借鑑全球先進國家的經驗，目前全球汽車金融滲透率平均約達50%以上，在英國、美國等先進國家，滲透率更高達90%。反觀國內，中國雖然連續8年位居全球汽車銷售市場最高位，但2016年的汽車金融滲透率僅38%，與英美等先進國家相比，我國汽車金融市場仍有很大的發展空間。
龐大的潛在市場吸引許多合資車廠紛紛引進旗下汽車金融公司，國內自主品牌車廠也已成立或籌建自己的汽車金融公司，至2016年，我國汽車金融公司已增加至25家，資產規模突破4千億。另一方面，互聯網金融公司也以其靈活的數據應用提供更為便利的貸款產品來吸引消費者，企圖一同搶佔汽車金融的市場大餅，這些都顯現了我國汽車金融市場融資渠道的逐漸多元化，且發展方向也逐漸轉型為以消費者需求為導向——透過大數據應用簡化以往冗長的貸款流程，藉由優化消費者服務體驗來獲取並留住更多客戶。
可以說，大數據分析能力已成為企業的核心競爭力。因此，筆者想借由這次的文章分享對於汽車金融行業目前發展趨勢的一些見解。
更“快”的客戶體驗要求
買車對很多人來說都是人生一件意義重大的事情。如何順利地選擇一輛愛車是需要花費很多精力去準備和策劃的事情，制定預算、選車、試駕、貸款，提車，整個購車過程中的用戶體驗對客戶的最終決策都至關重要。
以前聽朋友說起過這樣的例子：一位年輕的客戶走進4S店，希望能夠挑選自己人生的第一輛車。看過幾輛之後，他提出希望能夠了解一下自己能夠貸款的額度以及期數、利率條件，來決定最終購買哪一輛。4S店根據以往審批流程的經驗，表示提交申請後需要3-5天的時間等待最終審批結果。結果年輕客戶轉身走出4S店，通過購車平臺選購了自己心儀的愛車，並通過在線消費金融服務成功辦理了貸款。
新一代的年輕客戶生長在信息時代，早已習慣了高效率快節奏的服務，他們對於“快”的訴求超越了以往任何一個時代。對於汽車消費貸款提供商而言，審批流程的時效影響的已經不僅僅是自身經營效率和成本，更直接關係到客戶貸款過程中的用戶體驗，乃至於最終影響成交的數量和成功率。特別是在當前金融科技高速發展的格局下，大批新興的網貸平臺、消金公司早就已經摩拳擦掌，打著“當日放款”、“秒貸”的旗號，對傳統金融市場虎視眈眈。就如同上面的例子中，當你還在慢慢地走審批流程、核定風險、計算可貸額度的時候，客戶可能早已經轉身投入他家的懷抱。
所以，在當前的環境下，汽車金融服務提供商也需要迎合客戶的訴求，進一步優化自身的申請審批流程，減少人工環節，提升審批決策的效率，實現高效的自動化申請審批決策。但如何在提升效率的同時仍能有效管理進件風險，這也是對各入場玩家在數據分析、經營管理乃至流程設計能力上的一大挑戰了。
運用共同借款人加強風險管理
如筆者前段所述，買車往往是人生一件意義重大的事情，更可能是一個家庭除了買房以外的第二大開銷。然而夫妻之間若有一人具有信用不良記錄，就很可能會選擇信用狀況較好的一方申請車貸，藉以掩飾信用瑕疵。因此，在實務上，許多金融業者都會要求客戶在申請車貸時必須提供配偶或是直系親屬的姓名作為共同借款人，一同承擔還款責任，以同一套風險評估標準共同評估車貸借款人及共借人之信用風險，完整描繪出信用主體的真實信用狀況。
同樣的概念亦可應用至風險評估模型內，將共借人信息也導入信用風險評估模型中，以借款人與共借人兩者的風險評分建立更細化的風險等級判斷標準，並以此風險等級為基礎來設計額度策略，例如對於有共借人且風險等級良好之客群，可以調降車貸首付比例，讓自動化的審批流程也不再只是單方面考量借款人自身信用狀況，亦考量共同借款人的信用記錄。這樣一來，不僅能夠更完整地呈現貸款主體的信用風險，也會讓貸款額度更符合實際信用情況。
不良率太低導致壞客戶樣本不夠支持模型開發
筆者曾與國內多家汽車金融公司以及融資租賃公司的風險負責人探討風控心得，發現當下汽車金融服務提供商在構建風險模型時，最常遇到的一個問題即是壞客戶樣本太少。畢竟買車往往屬於生活的必需品，資金用途非常明確，車輛價格也十分透明，不容易發生資金挪用及超額貸款風險，加上又有車輛抵押作為債權的保護，客戶的違約成本高，自然提升了還款意願，也造就了新車貸款不良率低的情況。根據中國銀行業協會的數據統計，2016年國內汽車消費貸款不良率僅0.37%。
從風險管理的角度來看，低不良率是績效的表現，是獲利的保證，是每個從事風險管理的人最渴望看到的成果，但對於數據分析的人來說，這就未必是一件好事了。一個好的模型，是著眼於過去而預測未來，從過去的失敗中學習經驗，才能確保在未來提前規避風險。模型開發時，必須要有足夠的壞樣本支持，才能確保模型對於好壞客戶的區分能力。低不良率無疑大大提高了模型開發的難度。
為了在壞樣本不足的情況下依然保持模型開發的時效及品質，筆者認為：可以一方面建立多種不同程度的不良客戶定義，再借由滾動率分析來選取較為嚴謹且樣本數量相對充足的不良客戶定義，確保樣本數量足夠支持模型開發；另一方面還可以借鑑業內行業經驗，找出高風險用戶的某些共性特徵，結合數據分析結果快速構建申請風險模型原型，來作為第一層風險防線，並隨著業務開展，根據反饋來不斷地迭代、優化和調整自身模型及策略，做到對風險及時動態的管理。
信用白戶的風險辨識
據統計數據表明，中國汽車消費者中30歲以下的人群佔比正在逐年上升，年輕族群已經逐漸成為汽車市場的主流消費者。基於此發展趨勢，許多品牌車廠陸續推出符合年輕人需求的車款，也積極地針對年輕族群打出許多營銷方案。另一方面，二手車市場的快速發展，也讓許多汽車金融業者放眼於二手車汽車金融市場的龐大商機。
現在去逛二手車賣場時，常可看到汽車金融的服務人員提供二手車分期貸款產品，幫助消費者降低購車門檻。然而，二手車客戶其實有較大的機率屬於人行信用白戶，面對這些缺乏信用記錄的年輕客群以及二手車客群，套用現有的評分模型是否能有效區分信用風險，亦成為我們模型開發者關注的焦點。
以往信用風險模型皆以人行徵信變量佔大多數，當面對幾無信用記錄的客群時，信用評分幾乎都是落於中間水平，難以有效辨識風險。面對這樣的困境，我們建議的做法是採集更多樣化的數據投入模型開發，例如在模型中投入電信運營商數據、航空及鐵路數據、第三方支付數據等，擴大模型中變量的維度，降低人行徵信變量的比重，藉此提升模型對於無人行信用記錄客群的風險辨識度。
閱讀更多 卡比里斯 的文章
