思考,細(xì)數(shù)大數(shù)據(jù)風(fēng)控那點(diǎn)事?

責(zé)任編輯:editor005

2017-05-02 14:45:47

摘自:CIO時(shí)代網(wǎng)

大數(shù)據(jù)風(fēng)控同傳統(tǒng)風(fēng)控在本質(zhì)上沒有區(qū)別,主要區(qū)別在于風(fēng)控模型數(shù)據(jù)輸入的緯度和數(shù)據(jù)關(guān)聯(lián)性分析。壞種子對(duì)識(shí)別出欺詐用戶和潛在違約用戶十分關(guān)鍵,風(fēng)控模型是否有效的一個(gè)前提就是是否有足夠多的壞種子。

大數(shù)據(jù)風(fēng)控同傳統(tǒng)風(fēng)控在本質(zhì)上沒有區(qū)別,主要區(qū)別在于風(fēng)控模型數(shù)據(jù)輸入的緯度和數(shù)據(jù)關(guān)聯(lián)性分析。據(jù)統(tǒng)計(jì),目前銀行傳統(tǒng)的風(fēng)控模型對(duì)市場上70%的客戶是有效的,但是對(duì)另外30%的用戶,其風(fēng)控模型有效性將大打折扣。

大數(shù)據(jù)風(fēng)控作為傳統(tǒng)風(fēng)控方式補(bǔ)充,主要利用行為數(shù)據(jù)來實(shí)施風(fēng)險(xiǎn)控制,用戶行為數(shù)據(jù)可以作為另外的30%客戶風(fēng)控的有效補(bǔ)充。大數(shù)據(jù)風(fēng)險(xiǎn)控制的作用就是從原來被拒絕的貸款用戶中找到合格用戶,識(shí)別出已經(jīng)通過審核的高風(fēng)險(xiǎn)客戶和欺詐客戶。

一、銀行信用風(fēng)險(xiǎn)控制的原理

金融行業(yè)中,銀行是對(duì)信用風(fēng)險(xiǎn)依賴最強(qiáng)的一個(gè)主體,銀行本質(zhì)就是經(jīng)營風(fēng)險(xiǎn),不同的風(fēng)險(xiǎn)偏好決定了銀行的經(jīng)營水平。在經(jīng)濟(jì)結(jié)構(gòu)調(diào)整周期過程中,信用風(fēng)險(xiǎn)管理也是各個(gè)銀行面臨的巨大挑戰(zhàn)。

1.兩種常見的信用風(fēng)險(xiǎn)管理方式

銀行信用風(fēng)險(xiǎn)管理有兩種方式,第一種方式是從大量申請(qǐng)人中找到合格的貸款客戶,將貸款放給這些人。第二種方式是從申請(qǐng)人中識(shí)別出有潛在風(fēng)險(xiǎn)的貸款客戶,不將貸款發(fā)給這些人。可以簡單地認(rèn)為是找到好種子和識(shí)別出壞種子

2.如何找到合格的貸款人?

銀行在找好種子時(shí),一般會(huì)對(duì)好種子進(jìn)行一些基本限定,從貸款人的學(xué)歷、年齡、收入、職業(yè)、資產(chǎn)、負(fù)債、消費(fèi)等幾個(gè)方面進(jìn)行打分,最后綜合評(píng)級(jí),依據(jù)評(píng)估分?jǐn)?shù)進(jìn)行貸款審批,可以簡單地認(rèn)為是風(fēng)險(xiǎn)定價(jià)(RBP)。

貸款銷售人員主要的任務(wù)是找到好種子的用戶,通過KYC和風(fēng)險(xiǎn)評(píng)估等方式的找到潛在合格客戶。這個(gè)階段的風(fēng)險(xiǎn)控制可以認(rèn)為是一個(gè)基線控制,經(jīng)過風(fēng)險(xiǎn)評(píng)估之后,會(huì)得到客戶的評(píng)估分?jǐn)?shù)或風(fēng)險(xiǎn)評(píng)級(jí)。在控制基線之上的客戶會(huì)被放進(jìn)來,認(rèn)為是潛在合格客戶;風(fēng)險(xiǎn)管理部門進(jìn)一步驗(yàn)證,如果審核通過之后,就會(huì)依據(jù)分?jǐn)?shù)和級(jí)別發(fā)放貸款。

3.識(shí)別出潛在風(fēng)險(xiǎn)的人

利用數(shù)學(xué)模型來識(shí)別風(fēng)險(xiǎn)客戶,目的是找到欺詐客戶和未來不會(huì)還款的用戶。在識(shí)別壞種子時(shí),數(shù)學(xué)模型和壞種子是關(guān)鍵,數(shù)學(xué)模型決定風(fēng)控方式是否科學(xué),數(shù)據(jù)緯度是否全面,結(jié)論是否科學(xué)。壞種子是用來修正風(fēng)控模型參數(shù),提升模型的魯邦性,同時(shí)讓模型可以不斷完善自己。在預(yù)防欺詐用戶時(shí),行業(yè)共享的黑名單也起到了很大的作用。

壞種子對(duì)識(shí)別出欺詐用戶和潛在違約用戶十分關(guān)鍵,風(fēng)控模型是否有效的一個(gè)前提就是是否有足夠多的壞種子。

4.個(gè)人消費(fèi)金融授信的5P原則

信用貸款分為抵押貸款和無抵押貸款,其中抵押貸款的風(fēng)險(xiǎn)相對(duì)較低,風(fēng)險(xiǎn)評(píng)估過程中主要關(guān)注抵押品的自身價(jià)值和貸款覆蓋率,貸款用途和還款能力占信用審批權(quán)重比例較低。銀行過去大量的個(gè)人貸款,都是抵押貸款,其中按揭房貸占了很大的比重。

無抵押貸款稱為信用貸款,時(shí)髦的稱呼為消費(fèi)金融。貸款人無需進(jìn)行財(cái)產(chǎn)抵押,僅僅依靠自身信用分?jǐn)?shù)或還款能力申請(qǐng)貸款。相對(duì)于抵押貸款,其風(fēng)險(xiǎn)較高,也是銀行信用風(fēng)險(xiǎn)管理的重點(diǎn)領(lǐng)域。這幾年消費(fèi)貸款增加較快,預(yù)計(jì)2017年同個(gè)人消費(fèi)相關(guān)的消費(fèi)貸款,可以達(dá)到27萬億左右。很多銀行、信用卡中心、互聯(lián)網(wǎng)金融公司都在爭奪這個(gè)市場。

