【分析】对于消费金融,欺诈、信用哪个才是风控重点?

摘要: 消费金融主要分为场景分期和现金贷两部分,而现金贷是羊毛党最钟爱的。

12-16 19:59 首页 互联网金融
编者按

消费金融崛起,羊毛党尾随而至,消费金融风控的重点是什么?应从哪些维度考量,科学的风控模型又该如何建立?本篇文章主要讲述消费金融中现金贷关于反欺诈环节的风控问题。

“薅羊毛”在消费金融行业屡见不鲜,部分羊毛党最高月收入高达数万元。

不过羊毛党的收入越高,意味着企业的损失越大,而羊毛党群体的壮大和金融企业风控的加强就像是矛和盾,当长矛数量加强时,应该加强盾的数量还是加强盾的厚度呢?换言之,风控体系搭建的重大,是反欺诈还是信用评估呢?

消费金融主要分为场景分期和现金贷两部分,而现金贷是羊毛党最钟爱的。天创信用高级副总裁前Capital One风控专家陈黎明在66号学苑分享了如何打造消费金融中现金贷关于反欺诈的风控体系。


欺诈风险——现金贷的风控重点


欺诈风险即恶意骗贷的风险,是操作风险的一种,是制度不完善和内控不充分导致的风险,欺诈风险在国内是尤其突出,对于pay day loan而言,75%以上的风险来自欺诈风险,形式有多重,身份伪冒、中介黑产、内外勾结、套现等。

欺诈主体:

第一方欺诈:欺诈的主体是申请的本人。

第二方欺诈:欺诈主体是申请人的亲戚朋友。

第三方欺诈:欺诈主体盗用别人的身份信息进行欺诈。

欺诈主体的不同,防范风险的形式也不同。

风控重点:


客源


现金贷单个借款金额一般是500~2000元,客户是从哪里来的?客户的身份是不是经过了身份验证,比如京东、微信、百度。

京东是有人真实的地址,微信如果绑定钱包的话是有身份验证信息,但百度是没有办法验证身份的,这里面京东是最容易防范欺诈风险,百度是最难防御。

获客过程中要注意自己的获客渠道、合作平台,客户在平台上是不是有强身份验证的关系。


资金用途


消费金融领域最常见的场景分期和现金贷,场景分期一般是知道钱用在什么地方的。

比如说航旅分期,贷款必须用来买机票,资金用途清晰,退票的时候款项会直接退给资金方,欺诈的风险相当低。而有场景分期也有风险比如医美分期常常涉及涉及到线下欺诈。一些中介和美容店串通 ,钱贷出来,美容没有做,渠道控制不好,欺诈风险就会高。

相对于场景分期来说,现金贷的欺诈风险比较高。


风控的数据


欺诈风险大不大,也要看风控数据全不全。

微信覆盖9亿多人,有大量客户数据沉淀,他知道我们的社交群体,在哪里消费付款等,欺诈风险较低,再比如要是大额现金贷可以调出央行征信,欺诈风险也可以大大降低。


其他


一般来说息费高的产品针对的是信用差的人群,所以在风控上对信用要求不高,容易导致欺诈客户钻空子。

需要注意的是线上和线下的欺诈风险完全不一样,线下需要考虑从业者、中介的道德风险等等。

知道企业自身防控重点之后,该如何进行风险管理呢?


如何管理风险


风险管理必须从数据&IT,模型&业务,管理机制等方面防范 。


数据层


通过数据挖掘实现风控,一些平台的优势就脱颖而出。

比如一些支付平台,它们沉淀的数据量相当惊人的。另外,银行存量零售客户,积累了很多的数据,因为风险可控,银行的现金贷息费很低,吸进优质客户。

在数据方面,不得不提人行征信。人行征信可以区分信用风险,并在一定程度上起到反欺诈功能和协助催收。大额现金贷中人行征信广泛使用,而在小额现金贷比如Payday  loan没有使用人行征信有几个原因:

