消費(fèi)信貸規(guī)模的擴(kuò)張，又與智能風(fēng)控的發(fā)展息息相關(guān)。但由于風(fēng)控技術(shù)重實(shí)操，各家所運(yùn)用的技術(shù)又不盡相同，因此相關(guān)的匯總類研究較為匱乏。
本文試圖從消費(fèi)信貸業(yè)智能風(fēng)控的發(fā)展近況切入，重點(diǎn)解析信用評(píng)分產(chǎn)品在智能風(fēng)控貸前管理中的應(yīng)用，并揭示作為雙刃劍的智能風(fēng)控所具有的若干缺陷。
一、智能風(fēng)控的興起與發(fā)展
科學(xué)技術(shù)的發(fā)展日新月異，智能技術(shù)在金融領(lǐng)域正實(shí)現(xiàn)持續(xù)性的滲透。近年來，智能技術(shù)先后在營銷、風(fēng)控、審計(jì)、投顧、投研等領(lǐng)域得到運(yùn)用，如下圖所示：
其中，在消費(fèi)信貸領(lǐng)域?qū)崿F(xiàn)廣泛運(yùn)用的有智能營銷及智能風(fēng)控。智能風(fēng)控，是指在傳統(tǒng)風(fēng)控上融入智能因素，結(jié)合大數(shù)據(jù)、人工智能、區(qū)塊鏈等新型技術(shù)，對(duì)信貸申請(qǐng)進(jìn)行風(fēng)險(xiǎn)控制的一項(xiàng)技術(shù)。智能風(fēng)控這一概念在我國普及的時(shí)間并不長，2017年后才逐漸熱門起來。
二、個(gè)體定位——身份識(shí)別與反欺詐
信貸機(jī)構(gòu)與借款用戶接觸的第一步，是對(duì)其的個(gè)體定位，具體如下：
1. 身份識(shí)別
身份識(shí)別是判斷借款人身份的首要步驟，一般以用戶證照信息為基礎(chǔ)，所使用到的技術(shù)主要有生物識(shí)別以及OCR技術(shù)。
生物識(shí)別，是將計(jì)算機(jī)與光學(xué)、聲學(xué)、生物傳感器和生物統(tǒng)計(jì)學(xué)原理等高科技手段相結(jié)合，利用身體特征來鑒別個(gè)人身份的技術(shù)。其中較為成熟的是指紋及人臉識(shí)別技術(shù)。消費(fèi)信貸領(lǐng)域中，指紋認(rèn)證通常被用于手機(jī)APP登錄驗(yàn)證等，而人臉識(shí)別技術(shù)則更為普及，近年來廣泛代替了傳統(tǒng)手持身份證照片的驗(yàn)證方式，例如刷臉認(rèn)證在借款用戶申請(qǐng)階段廣為運(yùn)用。
OCR技術(shù)（Optical Character Recognition），全稱光學(xué)字符識(shí)別技術(shù)，其原理是利用掃描等光學(xué)錄入方式將各類證件、資料、印刷品上的文字轉(zhuǎn)化為圖像信息，再通過文字識(shí)別技術(shù)將其轉(zhuǎn)化成計(jì)算機(jī)輸入技術(shù)。
身份證識(shí)別和銀行卡綁定是OCR技術(shù)在消費(fèi)信貸中運(yùn)用最廣的兩項(xiàng)。一方面，通過OCR提取身份證頭像，能夠取得快速獲取身份識(shí)別的目標(biāo)，達(dá)到人證合一；另一方面，OCR能夠快速識(shí)別銀行卡號(hào)、持卡人、發(fā)卡行等關(guān)鍵欄位并自動(dòng)填入識(shí)別到的信息內(nèi)容，不僅在信貸平臺(tái)，在電商平臺(tái)的交易支付中亦得到大量使用。
2. 用戶畫像
身份識(shí)別是對(duì)申請(qǐng)用戶的基本信息進(jìn)行了底層描繪，而用戶畫像則進(jìn)一步通過用戶授權(quán)，查詢其央行征信、第三方征信、網(wǎng)絡(luò)交易行為等多重維度。
