| 看得越多 想看更多 |
| 大数据风控联盟——影响那些影响中国的风控人 |
此次邀请到的嘉宾是来自爱钱帮首席风控官刘忠奎先生,他将为我们揭秘爱钱帮如何构建基于场景的数据风险管理体系?
大家好,我是互联网金融平台“爱钱帮”的风险管理部总监刘忠奎,感谢好贷网提供这个机会和大家分享风险管理实践中的一点经验和心得。
首先我介绍一下“爱钱帮”的基本情况,平台是在2014年初上线,盛大资本参与投资,截至目前,累计投资额20亿元左右,约35万注册投资人,开发运营了多个基于清晰场景的创新金融产品和服务,其中包括供应链金融产品“海鲜帮”,游戏分期产品“闪垫侠”,房租分期产品“房租融“,影视娱乐产品“娱乐帮”,及基于房产抵押交易和汽车质押租赁等场景的“爱房贷”和“爱车贷”等产品。
构建基于场景的数据风险管理体系
今天和大家分享的主题是“构建基于场景的数据风险管理体系”,围绕该主题的各个部分标题如下:1、定义场景,2、在场景中定义规则,3、数据模型的六个维度,4、数据的获取方式,5、打分模型和场景的结合,6、勾画借款企业的“资金流图谱”,7、场景中的动态风险管理,8、不良资产处置的数据化管理由于时间的限制。各个标题部分不能展开深入探讨,其中有些内容也涉及到公司敏感内容,望大家谅解。
1、定义场景
自2014年末开始,我们就开始对产品类型,风险管理体系进行筛选和重构。没有清晰场景的产品逐渐淡出。同时,风险管理体系也自然而然的建立在场景化的基础上。
谈到场景化金融的风险管理体系,自然要对所谓的“场景”有一个定义。首先,在我们定义的任何一个基本的场景中,都会清晰的体现包括借款人、贷款用途(购买服务类)、资金流和服务流轨迹这几个基本构成要素;
其次,我们只做基于购买服务类场景的借贷产品,并且该项服务的周期能够覆盖借贷产品周期;
此外,资金流和服务流形成闭环,即借款人不能拿到现金,且服务难以变现。
个人认为,未来互联网金融会与各种应用场景无缝融合,其不仅体现在用户体验上,同时对风险管理体系的第一步,即“准入和禁入规则”的构建也意义重大。
2、在场景中定义规则
在爱钱帮的的风险管理体系中,第一步是要明确借款人的准入和禁入规则,而一个清晰的消费场景,非常有利于设定这些规则,同时结合其他第三方黑名单库和数据源,综合考量还款能力和还款意愿,在反欺诈层面实现“低级欺诈者挡在门外,高级欺诈者觉得难”的效果。
举个例子,同是教育培训领域,Java程序员培训和汽修工培训在金融场景要素层面就有一些显著的不同,体现在规则的设定上也就存在很大差异。如学习Java语言的借款人,借款人要素学历(本科或以上)+专业(理工类)+年龄(30岁以下)这几个要素则是在深刻了解学习难度,就业门槛和职业成长轨迹的基础上制定的其中一个准入规则组合。而对于参加汽修工培训的借款人来说,以上要素组合就完全不同,学历(高中或以上)+专业(不限)+年龄(25岁以下)这几个要素组合则相对合理,同时根据二者不同的职业成长轨迹,在设计产品的还款周期、还款方式时也会有很大的不同。
3、数据模型的六个维度
在选择建模的维度时,我们主要从六个大的维度来选取数据:
首先是借款人的自然(人口)属性,这部分的数据维度相对固定,原始数据也比较容易获取;
第二个维度是信用属性,会需要一些外部数据源,辅以一些线下的数据源;
第三个维度是消费特征,是一个与还款能力和还款来源强相关的维度;
第四个维度是场景特征维度,这部分数据是在深刻了解场景基础上获得的一手数据,往往难以从第三方数据提供商处获得,通常会在我们的数据模型中占据较大的权重。
以上四个维度中的数据都是强关联变量。同时辅以社交属性和通讯类数据两部分弱关联变量。以上这六个大的维度构成打分评分模型的全部变量。
4、数据的获取方式
原始数据的获取通常有三种方式,内生数据、通过第三方购买和数据交换。
场景化金融的好处在于,一些内生的强关联变量数据可以低成本的得到。例如借款人的信用属性类的数据包括历史成交记录,支付记录、业内评价等。同时在数据的选取、清洗、合并的过程中会衍生出一些与还款意愿产生关联的派生数据。
