引言
什么是联合发卡呢？大家可能会有一些困惑。
联合发卡是指，一些消费金融公司或者保险公司与拥有消费场景的电商平台、O2O平台甚至传统的消费平台进行合作，提供虚拟信用卡服务。2014年2月，京东推出了京东白条；后来，分期乐、趣分期等平台迅速抢占校园市场；2015年阿里推出花呗，再次拉动互联网消费金融的规模；目前，苏宁、国美等越来越多的电商消费平台在做电商消费金融，为平台客户提供先消费后还款的金融服务。
现在，我们就以电商消费金融为例，分享如何从0到1搭建风控体系。
电商消费金融风控特征
首先，也要探讨一下这类电商消费金融风控业务的特征，也就是联合发卡业务的四大特征：
合作方类型多，行业分布广，如各类电商、打车、在线教育、外卖、出行、旅行、医美等，行业渗透广泛；
额度区间视平台消费需求而定，授信额度一般只为满足客户在该平台的消费需求，不宜高出消费需求太多；
对这类平台而言，客户体验第一，流程简便，通常只需客户完成核身即可申请开通；
资金通常直接由资金方打给平台或商家，形成资金闭环。
这样才能对症下药，这些业务特征与电商消费金融的风控政策的差异性密切相关，主要是以下三点：
不重征信重痕迹：低额授信通常不借助央行征信，极大程度依赖用户在平台上留下的行为痕迹；
重贷前更重贷中：准入授信其实没有资金流动，但客户贷中的交易欺诈及账户盗用风险更需要策略管控；
白名单制平稳过渡：根据客户在平台的行为表现，可以设置入口只对白名单客户可见，控制风险逐步释放。
风控体系框架
以下为风控体系框架，分为贷前、贷中、贷后三个部分：贷前主要包括准入授信规则的制定与划分；贷中包括两个部分，一是交易拦截，另一个部分是额度调整，贷后主要是账单提醒、催收、贷后监控体系等。
贷前——准入
准入分为强准入与弱准入，这样区分是因为，业务从0到1启动了以后，接下来一定会做风险下探，风险下探主要是针对弱规则的。强准入一般是不可调的，主要包括反欺诈规则、政策限制、内部黑名单。弱规则对客群是进行区分的，主要分为以下几类：活跃程度评估、消费评估、稳定性评估、社交评估、身份信息评估。这些规则的模块从前到后，先过强规则，再过弱规则。此外，优选客户的名单是用来降打扰的，即“降误杀”。
在这一类业务里，不光是对C端客户有这样一个准入，对商户也有这样的准入要求。对商户的准入主要分为三个部分：事前管控、事中管控、事后管控。举个形象的例子，比如罪犯拿到捅人——把人捅了，警察把他抓起来了，这叫事后管控；刀抽出来，准备捅了，这叫事中管控。那事前管控呢？就是抓了一票这类行凶的罪犯，去分析这类人的特征，将拥有这类特征的人提前管控起来。
从0到1搭建框架，往往从事后管控开始，主要防止“误杀”。对商户的管控需要慎重，因为对于平台而言，商户的用户体验十分重要。可以通过各类管控方式与管控期限对商户进行管控。
贷前——授信
授信根据一个平台的消费需求制定的，我个人比较建议把消费需求作为一个基数，在基数上去做风险调整。根据个人的特征变量去做模型，做数据驱动，做一个整体的评级。特征变量库主要从几方面切入：个人信息、支付信息、资产信息，还有非金操作信息。
因为信用的评级直接关系到风险调整系数那这个信用的评级的话，我们还可以结合一些外部的数据去做评级的调校。不同评级的客户，首先影响风险调整的系数，其次，对于每一个评级都要有额度的上限和下限，即盖帽与托底。
贷中——交易管控
首先我们需要一个管控的目标，也就是欺诈风险点的实际落地形态，比如说盗用证件号去办理银行卡做实名认证，这就是一个比较具体的欺诈风险的落地形态，对此我们要用什么样的规则或管控手段进行防范，再对规则的效果进行跟踪和监控。
