定义之后，还有⼀个要求，即业务模式的稳定性。即在⼀定时间范围内，⽤于构建模型的数据依赖的业务模式是相对没有变化的，前后⼀致的。只有满⾜这个条件，历史数据模拟出来的模型，和后⾯的数据才是匹配的。这在学术上有个术语，稳定
性，Stationary/stability。
同理，我们也假设，符合同⼀类属性特征的个体，其表现⾏为也是⼀样的，即打分相同的⼈，表现也相同。这也回答了有⼈提出的另⼀个问题“我以前从没贷过款，也没信⽤卡消费记录，能⽤你的模型打分么？”
B.风险定义
简单地说就是判定哪些是好客户，哪些是坏客户。
互联⽹⾦融业务模式的多样性，导致了对好客户和坏客户的定义标准也不尽相同。 这⾥有⼈会问：“怎么会呢？⽋钱不还的不就是坏客户么。”好吧，我来举个例⼦。
在我们清洗数据的时候，看到对客户信⽤评价中有这么⼀类“少量逾期”，这个类别占了相当⼤的⽐重，⽽且在模型中作⽤也⽐较显著，和其它类别“信⽤好”“信⽤差”等⽐肩。
⼀开始我们的技术⼈员对这个“少量逾期”这个分类很疑惑，不能理解这个分类到底是好还是坏。直到我们和某P2P公司的风控经理实际交流后才明⽩这其中的含义。在传统银⾏信⽤卡业务中，是很喜欢这类少量逾期的客户的，因为他们能给银⾏创造罚息，但是⼜不是恶意违约那种客户。但对于P2P公司来说，是不敢养这类客户的,⼀旦有了逾期情况，就必须马上采取措施……
说到这⾥您可以明⽩了吧，“少量逾期”是传统银⾏信⽤卡业务中经常出现的⼀个分类，⽽且算⼀个银⾏⽐较喜欢的类别，但是你把它也⽤到互联⽹⾦融试试？
皮老师是谁
C.风险分解
风险分解，就是⽤模型把⽬标客户分类。
举个例⼦：
某跨国IT北京研发的总裁，提到发⽣在⾃⼰⾝上的案例：由于家⾥有急事，临时⽤钱，想申请某⾏的信⽤卡多给5万额度，但是某⾏不批。为什么呢? 因为刘总⽤这个卡主要是发⼯资的，每⽉到账后，夫⼈就会把钱拿去购买理财产品。因此卡上⼀般没多少钱。但是刘总是不是⾼风险客户呢？
显然，依据某⾏简单的分类⽅法，刘总被划为不能多给5万额度的类别了。长此以往，类似刘总这类⾼质量、低风险客户就有可能流失。
因此，选择正确的⽅法，合理分类，才能为进⼀步采取合理的商业策略提供正确有⼒的数据⽀持。评分卡是其中⼀个⽐较有效的⼯具。
在信⽤风险管理领域，评分卡是简便易⾏的风险管理⼯具。
D.风险策略
在给客户正确分类之后，即准确地风险分类。我们就可以采取相应的商务策略，优化业务：
流程简化：通过模型对客户分层，降低审核⼈员的⼯作量，提⾼审批速度。
风控优化：以客观分数代替主观评断，保证审批标准及风险偏好⼀致性。
风险定价：按照模型计算的违约率进⾏产品的定价。
E.应⽤场景
风控模型的应⽤场景⾮常⼴泛，只要牵扯互联⽹⾦融的⾏业就缺少不了风控模型的存在，从借贷的⾓度来看，平台要评估借贷者的个⼈征信和还款能⼒从⽽保证投资者的收益；从投资者的⾓度，要保证平台的资⾦安全，从⽽保证⾃⼰的投资或者本⾦获得合理的收益和保护。
另外，风控模型在不同的阶段体现的⽅式和功能也不⼀样。从资⾦的⾓度来看，风控模型是为了评估⽤户还款能⼒和还款意愿，反欺诈反作弊，防⽌⽤户薅⽺⽑和保证平台安全等功能；从⾏业的⾓度，互联⽹风控模型体现在消费⾦融／供应链⾦融／信⽤借贷／P2P／⼤数据征信等⽅⾯。