征信信息是判斷借款人信用最為直接，也最為高效的途徑。從數(shù)據(jù)來看，截至到今年6月，央行征信系統(tǒng)累計(jì)收錄9.9億自然人，個(gè)人日均查詢量達(dá)550萬次。近兩年民營征信巨頭——百行征信亦在消費(fèi)信貸的運(yùn)用中發(fā)揮了較大作用。除此之外，還有其他第三方征信信息、共享征信系統(tǒng)等在信貸審批機(jī)構(gòu)的用戶畫像、共債風(fēng)險(xiǎn)識(shí)別等方面提供了助力。
公共繳費(fèi)、網(wǎng)絡(luò)消費(fèi)、運(yùn)營商數(shù)據(jù)等需獲取用戶授權(quán)，從消費(fèi)頻率、金額等維度對(duì)用戶進(jìn)行判斷，結(jié)合后續(xù)借款人評(píng)分步驟賦予其評(píng)分與授信。此外還包含其他信息，例如使用設(shè)備（ID、設(shè)備型號(hào)等）、戶口認(rèn)證、學(xué)歷認(rèn)證等。
3. 反欺詐模型構(gòu)建
互聯(lián)網(wǎng)金融蓬勃發(fā)展的同時(shí)，消費(fèi)信貸領(lǐng)域因欺詐所致的壞賬問題也日益凸顯。公開數(shù)據(jù)顯示，截至2018年，網(wǎng)絡(luò)黑產(chǎn)導(dǎo)致的信息泄漏預(yù)估在幾十億條級(jí)別，涉及欺詐團(tuán)伙超3萬個(gè)。
消費(fèi)信貸領(lǐng)域的騙貸已成為非法黑產(chǎn)中不容忽視的重災(zāi)區(qū)，甚至存在專業(yè)化的組織以團(tuán)體形式“擼貸”、“擼口子”。因此，建立以反欺詐為核心的防火墻已刻不容緩。
根據(jù)工作原理，反欺詐模型可分為“基于規(guī)則的反欺詐模型” (Rule Based system)和“基于客戶行為(Behavior Based system)的反欺詐模型”。
從核心架構(gòu)來看，基于規(guī)則的反欺詐模型主要是建立規(guī)則庫，其規(guī)則內(nèi)容包括客戶基本屬性、賬戶基本屬性等。而基于用戶行為的反欺詐模型則需要根據(jù)過往用戶數(shù)據(jù)的收集建立起用戶行為庫，因此其劣勢也顯而易見：對(duì)用戶數(shù)據(jù)的規(guī)模、積累時(shí)間均有一定要求。
實(shí)務(wù)中，一些企業(yè)將兩類模型充分結(jié)合，通過設(shè)定規(guī)則庫對(duì)可疑用戶進(jìn)行識(shí)別，再通過收集到的用戶行為不斷對(duì)規(guī)則庫進(jìn)行更新，同時(shí)融入專家經(jīng)驗(yàn)對(duì)模型修正。目前，消費(fèi)信貸領(lǐng)域就反欺詐模型構(gòu)建所涉研究方法包括但不僅限于神經(jīng)網(wǎng)絡(luò)、決策樹、機(jī)器學(xué)習(xí)、隨機(jī)森林等。
以某赴美上市的金融科技企業(yè)為例，其已積累了千萬級(jí)別的黑名單和數(shù)億白名單庫，運(yùn)行系統(tǒng)內(nèi)擁有超過兩百個(gè)風(fēng)控子模型，且具備實(shí)時(shí)自動(dòng)更新模型的能力，部分風(fēng)險(xiǎn)模型的迭代時(shí)間以周為頻次。
三、資質(zhì)衡量——信用評(píng)分與風(fēng)險(xiǎn)定價(jià)
在完成身份識(shí)別、用戶畫像及反欺詐工作后，合格用戶會(huì)進(jìn)入到信用評(píng)分及授信環(huán)節(jié)，流程圖如下所示：