個(gè)人金融消費(fèi)貸款除了遵循CCCP消費(fèi)金融授信審核標(biāo)準(zhǔn)之外,授信5P原則也經(jīng)常用于評(píng)估客戶信用風(fēng)險(xiǎn)。“5P”原則主要是指貸款人情況(people),資金用途(purpose),還款來源(payment),債權(quán)確保(protection),借款人展望(perspective)。

貸款人情況

是指貸款人信用情況、個(gè)人財(cái)力、銀行往來記錄,其中其個(gè)人信用評(píng)分比重最高,個(gè)人財(cái)力次之,貸款人的還款記錄和還款意愿也很重要。

資金用途

是指貸款人的借款用途是否合理、合法。是否用于投機(jī)領(lǐng)域或高風(fēng)險(xiǎn)領(lǐng)域,例如高利貸或賭博等。資金用途是否合法,同貸款被按時(shí)歸還相關(guān)度較高。

還款來源

是授信審批中最重要的,用來了解貸款客戶是否具備還款來源,其償債能力如何。其中客人的月度薪資收入、資產(chǎn)收入、支出費(fèi)用、財(cái)產(chǎn)價(jià)值都高度相關(guān)。其中常用衡量標(biāo)準(zhǔn)是無擔(dān)保貸款不得超過月收入的22倍(DBR小于等于22),月還款金額不得超過客人扣掉所有支出費(fèi)用后,所剩費(fèi)用的一半。另外信用卡的授信額度也會(huì)被考慮在內(nèi)。

債權(quán)確保

主要是指對(duì)申貸客戶所提供的各項(xiàng)擔(dān)保品進(jìn)行評(píng)估,當(dāng)貸款違約時(shí),銀行可以處理擔(dān)保品,減少帶貸款損失。消費(fèi)金融一般無擔(dān)保品,因此債權(quán)擔(dān)保不太適用,但是某些消費(fèi)金融公司會(huì)讓貸款人購買一個(gè)擔(dān)保產(chǎn)品,一般為貸款總額的2%,可以作為債權(quán)確保。

借款人展望

就是貸款人未來違約的可能性,依據(jù)貸款人的行業(yè)、薪資、職業(yè)、職務(wù)、學(xué)歷等因素進(jìn)行預(yù)測(cè),評(píng)估未來發(fā)生風(fēng)險(xiǎn)的概率。一般入門門檻低、專業(yè)程度低,可替代性高度高的工作或行業(yè)風(fēng)險(xiǎn)較高。

5.貸前風(fēng)險(xiǎn)控制的重要性。

信用貸款的風(fēng)險(xiǎn)控制分為貸前,貸中,貸后三個(gè)階段。貸前控制主要是找到合格貸款人;貸中控制主要預(yù)防抵押品資產(chǎn)減值,無法覆蓋貸款標(biāo)的,或者預(yù)防借款人還款能力下降,無法按時(shí)歸還貸款;貸后控制,主要當(dāng)貸款發(fā)生逾期時(shí),通過催收降低銀行損失。其中,貸前風(fēng)險(xiǎn)控制是最為重要的。

摩根大通銀行有一個(gè)統(tǒng)計(jì),75%的信用風(fēng)險(xiǎn)可以在貸款前進(jìn)行風(fēng)險(xiǎn)控制,貸后風(fēng)險(xiǎn)控制的有效性大概只用25%。因此對(duì)于金融企業(yè),貸款前的風(fēng)險(xiǎn)控制更為重要。在信用卡領(lǐng)域,貸款前的惡意欺詐占整體信用貸款損失的60%,真正貸款到期,不進(jìn)行還款的的客戶只占信用貸款損失的40%。互聯(lián)網(wǎng)金融企業(yè)也是如此。信用貸款風(fēng)險(xiǎn)控制過程中,貸前風(fēng)險(xiǎn)控制是最為重要的。

二、金融行業(yè)信用風(fēng)險(xiǎn)控制的挑戰(zhàn)

金融行業(yè)在過去主要依靠經(jīng)驗(yàn)和宏觀經(jīng)濟(jì)形式來實(shí)施風(fēng)險(xiǎn)控制,以定性為主,更多依賴風(fēng)險(xiǎn)管理精英的個(gè)人能力,特別在經(jīng)濟(jì)發(fā)展很好的時(shí)期,風(fēng)險(xiǎn)管理偏好不太科學(xué),不能夠反應(yīng)出真正的風(fēng)險(xiǎn)水平。定性的風(fēng)險(xiǎn)管理占主體,定量的風(fēng)險(xiǎn)管理起到很小的作用。

現(xiàn)在,越來越多的銀行正在重視定量風(fēng)險(xiǎn)管理,積極利用風(fēng)控模型來實(shí)施風(fēng)險(xiǎn)評(píng)估。巴塞爾III協(xié)議的推行,推動(dòng)了定量風(fēng)險(xiǎn)評(píng)估。大多數(shù)中國銀行的風(fēng)控模型大多從國外引入,經(jīng)過自己定制和改良之后用于信用風(fēng)險(xiǎn)評(píng)估。但是信用風(fēng)險(xiǎn)和操作風(fēng)險(xiǎn)比較復(fù)雜,由于信息不全以及其他問題,很多國外的信用風(fēng)險(xiǎn)模型效果不太明顯。于是大多數(shù)中國銀行參考國外信用風(fēng)險(xiǎn)評(píng)估模型,做了一個(gè)中國版本。包括著名的FICO風(fēng)控模型,現(xiàn)在銀行很少直接采用。

在這個(gè)中國版本的風(fēng)控模型中,企業(yè)信用貸款過于依賴政府授信和國有企業(yè),這種粗放型信用風(fēng)險(xiǎn)管理在經(jīng)濟(jì)結(jié)構(gòu)調(diào)整過程中,引發(fā)了很高的不良貸款率。對(duì)私業(yè)務(wù)中,過高的信用審核標(biāo)準(zhǔn),無法為更多的貸款申請(qǐng)人提供貸款,造成了無法為更多人提供服務(wù),特別是在信用消費(fèi)領(lǐng)域,無法實(shí)現(xiàn)普惠金融服務(wù)。

銀行在個(gè)人信用風(fēng)險(xiǎn)管理過程中遇到的主要挑戰(zhàn)。

1.缺少壞種子

銀行建立風(fēng)控模型的基本原理是,利用大量壞種子,尋找到共性信息,建立風(fēng)控模型。在利用另外一批壞種子來優(yōu)化風(fēng)控模型,找到合適算法,預(yù)測(cè)參數(shù),加快收斂等。

