近年來，互聯(lián)網(wǎng)金融的迅猛發(fā)展，對線上線下金融機(jī)構(gòu)的風(fēng)險(xiǎn)控制都帶來了較大的挑戰(zhàn)。一方面，以商業(yè)銀行為代表的傳統(tǒng)金融機(jī)構(gòu)，其主流風(fēng)控策略主要以央行征信報(bào)告為主要數(shù)據(jù)源，以專家經(jīng)驗(yàn)或?qū)＜乙?guī)則為評判策略。過于定性的風(fēng)控方法，雖然降低了壞賬率，但是不利于業(yè)務(wù)發(fā)展，容易錯(cuò)失很多有效客戶；另一方面，許多新興的互聯(lián)網(wǎng)金融機(jī)構(gòu)，由于所掌握的客戶信息有限，風(fēng)控經(jīng)驗(yàn)的薄弱和風(fēng)控執(zhí)行手段不夠?qū)I(yè)，其逾期率和壞賬率遠(yuǎn)超于銀行。

好在隨著移動(dòng)互聯(lián)網(wǎng)時(shí)代的來臨，從電子商務(wù)到互聯(lián)網(wǎng)金融，人們在網(wǎng)絡(luò)上產(chǎn)生的數(shù)據(jù)“足跡”越來越多，大數(shù)據(jù)已經(jīng)成為當(dāng)前金融機(jī)構(gòu)加強(qiáng)風(fēng)險(xiǎn)控制的重要補(bǔ)充手段。

大數(shù)據(jù)征信開啟風(fēng)控新格局

大數(shù)據(jù)征信是利用數(shù)據(jù)分析和模型進(jìn)行風(fēng)險(xiǎn)評估，依據(jù)評估分?jǐn)?shù)，預(yù)測還款人的還款能力、還款意愿、以及欺詐風(fēng)險(xiǎn)。在金融風(fēng)控領(lǐng)域，大數(shù)據(jù)指的是全量數(shù)據(jù)和用戶行為數(shù)據(jù)。目前使用的是圍繞客戶周圍的與客戶信用情況高度相關(guān)的數(shù)據(jù)，利用數(shù)據(jù)實(shí)施科學(xué)風(fēng)控。

　　與傳統(tǒng)征信相比，大數(shù)據(jù)的助力將帶來以下三大益處。

首先，大數(shù)據(jù)征信模型可以使信用評價(jià)更精準(zhǔn)。

大數(shù)據(jù)征信模型將海量數(shù)據(jù)納入征信體系，并以多個(gè)信用模型進(jìn)行多角度分析，以美國互聯(lián)網(wǎng)金融公司ZestFinance為例，它的模型基本會(huì)處理3500個(gè)數(shù)據(jù)項(xiàng)，提取近70000個(gè)變量，利用身份驗(yàn)證模型、欺詐模型、還款能力模型等十余個(gè)模型進(jìn)行分析，使評價(jià)結(jié)果更加全面準(zhǔn)確，是模型評估性能大大提高。

其次，大數(shù)據(jù)征信能納入更為多樣性的行為數(shù)據(jù)。

大數(shù)據(jù)時(shí)代，每個(gè)相關(guān)機(jī)構(gòu)都在最大程度上設(shè)法獲取行為主體的數(shù)據(jù)信息，使數(shù)據(jù)在最大程度上覆蓋廣泛、實(shí)時(shí)鮮活。

過去，征信機(jī)構(gòu)對于企業(yè)和個(gè)人信息的搜集相對比較困難，數(shù)據(jù)搜集數(shù)量也比較有限。隨著互聯(lián)網(wǎng)和大數(shù)據(jù)的普及，依托于大數(shù)據(jù)和云計(jì)算技術(shù)優(yōu)勢，可挖掘大量數(shù)據(jù)碎片中的關(guān)聯(lián)性，推動(dòng)數(shù)據(jù)統(tǒng)計(jì)模型不斷完善，更加科學(xué)的反映用戶的信用狀況。

大數(shù)據(jù)風(fēng)控的一個(gè)最大的優(yōu)勢就是豐富了信用風(fēng)險(xiǎn)評估的數(shù)據(jù)維度，征信數(shù)據(jù)規(guī)模越來越大，數(shù)據(jù)維度越來越廣，模型不斷迭代優(yōu)化，大數(shù)據(jù)等新興技術(shù)正在成為征信行業(yè)突破傳統(tǒng)瓶頸的重要手段。

最后，大數(shù)據(jù)征信帶來了更為時(shí)效性的評判標(biāo)準(zhǔn)。

傳統(tǒng)風(fēng)控的另外一個(gè)缺點(diǎn)是缺乏實(shí)效性數(shù)據(jù)的輸入，其風(fēng)控模型反映的往往是滯后數(shù)據(jù)的結(jié)果。利用滯后數(shù)據(jù)的評估結(jié)果來管理信用風(fēng)險(xiǎn)，本身產(chǎn)生的結(jié)構(gòu)性風(fēng)險(xiǎn)就較大。

大數(shù)據(jù)的數(shù)據(jù)采集和計(jì)算能力，可以幫助企業(yè)建立實(shí)時(shí)的風(fēng)險(xiǎn)管理視圖。借助于全面多緯度的數(shù)據(jù)、自我學(xué)習(xí)能力的風(fēng)控模型、實(shí)時(shí)計(jì)算結(jié)果，企業(yè)可以提升量化風(fēng)險(xiǎn)評估能力。

