來源：金融電子化 作者：華融湘江銀行風險管理部風險計量團隊負責人 李立志
互聯網貸款背景介紹
隨著大數據技術、人工智能、雲計算的快速發展，使得貸款線上化、自動化的趨勢不斷加強。商業銀行紛紛佈局互聯網貸款，以求在激烈的競爭中謀求一席之地。
互聯網貸款以其手續簡便、審批快、提還款靈活方便等特點深受廣大消費者的青睞，已經逐步取代了傳統線下紙質申請、人工審批的個人貸款。但相比傳統線下貸款，其對系統性能、風控技術、營銷、售後的要求也相對較高。尤其在風控方面，由於互聯網貸款的客群不再受限於傳統的網點，增量客戶的比率遠高於傳統貸款，加上因為無法面籤，對客戶信息的掌握相對有限。此外，傳統風控主要採用專家經驗進行審批/貸後等工作，由於風控人員經驗的差異而出現不一致，且主觀因素較多，難以客觀化/量化。因此，傳統的風控模式難以滿足互聯網貸款的需要。而解決問題的方案就是應用大數據風控技術，開發以數據驅動為核心的風控模型。
大數據風控技術對商業銀行風控和科技能力等都有較高的要求，而地方性商業銀行由於普遍面臨著大數據風控人才短缺、科技資源緊張等問題，難以在短期內搭建健全的大數據風控體系。因此大量銀行採用了藉助外力，即和互聯網金融公司開展合作貸款（包括聯合貸款和助貸）的方式來開展互聯網貸款業務，這種方式對銀行科技和風控的初始投入的要求相對較低，便於快速搶佔市場，創造利潤。但隨著我國經濟形勢的變化、市場競爭的日趨激烈和監管機構對銀行核心風控不得外包的要求，開展互聯網自營貸款才是商業銀行尋求大零售轉型、提高自身品牌價值和競爭力的最佳途徑。
雖然很多銀行已經開展了互聯網自營貸款業務，但由於風控技術的限制，客群主要仍集中在本行存量客戶（代發、房貸、信用卡）及優質單位客戶（公積金、社保）等客群，由於此類客群是所有銀行爭搶的對象，且普遍對利率比較敏感，地方性商業銀行在定價、服務水平上並沒有明顯的優勢，因此很難將貸款規模最大，帶來的收益也不高（利率一般在12%以內，甚至更低）。而只有進一步提高風控水平，探索以上客群以外的新客戶，進行適當的業務下沉（利率在12-18%之間）和差異化競爭，才能做大規模、提高收益。
利用大數據風控技術開展互聯網貸款業務
1.反欺詐。此環節包括設備/身份反欺詐、黑名單篩查、多頭借貸驗證、團伙欺詐偵測等。涉及的數據包括：設備指紋數據、政府數據（含徵信數據）、第三方數據（含運營商數據）、客戶申請信息。反欺詐策略可以採用規則類策略（目前大部分銀行和互聯網公司採用），如要提高效果，需要採用機器學習算法。如採用後者，需要採購支持機器學習模型部署的決策引擎。
2.信用風險評級。即通常說的信用評分卡模型，其入模的變量來自客戶資料、徵信及第三方數據。評分模型一般至少需要2年的歷史數據進行建模。因此自營貸款的信用風險評級模型一般採用的是冷啟動或者溫啟動模型。前者是借鑑外部科技公司或諮詢機構提供的模型（如果沒有複雜模型，可以直接採用外部的信用分，比如人行評分等），後者是在行內尋找客群比較接近的產品的歷史數據進行建模。由於冷啟動和溫啟動的模型因為客群不一致的原因可能區分度不是太高，因此在模型上線早期，一般不建議利用信用評級模型直接拒絕過多的客戶，防止誤殺。應和風控規則組合使用，制定差異性審批策略。
3.風控規則。一般來說， 無法直接進入評分卡的數據變量，以及專家經驗，將會成為風控規則。根據數據來源的不同，風控規則有產品政策類規則、徵信規則、第三方數據規則、行內數據規則等。
風控規則是大數據風控技術中最常見，使用最頻繁的方法。不過由於任何單條規則都無法很好地區分好壞客戶，因而需要和其他風控規則、信用評級等組合使用，才能達到比較好地效果。
4.應用策略。（1）審批策略：基於信用評級模型和風控規則計算結果，設置客戶准入的門檻。（2）定價策略：可基於信用評級模型和客群的特點進行綜合決定。不建議直接採用財務上的成本法進行定價，但可以作為參考。主要應該從客戶的風險等級（信用風險評級結果），客群（客戶可能給銀行帶來的價值）等因素綜合決定。（3）額度策略：可基於客戶收入負債模型（數據來源：徵信、社保、公積金、單位職務、地域收入水平、學歷等），並參考信用評級、客群等信息做適當調整，最終決定給與客戶的額度。