①Payday  loan主要是信用最差的人群,很多人可能是征信的白户。

②做Payday loan的公司大部分没有资质调用人行征信,而且,payday loan额度小,数据成本占比大,需要对成本控制。

没有上述数据优势,只好依赖外部的数据源。

比如说民间征信公司提供的黑名单、多头借贷数据、爬虫爬取的运营商数据、公积金&社保、通过技术捕捉到的设备指纹等等。通过上面的数据采集去构建反欺诈和信用模型 。  

最后,对于数据层,如果产品不同、客群不同,那么你需要的数据源也不同。大额现金贷和小额现金贷针对的客群是不一样的,它的息费不一样,所以它需要的数据源也是不一样。


系统层


比如说业务系统,市面上的业务系统在系统开发时各部分是强耦合的,变量是写死在里面的,如果后期修改风控规则和更新模型,时长超过2个星期,可以通过引入决策引擎来解决。

另外,为了方便数据分析,还可以建立数仓。


分析/模型层


有了数据和数据管理系统,可以开始分析和建模。

分析的重点是围绕业务中的关键点来开展,比如风险和盈利,可以采用VINTAGE分析方法。 VINTAGE分析就是根据客户的借贷日期或者月份分群去区分,这个道理很简单,但国内很多企业不是这么做的,比如逾期率,因为没有使用VINTAGE分析很多企业逾期率的计算是不正确的,比如业务冲量的时候,逾期率自然就低,业务减量的时候逾期率就高,这是不科学的。

分析的目的是应用的业务上,是为了解决业务的问题。

建模有好多方法,传统的逻辑回归和现在流行的机器学习,比如GBDT,XG Boost等,一般来说界定模型的好坏 有两个方面,一个是区分能力,好的、坏的分得有多清楚,另外一个是稳定性。


业务层


分析和模型完毕后,要将结果转化成业务策略。

比如通过外部数据和欺诈的关联分析建立反欺诈规则,比如利用收入负债比制定额度。

在业务初期时,经常根据经验设计规则,但这些规则到底是否有效,需要在未来的业务中不断测试。


管理层


最后是管理制度和岗位职责等的建立。

比如风险部门和业务部门的合作关系,业务使劲往前冲,风险则拖后腿,如何平衡两个部门关系。另外,为了防止内外勾结和欺诈,风控策略必须做到保密,建立保密机制。



作者:新金融事业部

来源:独角金融



未央精选

行业时事

北京将关闭全部比特币交易所

互金协会发文表态:比特币平台无合法依据

英国发布ICO和数字货币风险警告 摩根大通CEO炮轰数字货币

e租宝主犯丁宁被判无期徒刑 拉卡拉IPO审核被迫中止


案例分析

Hippo Insurance:用技术简化房屋保险购买服务

Nova Credit:提供移民在原国家的信用报告

Random Forest Capital:利用机器学习对每笔贷款进行再定价

十一贝:人工智能驱动下的保险行业整体解决方案


监管动态

传北京约谈比特币交易平台 发布虚拟货币交易所清理整治工作要求

上海网贷145条整改认定细则传出 禁止关联方融资

中国互金协会发布P2P存管规范征求意见稿

央行:ICO属非法公开融资,各类代币发行融资活动应当立即停止


深度观察

史上最大征信泄露,Equifax深陷危机,中国同行怕了吗?

P2P负责人亲述:未盈利的平台恐难熬过整改期

P2P网贷平台想要备案 为何推动起来会如此艰难?

互金从业者,如何识别并避免法律风险?


活动&荐书

《全球互联网金融商业模式:格局与发展》,你拿到手了吗?

清华五道口全球金融论坛:全阵容45位嘉宾观点集锦

未央海外游学计划启动!英国金融科技之旅等你报名

【GELP荐书】这是属于父辈的故事





清华大学五道口金融学院互联网实验室成立于2012年4月,是中国第一家专注于互联网金融领域研究的科研机构。

专业研究 | 商业模式 ? 政策研究 ? 行业分析

内容平台 | 未央网 ? "互联网金融"微信公众号iefinance

创业教育 | 清华大学中国创业者训练营 ? 全球创业领袖项目(报名中!点击查看详情)


网站:未央网 http://www.weiyangx.com

免责声明:转载内容仅供读者参考。如您认为本公众号的内容对您的知识产权造成了侵权,请立即告知,我们将在第一时间核实并处理。

WeMedia(自媒体联盟)成员,其联盟关注人群超千万



首页 - 互联网金融 的更多文章: