近段時間,對於現金貸的監管已經箭在弦上。壹方面,許多中小型現金貸平臺的實際借款利率過高;另壹方面,部分平臺對於現金貸業務的風控更像是“皇帝的新衣”,以至於整個行業的壞賬率居高不下。
從監管層面看,現金貸業務為了繼續經營,將不得不大幅削減貸款利率,減少各類手續費。因此,通過提高風控水平,減少壞賬損失,成了保證現金貸業務經營利潤的唯壹出路。
壹、淺析現金貸風控體系:點——面——點的過程
第壹個“點”是指起點。現金貸風控體系的設計需要以產品本身作為起點。現金貸產品無外乎四個要素:利率(包括各種費率)、期限、額度、目標人群。對於每壹類目標人群而言,他們在流動性需求、未來可預期現金流、消費觀念、收入水平以及信用狀況等維度上都具有壹定的規律和***性,進而影響其申請額度、貸款利息的接受水平、還款能力和還款意願等。因此,合理地設計產品,能在有效降低風控難度的同時,將收入最大化。例如,對於白領人群,其按月發薪的特點更適合壹個月及以內的借款期限。
另外,除了現金貸產品本身的特性之外,其推廣渠道也頗為重要。如果通過某壹推廣渠道引入了大量非目標人群,那麽這不僅僅降低了推廣成本的使用效率和後期風控流程的判斷精度,還會產生大量有偏數據,不利於風控模型的叠代升級和產品的再設計。
“面”是指具體的風控流程。從時間段區分:風控流程包括貸前、貸中、貸後三個階段。其中貸前階段是整個風控流程的核心階段。這壹階段包括申請、審核和授信三個步驟。形象地說,貸前階段是壹個過濾雜質的階段。而第三方的征信數據、黑名單、反欺詐規則、風控模型則是壹層層孔徑不壹的濾網。貸中階段主要是對借款人個人信息的跟蹤和監控。壹旦有異常信息的產生,風控人員可以及時地發現、聯系該借款人,盡可能保證這筆借款的安全。貸後階段的工作集中在催收上。此外,如果借款人申請展期或者續貸,則需要在這壹階段結合歷史數據,使用行為評分卡等重新進行審核,並作相應的額度調整和風險分池管理。而在整個風控流程中,需要對借款的集中度作妥善管理,防止因為集中借款和集中逾期帶來的資金流動性不足的問題。
第二個“點”是指重點。整個現金貸風控體系的重點有二。
其壹、反欺詐。相較於傳統借貸模式下的風控,現金貸風控是壹種輕度風控。由於其小額短期的特點,現金貸風控更重視的是借款人的還款意願而非還款能力。適度的逾期不僅不會影響平臺的正常運營,反而可以通過逾期費用提高其營收。
因此,反欺詐是現金貸風控的首要課題。目前,線上貸款的欺詐行為有中介代辦、團夥作案、機器行為、賬戶盜用、身份冒用和串聯交易等。針對這些欺詐行為,常用的反欺詐規則包括勾稽比對、交叉檢驗、強特征篩選、風險關系以及用戶行為數據分析。
其二、多頭借貸行為的識別。多頭借貸是指同壹借款人在多個貸款機構有過貸款行為。目前,多頭借貸行為的識別包括兩個方面:(1)獲取多頭借貸數據。由於現金貸的目標人群大多都是不被傳統借貸機構覆蓋的長尾人群,缺少完整的央行征信數據,因此,壹些從事現金貸業務的平臺會相互合作,實現貸款申請數據的***享。另外,現金貸平臺在第三方征信機構針對每壹筆貸款申請記錄作查詢時,勢必會留下大量貸款申請人的身份信息。這部分信息經過查詢異常檢測算法的過濾以後就會形成壹個可靠的多頭借貸數據庫。(2)惡性多頭借貸行為的識別。惡性多頭借貸行為指貸款人借新還舊或者在同壹時期有大筆多頭借貸。對於借新還舊行為的識別可以結合貸款申請間隔和貸款期限。如果貸款申請間隔明顯小於貸款期限,說明該筆貸款申請有較大的借新還舊風險。
二、挑戰:矛盾與變化
1.欺詐手段的多元化、技術化、互聯網化
欺詐與反欺詐壹直以來都是借貸行業的主要矛盾體之壹。隨著線上貸款業務的迅速發展,基於信息技術的線上騙貸行為也愈演愈烈。當騙子們也開始玩大數據、機器學習的時候,可想而知,很多風控人員的內心是崩潰的。
例如,手機驗證是目前最常用的線上審核方式之壹。它包括兩種形式:短信驗證碼和填寫運營商服務密碼。但是這種方式對於詐騙團夥而言也是有機可乘的。因為他們有壹種技術裝備——貓池。簡單地理解,它就是壹臺具有收發短信功能的“n卡n待”的簡易手機。壹臺電腦可以連接多臺貓池,壹臺貓池又可以插入8-64張SIM卡。與之伴隨的,又有所謂的“收卡”、“養卡”業務。當號碼時間達到壹定標準了,就有可能通過手機驗證這壹反欺詐手段。