不過，雖然大數(shù)據(jù)征信能夠降低信息不對稱，更全面地了解授信對象，并增加反欺詐能力，同時(shí)更精準(zhǔn)的進(jìn)行風(fēng)險(xiǎn)定價(jià)，但目前還不能完全取代傳統(tǒng)征信。大數(shù)據(jù)風(fēng)控可以從數(shù)據(jù)維度和分析角度提升傳統(tǒng)風(fēng)控水平，是一個(gè)必要的補(bǔ)充，可以讓傳統(tǒng)風(fēng)控更加科學(xué)嚴(yán)謹(jǐn)，但目前由于覆蓋率、匹配率等問題，不能完全取代傳統(tǒng)風(fēng)控。

大數(shù)據(jù)征信如何提升金融機(jī)構(gòu)風(fēng)控能力

下面我們以一份人數(shù)約5萬的小額貸款客戶數(shù)據(jù)樣本，將通過分析得出哪些變量對于不良率有顯著影響；另外，對這個(gè)數(shù)據(jù)樣本使用前海征信的大數(shù)據(jù)征信產(chǎn)品進(jìn)行評估，通過比較實(shí)際不良客戶和大數(shù)據(jù)評估結(jié)果，來看看使用大數(shù)據(jù)征信產(chǎn)品是否能有效起到風(fēng)控能力的提升作用。

1F 客戶基本系信息和不良率的關(guān)聯(lián)分析

在這份小額貸款客戶的整體數(shù)據(jù)中，大約有27%的不良客戶。我們來看看學(xué)歷、婚姻狀況及地域等基本信息中與不良客戶的關(guān)聯(lián)度。

見圖2-1，我們發(fā)現(xiàn)高中及以下學(xué)歷是不良客戶主要構(gòu)成；但經(jīng)過分析，樣本數(shù)據(jù)中學(xué)歷信息完善度較低。因此，要想降低不良率，可以關(guān)注客戶的學(xué)歷信息是否完善，并進(jìn)行嚴(yán)格審核。

見圖2-2，在考慮婚姻情況與不良客戶之間的關(guān)聯(lián)時(shí)，發(fā)現(xiàn)不良客戶中未婚者占比明顯高于已婚者；說明如果能提高樣本的婚姻信息完善度，并嚴(yán)格審核這個(gè)指標(biāo)，亦可以對降低不良率起到一定作用。

通過對客戶信息進(jìn)行地域分析發(fā)現(xiàn)，不良用戶的出現(xiàn)與地域分布有極大的相關(guān)性，如圖2-3，不良用戶會(huì)呈現(xiàn)集中式分布，說明客戶的地域信息也可作為有效的審核參考指標(biāo)。

從上述分析中可以看出，客戶基本信息如學(xué)歷、婚姻、年齡、收入、地區(qū)等，均與風(fēng)險(xiǎn)有一定關(guān)聯(lián)度，所以應(yīng)該盡可能完善客戶信息，并可部署在授信前段進(jìn)行身份驗(yàn)證，提高審核效率。

2F 大數(shù)據(jù)評估和不良率的匹配情況

接下來，我們看看前海征信大數(shù)據(jù)產(chǎn)品對不良客戶的評估情況。

首先看看好信度好信分。

前海征信推出的好信度好信分，是基于大量金融數(shù)據(jù)、互聯(lián)網(wǎng)行為等信息來刻畫客戶身份、履約能力等七個(gè)不同維度，從而獲得的綜合信用得分，可用于分析好信度分和客戶最終出現(xiàn)不良是否有相關(guān)關(guān)系。

　　我們再來看看常貸客評估的情況。

前海征信的常貸客數(shù)據(jù)，來源于好信平臺(tái)系列產(chǎn)品的數(shù)據(jù)共享，包含千萬級別客戶信貸行為信息，可查出客戶短期內(nèi)是否向其他機(jī)構(gòu)申請過貸款。此前數(shù)據(jù)證明，常貸客信貸逾期風(fēng)險(xiǎn)是普通客戶的3到4倍，可供用戶信用審核參考。讓我們來看看這一數(shù)據(jù)對于樣本的表現(xiàn)情況。

見圖2-8，對比數(shù)據(jù)表明，隨著命中機(jī)構(gòu)數(shù)目的增加，不良客戶比例有著顯著提高。因此，常貸客對于客戶不良情況有顯著的識別及區(qū)分能力。

最后，我們來看看風(fēng)險(xiǎn)度評估的表現(xiàn)。風(fēng)險(xiǎn)度基于千萬量級的風(fēng)險(xiǎn)數(shù)據(jù)庫，并結(jié)合多維的外部數(shù)據(jù)，利用大數(shù)據(jù)建模從多方面對客戶出現(xiàn)信用風(fēng)險(xiǎn)的可能性。

目前，風(fēng)險(xiǎn)度整體命中率約為8.5%。被風(fēng)險(xiǎn)度命中的客戶，其不良比例顯著高于未命中的客戶。見圖2-9和圖2-10.

綜上所述，大數(shù)據(jù)征信評估有望對金融機(jī)構(gòu)降低信用風(fēng)險(xiǎn)和欺詐風(fēng)險(xiǎn)帶來顯著效果。因此金融機(jī)構(gòu)在設(shè)計(jì)授信政策時(shí)，不妨多維度使用征信產(chǎn)品數(shù)據(jù)，實(shí)現(xiàn)全流程大數(shù)據(jù)風(fēng)控，從不同角度篩選不良客戶。