壞種子對(duì)于建立風(fēng)控模型至關(guān)重要,如果壞種子數(shù)量不夠,風(fēng)控模型無法設(shè)定參數(shù)和修正模型。過去銀行嚴(yán)格的信貸審批機(jī)制,造成了小額貸款(信用消費(fèi)信貸)規(guī)模很小,產(chǎn)生的壞種子也不多,規(guī)模較小的壞種子對(duì)于建立信用評(píng)估模型不利,無法優(yōu)化已有的模型和提高風(fēng)控模型的適用性。

信用風(fēng)險(xiǎn)常見的算法有參數(shù)統(tǒng)計(jì)法例如邏輯回歸、Bayes風(fēng)險(xiǎn)判別分析法,以及非參數(shù)統(tǒng)計(jì)方法例如聚類和K-means法,神經(jīng)網(wǎng)絡(luò)法?,F(xiàn)在應(yīng)用較多的是SVM支持向量級(jí)機(jī)方法,其在小樣本、非線性及高緯模式識(shí)別中有特有的優(yōu)勢(shì)。同時(shí)SVM也是努力最小化結(jié)構(gòu)風(fēng)險(xiǎn)的算法。

2.數(shù)據(jù)緯度不全

量化風(fēng)險(xiǎn)評(píng)估需要將涉及到此風(fēng)險(xiǎn)的所有相關(guān)數(shù)據(jù)都包含進(jìn)來,通過模型進(jìn)行信用風(fēng)險(xiǎn)評(píng)估,計(jì)算出還款意愿和還款能力。評(píng)估采用的基本數(shù)據(jù)因素有年齡、收入、學(xué)歷、客戶資歷、行業(yè)、區(qū)域等,其占主要部分。信用因素包含如負(fù)債狀況、繳款記錄、理財(cái)方式;以及行為因素例如交易時(shí)間和頻率等。

除了這些變量和因素,其實(shí)還有一些因素并沒有被考慮到現(xiàn)有的風(fēng)險(xiǎn)評(píng)估模型中。例如貸款者的身體健康情況、生活規(guī)律、是否參與賭博、是否參與民間借貸等,同信貸違約高度相關(guān)的信息沒有被考慮到信用風(fēng)險(xiǎn)評(píng)估當(dāng)中。

特別是用戶行為特征,幾乎很少的信貸評(píng)估模型會(huì)考慮用戶的行為。如果客戶在借款前,頻繁去澳門賭博、或參與民間高利貸、或有吸毒歷史、或者飆車、或者經(jīng)常半夜出入夜店等危險(xiǎn)區(qū)域、或經(jīng)常半夜使用App等。這些危險(xiǎn)行為因素都會(huì)對(duì)其信用風(fēng)險(xiǎn)產(chǎn)生影響,但這些因素原來并沒有被考慮到信用風(fēng)險(xiǎn)評(píng)估之中。

風(fēng)險(xiǎn)評(píng)估過程中,如果數(shù)據(jù)緯度不全,高相關(guān)數(shù)據(jù)沒有被考慮進(jìn)來,對(duì)風(fēng)控模型是一個(gè)大的風(fēng)險(xiǎn)。信用風(fēng)險(xiǎn)評(píng)估模型缺少了重要風(fēng)險(xiǎn)因素的輸入,其評(píng)估結(jié)果的偏離度就會(huì)較大,評(píng)估結(jié)果失效的可能性就很大。

3.風(fēng)險(xiǎn)定價(jià)不夠精細(xì)

量化風(fēng)險(xiǎn)管理的一個(gè)核心是風(fēng)險(xiǎn)定價(jià),根據(jù)銀行自身的風(fēng)險(xiǎn)偏好來對(duì)資產(chǎn)進(jìn)行定價(jià),高風(fēng)險(xiǎn)資產(chǎn)定價(jià)較高,低風(fēng)險(xiǎn)產(chǎn)品定價(jià)較低,根據(jù)風(fēng)險(xiǎn)高低來制定資產(chǎn)收益,RBP(基于風(fēng)險(xiǎn)定價(jià))已經(jīng)成為主流。

大多數(shù)銀行過于保守,不愿意容忍較高的逾期率和不良率,對(duì)于所有信貸產(chǎn)品都一視同仁,嚴(yán)格控制逾期率和不良率水,一旦過高,立即縮緊信貸政策,嚴(yán)格控制貸款規(guī)模。復(fù)雜的經(jīng)濟(jì)環(huán)境和風(fēng)險(xiǎn)場景,以及缺少全面數(shù)據(jù),讓風(fēng)險(xiǎn)管理專家更加謹(jǐn)慎對(duì)待風(fēng)險(xiǎn)管理,誤殺率遠(yuǎn)遠(yuǎn)大于漏放率。

實(shí)際上,不同風(fēng)險(xiǎn)的產(chǎn)品應(yīng)該有不同的信貸風(fēng)險(xiǎn)控制指標(biāo),高收益的產(chǎn)品,其不良率應(yīng)該比低風(fēng)險(xiǎn)的產(chǎn)品要高。例如利率為12%的小額信貸就可以容忍3%左右的不良貸款率,其利差收益完全可以覆蓋不良貸款。對(duì)于風(fēng)險(xiǎn)較低的消費(fèi)信貸,其不良貸款率也可以適當(dāng)放開。在逾期和不良貸款管理中,應(yīng)該按照風(fēng)險(xiǎn)覆蓋程度細(xì)化資產(chǎn)定價(jià),不能采用統(tǒng)一的風(fēng)險(xiǎn)偏好,這樣才能支持消費(fèi)貸款,依據(jù)風(fēng)險(xiǎn)水平,提供精細(xì)化信貸產(chǎn)品。

4.風(fēng)險(xiǎn)模型的自我學(xué)習(xí)能力和數(shù)據(jù)的實(shí)時(shí)性

量化風(fēng)險(xiǎn)成為主流風(fēng)險(xiǎn)管理方式之后,銀行也在思考風(fēng)險(xiǎn)評(píng)估模型的科學(xué)性。影響信用風(fēng)險(xiǎn)管理的因素很多,除了客戶自身的還款能力和還款意愿,還有惡意欺詐、外界經(jīng)濟(jì)環(huán)境、黑天鵝事件等不可預(yù)見的因素。信用風(fēng)險(xiǎn)的評(píng)估完全依賴風(fēng)控模型將會(huì)產(chǎn)生另外一個(gè)風(fēng)險(xiǎn),就是模型自身學(xué)習(xí)能力和數(shù)據(jù)實(shí)效性。