1. 信用評(píng)分
我國信用評(píng)分業(yè)務(wù)的開展最早可以追溯到上世紀(jì)八十年代。根據(jù)模型建立來源，信貸領(lǐng)域的評(píng)分方式可劃分為三類：獨(dú)立建模、聯(lián)合建模和完全外包。
一般而言，自身業(yè)務(wù)規(guī)模較大、團(tuán)隊(duì)架構(gòu)較為完善的信貸機(jī)構(gòu)會(huì)進(jìn)行獨(dú)立建模，例如某些銀行、大型P2P機(jī)構(gòu)等；聯(lián)合建模則加入了部分大數(shù)據(jù)風(fēng)控公司，與業(yè)務(wù)公司共同合作、聯(lián)合開發(fā)；完全外包的機(jī)構(gòu)則是由于自身?xiàng)l件有限而尋求外部助力。在監(jiān)管強(qiáng)調(diào)持牌金融機(jī)構(gòu)不得將核心風(fēng)控環(huán)節(jié)外包的大環(huán)境下，此類評(píng)分方式存在的空間正被大幅度壓縮。
2. 風(fēng)險(xiǎn)定價(jià)
前述環(huán)節(jié)均是為最終的風(fēng)險(xiǎn)定價(jià)、授信放款作鋪墊。各風(fēng)控環(huán)節(jié)剔除掉的借款用戶比例如何？
在該互金機(jī)構(gòu)的反欺詐環(huán)節(jié)中，有80%的用戶被拒；90%進(jìn)入到定價(jià)環(huán)節(jié)，進(jìn)而產(chǎn)生A、B、C、D四個(gè)不同等級(jí)并被給予對(duì)應(yīng)授信額度。不同等級(jí)會(huì)對(duì)借款費(fèi)率產(chǎn)生何種影響？如下表列示：
四、智能風(fēng)控面臨的風(fēng)險(xiǎn)及對(duì)策
盡管近年來智能風(fēng)控技術(shù)得到了大力發(fā)展，但作為一把雙刃劍，智能風(fēng)控同樣存在部分缺陷，具體如下：
1. 用戶授權(quán)與隱私信息管理
消費(fèi)信貸的智能風(fēng)控是基于大數(shù)據(jù)作出的決策，在底層數(shù)據(jù)的獲取來源方面存在爭議。某些信貸APP繞過用戶授權(quán)，直接抓取甚至監(jiān)控用戶個(gè)人數(shù)據(jù)，例如今年315晚會(huì)所曝光的“探針盒子”，以及京東金融因留存用戶手機(jī)截圖被點(diǎn)名等。APP專項(xiàng)治理工作組多次公示點(diǎn)名了在個(gè)人信息保護(hù)方面工作不力的主體機(jī)構(gòu)，理財(cái)、信貸類APP成為重災(zāi)區(qū)。
2. “信用分”孤島
2013年，業(yè)內(nèi)曾有兩位學(xué)者通過對(duì)美國Lending Club 平臺(tái)底層數(shù)據(jù)的研究，將 FICO與違約率進(jìn)行回歸，得到 FICO 評(píng)分與違約率具有強(qiáng)正相關(guān)關(guān)系的結(jié)論，并指出國內(nèi)信貸行業(yè)應(yīng)當(dāng)建立一個(gè)全國范圍的信用評(píng)估體系。
但國內(nèi)目前正缺乏這樣一種體系，一些“信用分”對(duì)歷史信用還款記錄過于倚重，甚至導(dǎo)致一個(gè)每月負(fù)債、以貸還貸“老哥”的信用額度高于一個(gè)正常消費(fèi)的辦公白領(lǐng)。此外，一些電商平臺(tái)過于倚重自身生態(tài)圈的消費(fèi)記錄，其信用分的累計(jì)規(guī)則尚未與其他機(jī)構(gòu)進(jìn)行打通，仍處于孤島狀態(tài)。