风控模型的设计其实就是多维度和多⾓度的设计⽅式，这⾥我们就简单的通过⼀个对于线上借贷⽤户进⾏资质审核的模型进⾏举例⼦；从下⾯的流程我们可以看到，风控模型的审核流程⼀般都是要经过机器审核和⼈⼯确认的相结合的⽅式。机器的模型审核同时⼤致分为三个阶段，它通过⽤户提交的数据，对⽤户的资质进⾏审核，最终得到⼀个评分卡的分数。
⼀般情况下风控模型需要过滤⾼危地区的⿊名单，因为在市场上永远存在着这么靠⾦融欺诈⽽获利的⼈，对于这类⼈只要存在疑虑统统过滤掉；其次通过系统设置的评分规则对⽤户提交的个⼈信息进⾏评定，最后辅助⼀些其他的输⼊资料进⾏分数的微调，最终得到⼀个最终的评分卡的分数。
另外，很多⾦融公司的风控模型的设计不管是对于最终⾼评分的⽤户还是对于存疑的进见，都需要最后的⼈⼯进⾏确认。所以说，风控模型的计算策略和机制在⼀个公司属于绝密，规则除了核⼼的员⼯，其他⼈是不能知道风控规则的。
四、风控的核⼼
如果说⾦融产品的核⼼是风控，那么风控的核⼼是什么?答案其实就是：信⽤评估 + 模型规则。
信⽤评估的基础来⾃于⽤户本⾝的个⼈信息和数据，这也就是为什么很多信贷APP需要定位⽤户的位置，需要⽤户访问个⼈的通话和通讯录记录，需要⽤户上传和填写海量的个⼈信息资料；另外在获取这些资料之后对于这些资料的权重处理，分配不同的权重审核也是风控模型要处理的事情。
贵阳中医学院图书馆五、风控模型的设计步骤
总体来说风控模型的设计主要可以分为以下的⼏个步骤：
1.获取数据
信⽤评估来⾃于⽤户数据，模型规则其实就是⽤户数据规则，信息的纬度也⽐较⼴泛，⼤致可以分为基本信息／⾏为信息／信⽤信息／社交信息和消费信息等。
当然获取信息的⽅式也是千奇百怪，主要的来源有⽤户提交／接⼝⽤户授权／爬⾍／信息购买／⿊⽩名单等⽅法。
2.确定⽤户数据的变量
分配变量的计算权重 确定⽤户变量和分配权重，这个阶段其实是在获取数据之前就要考虑的事情，因为我们需要去定义⽤户去填写哪些个⼈信息。从⽽通过⼈⼯的定义规则对这些信息的权重和变量进⾏确认，当然这些权重和变量并不是⼀个⼈去⼝头决定的，这些变量和权重⼀般都是公司的某个权威和专家进⾏确认。
3.调整指标分数，给出评分
在风控模型建⽴的后期，我们必须要输⼊个⼈信息进⾏模型的测试，前⾯我们建⽴每个指标的评分规则，但是我们并不知道这些规则是否真的适⽤于市场。这个时候我们就必须要进⾏模型规则的⾃测，通过反复调试指标分，保证模型准确性。反修正主义
4.产品上线，进⾏验证
产品上线进⾏验证其实是很有风险的，这个时候是对风控模型的终极检测，很可能产品的初期都会吸引⼀部分攻击者进⾏疯狂的进件攻击，所以在⾦融产品上线的初期我们就必须要考虑到可能出现的危机，⼀般来说活体检测是能够过滤到⼀⼤部分恶意欺诈⼈的。
产品上线后，对于真实的⽤户，有很多信⽤记录会明显影响个⼈信⽤评分，如延迟付款额度变化、拖延付款时间的 严重程度、信贷账户数⽬增减、信贷余额变化、账龄、最近的查询记录等。当个⼈信⽤评分模型⼯作时，它会从个⼈信⽤档案中抽取不同因素来评价消费者的信⽤状态，⼀旦信⽤记录中有瑕疵出现，评分模型就会度量出瑕疵的⼤⼩，直接从现有的分数中扣除, 从⽽使信⽤评分的分值减⼩⼀些。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议