好的風(fēng)控模型需要具有自我學(xué)習(xí)能力,可以依據(jù)輸入數(shù)據(jù)來修正模型,另外模型的抗干擾能力也需要較強(qiáng),避免大量噪聲數(shù)據(jù)干擾計(jì)算結(jié)果。具有自我學(xué)習(xí)能力的模型可以適應(yīng)外部多種因素的變化,同時(shí)也可以自身迭代提高,抵抗外界噪音干擾。

實(shí)時(shí)有效的數(shù)據(jù)對(duì)于風(fēng)險(xiǎn)評(píng)估結(jié)果影響也很大,數(shù)據(jù)是有時(shí)間價(jià)值的,滯后的數(shù)據(jù)會(huì)影響評(píng)估結(jié)果,不能反映實(shí)時(shí)風(fēng)險(xiǎn)變化情況。實(shí)時(shí)的數(shù)據(jù)錄入和動(dòng)態(tài)信用風(fēng)險(xiǎn)評(píng)估現(xiàn)在對(duì)銀行是一個(gè)巨大的挑戰(zhàn),一個(gè)月進(jìn)行一次的風(fēng)險(xiǎn)評(píng)估并不能實(shí)時(shí)反映信用風(fēng)險(xiǎn)變化情況,銀行需要找到一個(gè)好的方法來建立動(dòng)態(tài)風(fēng)險(xiǎn)視圖,不僅僅是信用風(fēng)險(xiǎn)管理,其他的風(fēng)險(xiǎn)管理方法也要向?qū)崟r(shí)數(shù)據(jù)錄入和風(fēng)險(xiǎn)實(shí)時(shí)評(píng)價(jià)方向轉(zhuǎn)變。

5.外部風(fēng)險(xiǎn)來源的多樣化

現(xiàn)在的信貸市場,不再是銀行一家的市場?;ヂ?lián)網(wǎng)金融企業(yè)的崛起,讓客戶更加容易獲得貸款,同時(shí)也加大了銀行管理信貸風(fēng)險(xiǎn)的難度。

例如一個(gè)客戶在銀行環(huán)境內(nèi)部授信額度是10萬,但是其在外面的互聯(lián)網(wǎng)金融公司、典當(dāng)行、民間借貸機(jī)構(gòu),都有借貸行為,可能總計(jì)借貸規(guī)模遠(yuǎn)遠(yuǎn)超過10萬元??蛻舻母哳~借貸增加了違約風(fēng)險(xiǎn),這些不在金融企業(yè)內(nèi)部的借貸行為,銀行無法了解,也無法實(shí)施有效的信貸風(fēng)險(xiǎn)管理。

信貸環(huán)境的復(fù)雜給銀行信貸風(fēng)險(xiǎn)管理帶來的較大挑戰(zhàn),客戶信貸信息分散和孤立,造成了外部風(fēng)險(xiǎn)來源的多樣化,銀行需要尋找一種方式來打破這種信息不對(duì)稱,購買外部信貸數(shù)據(jù)可以解決這個(gè)問題,但信貸數(shù)據(jù)的覆蓋率也是一個(gè)較大的挑戰(zhàn)。

2015年互聯(lián)金融出現(xiàn)了井噴式的發(fā)展,行業(yè)貸款規(guī)模已經(jīng)突破1萬億元,同時(shí)幾個(gè)大的案件也將互聯(lián)網(wǎng)金融推到了風(fēng)口。相對(duì)于傳統(tǒng)金融來講,互聯(lián)金融面對(duì)的客戶風(fēng)險(xiǎn)較高,其風(fēng)控面臨的挑戰(zhàn)更大,對(duì)數(shù)據(jù)風(fēng)控對(duì)要求就會(huì)更高。

三、互聯(lián)網(wǎng)金融行業(yè)的風(fēng)控挑戰(zhàn)

中國的互聯(lián)網(wǎng)金融企業(yè)愿意從美國挖一些風(fēng)控人才來提高自身風(fēng)控水平。但是美國的征信環(huán)境比中國簡單,很多信息可以拿得到,美國已經(jīng)是一個(gè)成熟的信用社會(huì),復(fù)雜的欺詐場景和復(fù)雜的信用風(fēng)險(xiǎn)場景不多。很多風(fēng)控模型到了中國之后并不適合,因此很多中國領(lǐng)先的互聯(lián)網(wǎng)金融公司并沒有采用美國的風(fēng)控模型,大多是自己開發(fā)風(fēng)控模型。中國目前互聯(lián)網(wǎng)金融的風(fēng)控環(huán)境和東歐的信用環(huán)境相似,東歐的一些征信公司在中國很有市場就是這個(gè)原因。中國互聯(lián)網(wǎng)金融公司在信貸風(fēng)險(xiǎn)管理方面面臨的挑戰(zhàn)如下。

1.客戶風(fēng)險(xiǎn)較高

傳統(tǒng)金融主要服務(wù)70%左右的客戶,他們共同的特征就是還款能力強(qiáng)或者背景好。其他的客戶包括中小企業(yè)和收入較低的白領(lǐng)、藍(lán)領(lǐng)客戶,銀行不愿為他們提供服務(wù)?;ヂ?lián)網(wǎng)金融公司主要為這些客戶提供短期貸款、過橋貸款、消費(fèi)貸款、發(fā)薪日貸款等。

大多數(shù)互聯(lián)網(wǎng)金融客戶收入較低,在銀行那里拿不到較好的貸款額度,不是銀行的目標(biāo)客戶,其信用評(píng)分較低。傳統(tǒng)金融認(rèn)為這批客戶還款能力較差,不愿意降低信貸審批要求,為他們提供融資。

特別在目前中國經(jīng)濟(jì)調(diào)整的階段,這些小企業(yè)經(jīng)營者或者中低收入人群缺少原始積累,受宏觀經(jīng)濟(jì)影響較大,企業(yè)經(jīng)營和收入波動(dòng)較大,他們的還款能力不穩(wěn)定。互聯(lián)網(wǎng)金融客戶中,還款能力不穩(wěn)定的客戶占很大比例,他們的信用風(fēng)險(xiǎn)較高,對(duì)互聯(lián)網(wǎng)金融企業(yè)的信用風(fēng)險(xiǎn)控制提出了很大的挑戰(zhàn)。

2.客戶信用信息不全

傳統(tǒng)金融行業(yè)可以借助于人民銀行的企業(yè)征信和個(gè)人征信數(shù)據(jù)實(shí)施信用風(fēng)險(xiǎn)評(píng)估,各個(gè)銀行和信用卡中心也可以及時(shí)更新客戶金融信貸信息,共享黑名單。在傳統(tǒng)金融領(lǐng)域,個(gè)人和企業(yè)的信用信息集中在一起,容易進(jìn)行風(fēng)險(xiǎn)評(píng)估。