有些数据我们会向第三方或专业的数据提供商购买,在外购数据方面,我们更看重数据源的稳定性和获取条件,数据源的稳定性至关重要,对模型的稳定性影响很大,尤其是一些强关联变量。同时,获取方式要简单,有些数据源要借款人提供较复杂的授权才能取得,对系统的反应速度和响应时间会有较大的影响。
通过加入一些行业的数据联盟,或与场景中的参与方进行数据共享和交换,也能取得一些相当不错的强关联数据,而这些数据的取得成本相对较低,准确性和实效性有时更好。
能够拿到丰富的底层数据非常重要,否则反欺诈规则的建立和评分模型等都是空中楼阁。
5、评分模型和场景的结合
评分模型我们是采用的逻辑回归技术建模,将模型转化为评分卡形式,对于统计学背景的数据人员在熟悉不过了。
但缺乏历史数据的积累对行业来说始终是个“梗”。
我们在不同的场景下,评分模型会用于解决不同的商业目的。举例来说,在车辆质押产品方面,主要用来做风险定价。而在房租分期产品中,则用来做是否放款的依据。具体的变量、维度、权重由于较为敏感,就不在这里详细描述了。
6、勾画借款企业的“资金流图谱”
这部分的内容我想用一个企业流动资金借款的项目来说明。众所周知,不同于消费个贷,对于企业级的流动资金借款,很难实现全流程数据化风险管理和系统自动审核批贷,而其中最难以确定的就是真实的借款用途,我们开发了一个小工具,通过抓取关联人和关联公司的信息。
同时,动态抓取各个政府土地招拍挂信息及其他禁入行业的投融资信息,绘制企业的神经网络状“资金流图谱”,从而判断真实的用款方向。
2014年有一个项目,该公司在我方实地尽调后,其所处行业符合我公司行业准入标准,其工商信息呈现的关联公司也未体现有房地产等禁入行业的投资,通过凭证级别的查账也未发现有其他可疑迹象,虽然是家族企业,但运营良好,2000万元的借款用途解释的也比较合理。但通过使用这个工具,其关联人(妻妹,26岁)任法人的公司刚刚拍得当地政府出让的一块土地,土地出让金额为2000万元。至此,通过关联数据挖掘绘制资金流图谱,获知了该笔2000万借款款的真实用款方向,因为笔借款用途触发了我公司的行业禁入准则,最终拒掉了该项目。
7、场景中的动态风险管理
对于借贷生意来讲,放款只是流程的第一步,在正常还款前,如果能实现动态监控并及时
预警,可有效降低贷中跟踪成本,良性管理资产质量,在我们的风险管理体系中,会从评分模型和规则中抽出部分变量,结合具体场景变量,建立动态风险管理模型,设立阀值和波动曲线,一旦发生变化,将及时预警,根据设定的分级处理方式,分发命令进行处理。
8、不良资产处置的数据化管理
不良资产处置的数据管理,由于时间的限制,由不良资产的认定、成本核算和派单三个模块组成。
在产品出现逾期和坏账阶段时通过数据分析认定其不良等级。同时,通过数据模型来预测和计算处置成本和可能的损失,进行现金流管理。经过成本核算后,系统会发出派单命令,在经过人工复核,决定由内部或外部合作伙伴来进行催收。
在我们的模型中,不良资产等级的认定规则可根据场景和产品的不同进行调整,并可向第三方专业催收机构开放接口。
以上全部是我在风险管理从业中的一些经验和体会,非常感谢大家能和我一起分享上述内容,也再次感谢好贷网提供的这个与业界同仁分享的机会!
QA环节
Q:现在很多机构在提互联网大数据催收,刘先生对这个问题怎么看?
A:大数据催收感觉在大额企业贷款中也就是所谓的“流贷”催收中效果不理想,但在小额分散的个贷中有创新的空间,至少在成本中有优势。
刘忠奎先生
澳大利亚Wollongong大学国际金融硕士,曾在香港InternationalFinancial Network CapitalLtd (Stock Code: 8123)担任高级投资经理,北京兆华实业集团担任投资总监,乐钱(www.leqian.com)金融担任风控总监。现任爱钱帮首席风控官。
风控工具千人共建计划,是由国内首个风控人士公益服务组织——大数据风控联盟主办,好贷网等数十家企业及机构协办。是国内首次打破行业壁垒、公司界限,召集千名风控界的精英,联合定制风控产品的千人线上活动。
风控工具千人共建计划将从风控人自身需求出发,共建一款最符合风控人员操作习惯及业务需求的风控工具。提升风控效率及效果,进而推动行业的发展。大数据风控联盟将免费为此次活动全程提供技术开发服务,同时参加此次活动的所有风控人士将可免费共享研发成果。
联系客服