5.貸後預警。貸後預警模型由行為評分卡（B卡）和貸後預警規則組成。行為評分卡數據主要來自行內數據（客戶支還款行為，客戶的在行內其他活動），也可採用部分徵信及外部數據來彌補行內數據的不足。可以根據貸後評級結果來決定貸後檢查的頻率（比如查徵信等）。
預警規則包括行為規則（行內數據）、徵信規則、司法規則、工商規則（企業）、黑名單規則（探測新增黑名單等情況）等。其中徵信等規則是定期查詢，其他規則是實時查詢。
6.催收模型。催收模型同樣需要催收歷史數據，地方性銀行往往沒有足夠的數據積累。因而建議早期可以考慮引進外部專家模型作為冷啟動。
7.模型監控。風控模型上線後，需要配套開發模型表現、業務表現的一系列報表。模型表現報表由專業風控人員進行監控即可，而業務表現報表需要推送給業務人員。報表的開發最好是能支持拖拉拽模式，方便業務或風控人員從多維度獲取業務/風控數據。
8.模型更新。風控部門需要制定模型更新的機制。根據模型表現情況，啟動模型更新工作。模型需要更新的情況包括：達到模型設定的壽命、模型區分能力出現顯著下降、客群發生重大變化等情況。
由於互聯網貸款風控模型和應用策略需要持續的監控、快速的迭代，所以互聯網貸款需要建立一套靈活、功能全面並獨立於傳統信貸系統的網貸系統架構。該套架構必須支持快速開發，並賦予風控和策略人員靈活度較大的風控模型及策略的部署和更新。除系統外，必須有一個包含儘可能多變量(包含衍生變量)的數據集市，其中一些變量即便未能入模使用，但其效果仍然可被監測和追蹤。如果經費充足，可考慮建設建模平臺和支持機器學習和模型自動迭代的決策引擎。
補充與總結
1.對於合作貸款，要求合作方提供更多的數據及數據細節。如有些數據如果無法獲得底層數據，可以通過聯合建模的方式，在合作方數據庫部署銀行定製的模型，再將生成的指標向銀行輸出。此外，在行內決策系統中部署獨立（細節不得向合作方透露）的風控模型也是必要的。行內風控模型的數據輸入不能只有合作方提供的數據，銀行必須要有自己獨立的數據來源，即便此舉會增加數據查詢成本，但帶來的數據沉澱價值，對商業銀行自身風控能力的提升作用不可小視。
2.徵信很重要，建議合作貸款都儘可能需要查詢徵信。對徵信報告進行全面解析並建立徵信衍生變量庫，為風控模型的訓練提供重要的變量來源。除了人行徵信外，應積極引入百行徵信。
3.加強與政府部門的溝通與對接，加強政府權威數據如黑名單、學歷、稅務、社保、公積金、房產、工商司法數據等的對接，為風控提供新的重要的數據來源。如果當地政府有建設政務數據平臺，建議商業銀行加強對接。如有的數據無法直接獲取，也可採取聯合建模的方式將風控模型部署在政務數據平臺上並輸出數據指標。全面的政務數據其效果可能好於徵信，尤其是對許多徵信未覆蓋、或者有徵信但信貸記錄很少的客戶效果良好。
4.建立數據分析及培訓實驗室，大力培養大數據風控人才。好的大數據風控人才比較稀缺，而地方性商業銀行由於薪資、地理位置的限制很難招募到足夠的這方面的人才。可通過建立數據分析及培訓實驗室，定期邀請內外部講師開展培訓，並結合項目實戰的方式，進行內部人才的挖潛和培養。
總之，地方性商業銀行一定要尋找適合自身的互聯網貸款風控模式，切記照搬大行或者互聯網金融公司的模式。因為地方性商業銀行無論在人員、資金投入都無法和大行和互聯網公司相比。此外相比互聯網金融公司，銀行收到的監管更加嚴格，比如系統都強制性要求本地部署，難以採用先進的雲計算技術。此外，數據獲取方面受到的限制因素也遠超互聯網金融公司，許多在互金有用的風控策略在銀行這裡不適用。所以一定要從銀行自身的業務和科技人員內部挖潛，培養即懂業務又懂技術的複合型人才。
閱讀更多 金科創新社 的文章