在互聯(lián)網(wǎng)金融領(lǐng)域,大多數(shù)互聯(lián)網(wǎng)金融公司沒有接入人行征信系統(tǒng),無法拿到客戶全維度信用信息,例如客戶財(cái)產(chǎn)、學(xué)歷、收入、貸款、金融機(jī)構(gòu)交易信息等信息。互聯(lián)網(wǎng)金融企業(yè)在實(shí)施信用風(fēng)險(xiǎn)評(píng)估時(shí),僅能夠依靠客戶提供信息進(jìn)行驗(yàn)證,但是客戶在傳統(tǒng)金融領(lǐng)域的借款信息,互聯(lián)網(wǎng)金融客戶的信用信息是不全的。

互聯(lián)網(wǎng)金融企業(yè)無法拿到客戶所有的信用信息,包含傳統(tǒng)金融環(huán)境和民間借貸領(lǐng)域,缺少這信息對(duì)其實(shí)施信用風(fēng)險(xiǎn)評(píng)估影響很大。這也是互聯(lián)網(wǎng)金融反欺詐公司或征信公司興起的原因,他們主要的作用就是解決了客戶信用信息不對(duì)稱的問題。

3.惡意欺詐和薅羊毛比例較高

信用風(fēng)險(xiǎn)體現(xiàn)在兩個(gè)方面,一個(gè)是客戶惡意欺詐,另外一是客戶信貸違約。依據(jù)互聯(lián)網(wǎng)金融企業(yè)的經(jīng)驗(yàn),惡意欺詐占了其60%左右的信用損失。

互聯(lián)網(wǎng)金融企業(yè)還面對(duì)了另外一有趣的問題,專門有一批薅羊毛的人,利用互聯(lián)網(wǎng)金融企業(yè)的營銷漏洞,通過新用戶注冊(cè),用戶推薦,積分兌換,短期投資來攥取超額收入。經(jīng)過精心設(shè)計(jì),薅羊毛的收入可以達(dá)到20%/月。很多互聯(lián)網(wǎng)金融企業(yè)風(fēng)險(xiǎn)控制部門主要任務(wù)就是找出羊毛黨,拒絕他們的貸款請(qǐng)求。

互聯(lián)網(wǎng)金融的不良貸款率沒有對(duì)外公布,但是依據(jù)行業(yè)經(jīng)驗(yàn),5%的不良貸款率是一個(gè)較好的水平,主要損失來源于過高的互聯(lián)網(wǎng)惡意欺詐、過高的信貸審批成本、以及過高的獲客成本。

惡意欺詐基本上以團(tuán)伙作案為主,并且這些人越來越聰明,技術(shù)手段越來越先進(jìn),越來越進(jìn)化,很難找到公共特征,也很難歸納,不容易及時(shí)發(fā)現(xiàn)。惡意欺詐的共性信息較少,即使有大量的壞種子,也不好建立風(fēng)控模型來實(shí)施控制,

互聯(lián)網(wǎng)金融公司只能依靠風(fēng)控經(jīng)驗(yàn)、客戶信息驗(yàn)證、部分行為數(shù)據(jù)來實(shí)施反欺詐。

4.客戶違約成本低,債務(wù)收回成本較高

互聯(lián)網(wǎng)金融公司的客戶違約比例較高,并且建立了自己的貸款催收?qǐng)F(tuán)隊(duì)?;ヂ?lián)網(wǎng)金融公司遇到貸款違約時(shí),一般采用三種方式進(jìn)行解決。

第一種是將資產(chǎn)打包,以3-4折的方式賣給資產(chǎn)管理公司,由他們?nèi)ゴ呤?,效果不是太好,損失較大,還有法律分線風(fēng)險(xiǎn),因此不是主流。

第二種方式是由擔(dān)保公司承擔(dān),客戶承擔(dān)2%左右的擔(dān)保費(fèi)用,這個(gè)較為普遍,但是一旦借款規(guī)模較大,也不太適合。另外加大了客戶貸款成本,產(chǎn)品競爭力下降。

第三種是自己催收,大部分逾期的貸款可以催收回來,惡意不還款的客戶較少。逾期之后又還款的客戶反倒是互聯(lián)網(wǎng)金融的優(yōu)質(zhì)客戶,其給公司帶來的收益最高。但是缺點(diǎn)就是催收成本太高,客戶違約成本很低。

中國缺少個(gè)人征信評(píng)分,造成客戶信貸違約成本較低,個(gè)人貸款的違約,不會(huì)影響客戶的正常社會(huì)生活和商業(yè)行為。

5.風(fēng)控模型冷啟動(dòng)問題

每年都有大量互聯(lián)網(wǎng)金融公司出現(xiàn),風(fēng)控成了所有互聯(lián)網(wǎng)金融公司的核心競爭力。每一家互聯(lián)網(wǎng)金融公司都會(huì)建立風(fēng)控模型,實(shí)施信用風(fēng)險(xiǎn)管理。

壞種子和數(shù)據(jù)是風(fēng)控模型重要輸入,決定了風(fēng)控模型的有效性。新興的互聯(lián)網(wǎng)金融公司,面對(duì)新的客戶,缺少足夠的種子用戶來優(yōu)化模型,同時(shí)也缺少用戶的行為數(shù)據(jù)來完善用戶風(fēng)險(xiǎn)評(píng)估卡。

互聯(lián)網(wǎng)金融公司做風(fēng)控時(shí),缺少壞種子用戶和數(shù)據(jù)的冷啟動(dòng)對(duì)其風(fēng)控是一個(gè)較大的挑戰(zhàn)。這種信貸違約和惡意欺詐的壞種子,不能夠通過其他方式來解決,例如線下和向第三方購買。互聯(lián)網(wǎng)金融公司只能依靠自己的業(yè)務(wù)不斷積累,利用自己平臺(tái)積累的數(shù)據(jù)和種子來解決這個(gè)問題,一旦管理不好,會(huì)對(duì)新興的互聯(lián)網(wǎng)金融公司造成較大影響。

四、大數(shù)據(jù)風(fēng)控的優(yōu)勢(shì)和劣勢(shì)