除此之外,壹些模擬器的使用可以幫助詐騙分子輕松修改手機的IMEI、MAC、IP、GPS等設備及環境信息。在這壹層層的偽裝與包裹之下,利用設備及環境信息的反欺詐手段就顯得有些蒼白無力了。而且,有些個人信息,如身份證信息、社交賬號、銀行卡賬號甚至U盾等都可以在網上被詐騙團夥買到或者用搜索引擎搜到。很多時候,壹些反欺詐手段的有效並不是因為其無法被破解,而是因為破解成本較高,導致欺詐團夥放棄了這種方式。
2.風控模型的冷啟動
“冷啟動”是大數據風控模型搭建所要面臨的首要難題。特別是對於壹些初創型的現金貸平臺,數據的積累是壹個從0開始的過程。在其積累數據的前期階段,勢必需要付出巨大的成本。壹方面,平臺在保證正常的風控流程之外還需投入大量人力成本去收集數據、搭建模型、數據回測;另壹方面,平臺不得不投入高額的資金成本去購買第三方數據。相較於近10億的未被央行征信數據覆蓋的長尾用戶群體總量,目前現金貸的客群規模還有限,絕大多數平臺都面臨著“冷啟動”的問題。
目前常用的解決數據冷啟動問題的方法是從外部數據著手。由於缺少借款申請人的歷史信貸記錄和個人征信數據,風控模型失去了對於借款人違約風險直接考量的依據。因此,如果能以用戶行為之類的外部數據結合Eigentaste等協同過濾算法,便可以最大限度地識別出欺詐風險較高的人群,並將其過濾。不過目前的現狀是大多數平臺缺少處理外部數據的動力和能力,往往采用人工審核輔以壹些簡單的反欺詐規則的方式。
3.用戶體驗與反欺詐的矛盾
在現金貸的用戶眼中,用戶體驗反映在借款的快捷程度和申請的簡易程度上。但是反欺詐需要用戶提供各種各樣的個人信息,大大降低了用戶體驗的質量。在過去,許多平臺奉行“高收益覆蓋高風險”的原則,過度重視流量。而且市面上的現金貸產品五花八門,不少平臺為了保證流量,紛紛打出“只需身份證和手機號”、“申請後XX分鐘放款”之類的標語。然而,隨著監管趨嚴,“高收益、高壞賬”的運營模式將漸漸被淘汰。為了控制壞賬,現金貸平臺不得不再度面對用戶體驗與反欺詐的對立問題。壹方面,平臺需要優化反欺詐模型,盡可能降低入口數據的維度,縮短風控模型的審核時間;另壹方面,從客服、還款簡便程度等其他角度優化用戶體驗,也是緩解用戶體驗與反欺詐矛盾的可行方法之壹。
三、發展方向
1.非結構化數據的使用
結構化數據如個人征信數據等的稀疏性問題會在未來很長時間內存在於現金貸行業。與之相對應的是大量非結構化數據的泛濫。由於個人基本信息的泄露、盜取、販賣情況嚴重,常規的結構化數據的反欺詐效率大幅降低。相比於結構化數據,人們的行為數據等更難被模擬,能更全面地刻畫貸款申請人,對於降低反欺詐模型的錯誤率有明顯作用。
從非結構化數據的應用角度看,其相互間邏輯很難統壹,數據異常、冗余、缺失的問題嚴重,處理難度較大。因此,尋求第三方如大數據公司、傳統互聯網行業巨頭的合作會是中小現金貸平臺的首選。目前市場上已經出現了壹些通過提煉非結構化數據來服務金融的產品,例如某款商業短信語義分析服務。另外,作為BAT之壹的騰訊也與錢牛牛合作推出了壹款純模型化雲風控系統——“元方”。這款系統最大的特色就是引入了騰訊的海量社交數據。
2.差異化定價
差異化定價,也可以理解為精確定價。現金貸的差異化定價的實質是對各個貸款申請人的信用及欺詐風險作精確定價。目前各個現金貸平臺的定價標準都過於單壹,基本采用利率加雜費的方式。部分平臺對於續貸用戶會做費率調整。也有少數平臺會參考貸款人申請時提供的個人信息維度。不過總體而言,當前的定價標準並不適合未來現金貸行業“低費率”的特征。平臺之間所謂的價格優勢將微乎其微。而精確定價下的定制化小額貸款需求可能會成為平臺的亮點。
而大數據風控模型的構建為差異化定價的實現提供了技術保證。以大量的網絡行為數據、用戶交易數據、第三方數據、合作方數據等為基礎,通過自然語言處理、機器學習、聚類算法等,模型能夠為每壹位貸款申請者創建包括個人基本信息、行為特征、心理特征、經濟狀況、興趣愛好等在內的多維度數據畫像。憑借著這些維度特征和大量歷史貸款記錄,針對不同貸款人、不同額度、不同期限的差異化定價策略將成為現實。
總結
在行業洗牌的背後,是現金貸平臺為了生存下去的努力。如何保證合規性,如何獲取低成本的資金,如何以技術替代人力,如何在風控成本和壞賬率之間找到平衡點,是平臺未來需要思考和解決的問題。網貸交流借款無憂相信在行業政策的探照燈之下,是金子最後總是會發光的。