就管控手段而言，一开始的时候没有数据，肯定是靠经验驱动，比如如果现在房子欺诈形态是买卖联合套现，可以根据这类欺诈形态的特征建立规则，这种规则一旦部署之后，如果担心误杀，那可以选择性地做一些灰度，也就是让它空跑。
在数据驱动环节，去预测哪些客户有这种欺诈风险的，一定要有Y标签变量，来源大体分为三种，第一类就是额度，第二类是催收失联，第三类就是投诉报案了，主要是账户被盗用的报案。
X变量针对每一笔实时交易去做的延伸变量，比如交易时间、交易金额、剩余额度，这笔交易最近一段时间是否有过解绑卡片的行为，是否登陆过很多个不同的设备号的等，还有这一笔交易发生的商户以及商品这一类信息也建议纳入到这样一个实时交易变量库里。
贷中—额度调整
客户使用虚拟信用卡之后，根据他的行为表现去评估是否能够获得更高的额度。这一类调额，通常会采取定期跑批的方式，比如说每月跑批，对符合条例规定的人，给他调额。同样分为强规则与弱规则。对额度的敏感是一个维度，对风险是另一个维度，调额需要将这两个维度结合在一起。额度慢慢地提上去，不要一步登天。
降额相对来说比较简单，一类针对于休眠客户，比如信用卡一年半载没有用过了，另一类针对于非休眠客户，比如发生了比较严重的逾期行为。如果发生比较严重的逾期行为，即使后期还上了，那他也不是你的目标客户群，建议冻结账户。
贷后——还款提醒、催收策略与失联修复
还款提醒：建议代扣，代扣失败短信提醒+站内信+IVR，到一定逾期阶段之后再考虑人工介入
还款教育：以活动方式，譬如按时还款送积分/优惠券
催收评分：结合贷后数据，差异化人工入催，优化催收成本，提升客户体验
失联分析：当笔交易特征变量分析及交易前后行为特征变量分析
失联修复：建立平台社交网络，通过节点扩散尝试修复
催收记录分析：欺诈，失联案件回流及深入挖掘
大数据应用
动态衍生变量库
下面我们来说一说大数据在这一块业务中的应用。首先，个人强烈建议一定要建立动态衍生变量库，主要是四块信息：一、非金操作信息；二、支付信息；三、个人信息；四、资产信息。
外部黑名单的应用
在强准入规则中，有一个最重要的一项，是对黑名单的排查。平台内部的黑名单相对较少，甚至没有内部黑名单，因此外部黑名单就显得尤为重要。我们的业务经验是，外部的黑名单接了十几家都不止，关键是如何使用数据，提升准确性。
黑客标签好用不好用，什么需要量化，什么需要验证，可以通过X轴Y轴反映出来它的准确率与覆盖率，结合接口的成本，去判断哪一类查询组合是最优的。
收货地址身份识别
收货地址含有的信息量非常丰富，但应用难点在于，地址是一个非结构化的东西。我们收货地址度身定做地址识别服务，主要是以“1个模糊类主词库 + N个精准类辅词库”的识别方式。
概括起来就是，1个主词库收录各类模糊型关键词，通过文本匹配的方式为地址打上三层标签，目前三级标签有近60个分类；N个辅词库提供细粒度信息，现在支持的辅词库功能有全国高等院校详细信息，全国办公楼租金信息，餐饮店详细信息，企业详细信息等。
再基于身份识别标签，针对模糊类和精确类词单独构建风险模型，最终耦合为统一的身份风险评级。该综合评级适用于客户自提供收货地址的应用场景，其他类型地址，如学生群体居住地址/企业办公地址等，也可单独拆分子模型应用。
众安学院是专注于金融科技及相关领域的学习与合作平台，旨在成为金融科技行业的“黄埔军校”以及一流研究机构，不仅为金融科技行业培养、输送优秀人才，更为学员和行业合作伙伴提供技术、商业、资本合作交流的空间。
联系客服