大數(shù)據(jù)風(fēng)控是一個(gè)廣義詞和一個(gè)時(shí)代的熱詞,量化風(fēng)險(xiǎn)控制就是利用數(shù)據(jù)分析和模型進(jìn)行風(fēng)險(xiǎn)評(píng)估,依據(jù)評(píng)估分?jǐn)?shù),預(yù)測(cè)還款人的還款能力、還款意愿、以及欺詐風(fēng)險(xiǎn)。

大數(shù)據(jù)主要是指全量數(shù)據(jù)和用戶行為數(shù)據(jù),目前領(lǐng)先的數(shù)據(jù)風(fēng)控或者大數(shù)據(jù)風(fēng)控使用的還是小數(shù)據(jù),使用的是圍繞客戶周圍的信用數(shù)據(jù),這些數(shù)據(jù)的特點(diǎn)是和用戶的信用情況高度相關(guān)。之所以叫做大數(shù)據(jù)風(fēng)控,完全是一個(gè)是時(shí)代用語,確切地說就是利用數(shù)據(jù)實(shí)施科學(xué)風(fēng)控。就像互聯(lián)網(wǎng)思維一樣,就是以客戶為中心的商業(yè)思維,被稱為互聯(lián)網(wǎng)思維,只不過是利用了這個(gè)時(shí)代的特征而已。

大數(shù)據(jù)風(fēng)控的優(yōu)勢(shì):

1、用戶行為數(shù)據(jù)成為風(fēng)控?cái)?shù)據(jù)

風(fēng)控最好的數(shù)據(jù)還是金融數(shù)據(jù),例如年齡、收入、職業(yè)、學(xué)歷、資產(chǎn)、負(fù)債等信用數(shù)據(jù),這些數(shù)據(jù)同信用相關(guān)度高,可以反映用戶的還款能力和還款意愿,這些數(shù)據(jù)因子在風(fēng)控模型中必不可少,權(quán)重也很高,是信用風(fēng)險(xiǎn)評(píng)估最好的數(shù)據(jù)。

但是除了這些強(qiáng)相關(guān)的數(shù)據(jù),一些用戶行為數(shù)據(jù)對(duì)信用風(fēng)險(xiǎn)評(píng)估也具有較大的影響,例如用戶是否經(jīng)常去澳門賭博,用戶是否經(jīng)??桃怆[藏自己,用戶是否參與高利貸,用戶是否具有吸毒傾向,是否患有重大心理疾病等等,這些信息在一定概率下決定了用戶風(fēng)險(xiǎn)水平。

在某些條件下這些因素會(huì)成為決定信用風(fēng)險(xiǎn)事件的強(qiáng)相關(guān)數(shù)據(jù)。過去這些用戶行為數(shù)據(jù),并沒有放到信用風(fēng)險(xiǎn)評(píng)估模型中,沒有參與客戶的信用風(fēng)險(xiǎn)評(píng)估。金融企業(yè)和互聯(lián)網(wǎng)金融企業(yè)在分析已經(jīng)發(fā)生的信用風(fēng)險(xiǎn)事件之后,發(fā)現(xiàn)的這些用戶行為信息在很多風(fēng)險(xiǎn)事件中起到了很關(guān)鍵的作用。小概率風(fēng)險(xiǎn)事件會(huì)導(dǎo)致很嚴(yán)重的后果,同信用風(fēng)險(xiǎn)事件的發(fā)生具有較強(qiáng)的關(guān)聯(lián)性。

現(xiàn)實(shí)世界的用戶行為可以揭示信用風(fēng)險(xiǎn),互聯(lián)網(wǎng)上的用戶行為也同信用風(fēng)險(xiǎn)高度相關(guān)。例如全部用大寫字母填寫資料的人,信用貸款逾期率較高;凌晨1點(diǎn)登陸網(wǎng)絡(luò)申請(qǐng)貸款的人,惡意欺詐的比較多;手機(jī)上只有貸款A(yù)pp,沒有其他App的人,其惡意欺詐比率高;缺少社交活動(dòng)的人,其貸款逾期可能性較高。這些用戶行為信息都同信用風(fēng)險(xiǎn)高度相關(guān),可以作為一個(gè)重要因子進(jìn)行錄入,影響客戶的信用評(píng)分。

大數(shù)據(jù)風(fēng)控的一個(gè)最大的優(yōu)勢(shì)就是豐富了信用風(fēng)險(xiǎn)評(píng)估的數(shù)據(jù)緯度,這些用戶行為信息,很大程度是大數(shù)據(jù)采集和分析的結(jié)果,用戶一般是不會(huì)提供給金融行業(yè)的。很多信息是規(guī)律性信息,需要大數(shù)據(jù)分析才有可能得到,其在信用評(píng)估中的權(quán)重,也需要不斷的優(yōu)化模型去完善。

2、實(shí)時(shí)輸入和實(shí)時(shí)計(jì)算,解決風(fēng)險(xiǎn)視圖實(shí)效性問題

傳統(tǒng)風(fēng)控的另外一個(gè)缺點(diǎn)是數(shù)據(jù)錄入和評(píng)估結(jié)果的滯后性,缺乏實(shí)效性數(shù)據(jù)的輸入,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(píng)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。

銀行現(xiàn)有的風(fēng)險(xiǎn)控制機(jī)制是參考?xì)v史數(shù)據(jù)+模型+專家經(jīng)驗(yàn)。但是風(fēng)險(xiǎn)事件的聯(lián)動(dòng)效應(yīng)已經(jīng)變大,一個(gè)小的風(fēng)險(xiǎn)事件可能在很短的時(shí)間內(nèi)產(chǎn)生巨大的影響后果,風(fēng)險(xiǎn)事件撬動(dòng)的杠桿變大了。歷史數(shù)據(jù)反應(yīng)未來趨勢(shì)的相關(guān)程度正在變?nèi)酰虼诵庞蔑L(fēng)險(xiǎn)管理需要大量實(shí)時(shí)的數(shù)據(jù),已有的模型對(duì)風(fēng)險(xiǎn)事件(尤其是內(nèi)部欺詐,外部欺詐)的識(shí)別能力在下降,需要新的風(fēng)險(xiǎn)控制模型和實(shí)時(shí)數(shù)據(jù)。

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、壞種子數(shù)據(jù),企業(yè)可以提升量化風(fēng)險(xiǎn)評(píng)估能力。

數(shù)據(jù)、技術(shù)、模型、分析將成為信用風(fēng)險(xiǎn)評(píng)估的四個(gè)關(guān)鍵元素,其背后的力量就是大數(shù)據(jù)的技術(shù)和分析能力。企業(yè)利用大數(shù)據(jù)的風(fēng)控能力,實(shí)時(shí)輸出風(fēng)險(xiǎn)因子信息,為金融企業(yè)提供實(shí)時(shí)風(fēng)險(xiǎn)管理視圖,提高風(fēng)險(xiǎn)管理的及時(shí)性。

3、豐富數(shù)據(jù)輸入緯度以及較細(xì)的顆粒度,對(duì)傳統(tǒng)風(fēng)控的補(bǔ)充

傳統(tǒng)風(fēng)控模型已經(jīng)不能適應(yīng)復(fù)雜的現(xiàn)代風(fēng)險(xiǎn)管理環(huán)境,特別在數(shù)據(jù)信息錄入緯度上,影響客戶信用評(píng)分的信息較多,很多都沒有引入到風(fēng)險(xiǎn)評(píng)估流程。例如企業(yè)所處行業(yè)的競爭環(huán)境以及同業(yè)產(chǎn)品的競爭、企業(yè)產(chǎn)品的生命周期、企業(yè)的關(guān)聯(lián)交易信息和司法信息、貸款個(gè)人的心理和性格、上下游產(chǎn)業(yè)經(jīng)營情況、市場需求變化、客戶對(duì)企業(yè)產(chǎn)品的評(píng)價(jià)等。

大數(shù)據(jù)風(fēng)控可以提供全面的數(shù)據(jù)(數(shù)據(jù)的廣度),強(qiáng)相關(guān)數(shù)據(jù)(數(shù)據(jù)的深度),實(shí)效性數(shù)據(jù)(數(shù)據(jù)的鮮活度)。這些數(shù)據(jù)顆粒度可以很小,同內(nèi)部數(shù)據(jù)以及原有數(shù)據(jù)打通和整合之后,會(huì)影響風(fēng)險(xiǎn)評(píng)估結(jié)果,提升信用風(fēng)險(xiǎn)管理水平,客觀地反映用戶風(fēng)險(xiǎn)水平。

信用風(fēng)險(xiǎn)管理中還款意愿也較為重要,多維度、全量的用戶行為數(shù)據(jù)可以客觀揭示用戶的還款意愿,另外細(xì)小的顆粒度信息在打通之后,可以更加客觀了解客戶的還款能力。全量數(shù)據(jù)加用戶行為分析,可以充分了解客戶行為,幫助企業(yè)識(shí)別出惡意欺詐客戶。這些多緯度,細(xì)顆粒度,全面的信息正是大數(shù)分風(fēng)控的優(yōu)勢(shì)所在,同時(shí)也是傳統(tǒng)風(fēng)控的一個(gè)很好的補(bǔ)充。

大數(shù)據(jù)風(fēng)控的劣勢(shì):

還是要強(qiáng)調(diào)一下,信用風(fēng)險(xiǎn)評(píng)估最好的數(shù)據(jù)還是金融數(shù)據(jù),就是人行征信系統(tǒng)里的數(shù)據(jù),大數(shù)據(jù)風(fēng)控只是一個(gè)補(bǔ)充,不能夠完全替代傳統(tǒng)的信貸風(fēng)險(xiǎn)管理。大數(shù)據(jù)風(fēng)控可以從數(shù)據(jù)緯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),但是不是取代傳統(tǒng)風(fēng)控的模型和數(shù)據(jù)。

大數(shù)據(jù)風(fēng)控也有缺點(diǎn),例如數(shù)據(jù)的覆蓋率,匹配率,飽和度,鮮活度,查得率,以及相關(guān)度,甚至數(shù)據(jù)采集和使用涉及得隱私問題都是大數(shù)據(jù)風(fēng)控的缺點(diǎn)。就像大數(shù)據(jù)應(yīng)用本質(zhì)一樣,其只是提供輔助決策,數(shù)據(jù)可以說明一個(gè)問題,但是不能都代替人腦去做決定,當(dāng)利用數(shù)據(jù)分析出結(jié)果后,風(fēng)險(xiǎn)管理決策還是需要風(fēng)險(xiǎn)管理專家依靠其他的信息來決定。市場上大多數(shù)的征信公司和風(fēng)控公司都面臨這些問題,數(shù)據(jù)的匹配率很多都低于20%,有的做風(fēng)控的公司,其數(shù)據(jù)匹配率低于8%,無法進(jìn)行商用,吹牛的成分很大。

五、反欺詐成為信用風(fēng)險(xiǎn)防范的主戰(zhàn)場

依據(jù)幾家互聯(lián)網(wǎng)金融公司的數(shù)據(jù),在統(tǒng)計(jì)的信用風(fēng)險(xiǎn)損失事件中,惡意欺詐占了60%的比例。惡意欺詐防控成了所有互聯(lián)網(wǎng)金融公司的主要風(fēng)險(xiǎn)管理任務(wù)。市場上常用的防范惡意欺詐的方式有三種。

第一種是利用黑名單機(jī)制,來拒絕一些惡意欺詐人獲得貸款。但是道高一尺,魔高一丈,黑名單共享機(jī)制時(shí)效性越來越差,并且惡意欺詐的人頻繁使用其他人信息進(jìn)行欺詐,黑名單機(jī)制在一定程度上很難幫到金融企業(yè)預(yù)防欺詐。并且很多平臺(tái)不太愿意共享自己的黑名單,因?yàn)楹诿麊卧谝欢ǔ潭确从迟J款平臺(tái)風(fēng)控管理水平,過多的黑名單會(huì)影響平臺(tái)的聲譽(yù),甚至影響平臺(tái)融資。另外黑名單覆蓋率較低也是一個(gè)挑戰(zhàn),目前領(lǐng)先的反欺詐企業(yè),其黑名單覆蓋率也不超過30%。

第二種是利用共享貸款數(shù)據(jù)機(jī)制,第三方企業(yè)或者大的P2P,防欺詐聯(lián)盟共享貸款平臺(tái)的貸款記錄。其他貸款平臺(tái)可以依據(jù)申請(qǐng)人在其他平臺(tái)的貸款記錄來決定是否提供貸款,降低欺詐風(fēng)險(xiǎn)。這種方式效果比較好,但是對(duì)于最先受理惡意欺詐的貸款平臺(tái)是無效的,原因是沒有其他平臺(tái)的貸款記錄,無法識(shí)別出貸款者是否屬于惡意欺詐。

第三種是借助于平臺(tái)自己的風(fēng)控模型,依據(jù)壞種子歸納出來的規(guī)律,識(shí)別出惡意欺詐申請(qǐng)者。這種方式正在成為主流,其中基本采用信息驗(yàn)證,特征匹配,行為分析等方式來識(shí)別出貸款用戶是否屬于惡意欺詐用戶。常見的方式有驗(yàn)證用戶的工作地點(diǎn),生活區(qū)域,查看手機(jī)應(yīng)用安裝,社交活動(dòng)軌跡,設(shè)備聚集點(diǎn),是否經(jīng)常換手機(jī)卡,是否刻意隱藏個(gè)人信息,是否短期內(nèi)故意暴露個(gè)人信息等方式。企業(yè)利用風(fēng)險(xiǎn)評(píng)分卡來對(duì)用戶進(jìn)行評(píng)估,依據(jù)評(píng)分結(jié)果來決定是否貸款給客戶。

移動(dòng)大數(shù)據(jù)可以幫助金融企業(yè)防范惡意欺詐,例如可以通過手機(jī)的位置信息來驗(yàn)證申請(qǐng)人的居住地和工作地;依據(jù)App安裝列表來驗(yàn)證用戶是否在活躍在多家借款平臺(tái);依據(jù)數(shù)據(jù)識(shí)別用戶是否在幾天內(nèi)不停更換手機(jī)卡;依據(jù)手機(jī)App裝載和使用情況來辨識(shí)用戶是否安裝了很多惡意軟件例如密碼破解器,偽裝號(hào)碼軟件;客戶是否僅僅使用貸款軟件,沒有安裝常用軟件。借助于移動(dòng)大數(shù)據(jù)和用戶行為信息,金融企業(yè)可以識(shí)別惡意欺詐用戶。國內(nèi)領(lǐng)先的移動(dòng)大數(shù)據(jù)服務(wù)商TalkingData,正在為互聯(lián)網(wǎng)金融公司提供移動(dòng)大數(shù)據(jù)來防范用戶的惡意欺詐,數(shù)據(jù)的查得率超過了50%左右,具有成熟的數(shù)據(jù)商業(yè)應(yīng)用場景。

六、Zest Finance如何利用大數(shù)據(jù)實(shí)施風(fēng)險(xiǎn)控制

市場上最熱的大數(shù)據(jù)風(fēng)控公司就是美國的Zest Finance。其技術(shù)來源于Google,正在為15%左右的美國客戶提供信用評(píng)估服務(wù),并且也服務(wù)很多傳統(tǒng)金融企業(yè),共有400萬美國人直接通過Zest Finance申請(qǐng)信用評(píng)分,另外在銀行等金融機(jī)構(gòu)通過Zest Finance模型獲得信用背書的人數(shù)則遠(yuǎn)遠(yuǎn)大于該數(shù)。

Zest Finance公司的CEO介紹了他們公司在大數(shù)據(jù)風(fēng)控領(lǐng)域的經(jīng)驗(yàn),很值得傳統(tǒng)企業(yè)借鑒。歐美傳統(tǒng)銀行通常采用對(duì)所有人都適用的線性回歸模型,其中包含性別、出生地等20個(gè)左右變量,對(duì)每個(gè)人都簡單化處理,以打分卡的形式評(píng)分Zest Finance采用的變量則多達(dá)70000個(gè),采用的算法也不是線性回歸模型,而是來自Google的大數(shù)據(jù)模型。

FICO信用評(píng)分參考的數(shù)據(jù)變量只有不到50個(gè),很多人摸清了FICO關(guān)注的變量后,就可以“模型套利”增加自己的信用評(píng)分,例如一個(gè)人可以每天反復(fù)在圖書館借書還書“刷信用”。

銀行往往采用200個(gè)一下變量和幾個(gè)模型,從模型數(shù)量而言,傳統(tǒng)征信評(píng)分通常采用一個(gè)模型,Zest Finance采用十個(gè)模型,從不同角度進(jìn)行計(jì)算。十個(gè)模型從不同角度衡量申請(qǐng)人的分?jǐn)?shù),其中兩個(gè)是進(jìn)行身份驗(yàn)證防欺詐的,一個(gè)是預(yù)測(cè)提前還款概率的,其余都是評(píng)判還款意愿和能力的。最后會(huì)用一個(gè)決策模型將十個(gè)模型的結(jié)果整合在一起,得到最終的結(jié)果。

Zest Finance發(fā)現(xiàn)模型越多,準(zhǔn)確率越高。有兩個(gè)模型,對(duì)利潤的提升分別是16.9%和9.4%,可能第二個(gè)模型往往會(huì)被棄用。但如果把這兩個(gè)模型放在一起使用,利潤會(huì)提升了38.3%。每個(gè)模型平均半年就會(huì)誕生一個(gè)新版本,替代舊的版本。新版本通常會(huì)加入更多的變量和數(shù)據(jù)源。每個(gè)新版本模型都以開發(fā)者的名字命名,從而紀(jì)念付出勞動(dòng)與智慧的工程師。

Zest Finance模型中大部分信號(hào)都是通過機(jī)器學(xué)習(xí)找到的。例如,一個(gè)人在網(wǎng)上填表喜歡用大寫還是小寫就是一個(gè)信號(hào)。Zest Finance模型發(fā)現(xiàn),填表喜歡全部用大寫字母的人違約率更高。在月收入經(jīng)過驗(yàn)證的情況下(Zest Finance有一些渠道可以大概獲知一個(gè)人的收入狀況),收入越高,違約率越低。然而,在月收入沒有經(jīng)過驗(yàn)證的情況下,自己填寫月收入7500美元的人違約率是最低的,填寫7500美元以上則數(shù)字越大違約率就更高。

很多人將社交數(shù)據(jù)視為神器,但是ZestFinance不這么認(rèn)為,主要還是采用結(jié)構(gòu)化和類結(jié)構(gòu)化的數(shù)據(jù),例如交易信息、法律記錄、租賃信息等,來源主要是從數(shù)據(jù)代理商處購買。

Zest Finance的先進(jìn)之處并非數(shù)據(jù)來源,“我們有的數(shù)據(jù)銀行都有”,區(qū)別在于,銀行的人有數(shù)據(jù)卻不會(huì)用,就好比坐擁大量礦藏卻不會(huì)冶煉。相反,Zest Finance最大的優(yōu)勢(shì)就是“數(shù)據(jù)冶煉”,同樣的數(shù)據(jù)到了Zest Fiance手中,就可以碰撞產(chǎn)生無數(shù)有價(jià)值的信號(hào)。

鏈接已復(fù)制,快去分享吧

企業(yè)網(wǎng)版權(quán)所有?2010-2024 京ICP備09108050號(hào)-6京公網(wǎng)安備 11010502049343號(hào)