移动互联网时代风控业务解析

最开始的信贷风控是怎么做的?
人审,吃业务经验,弊端是不能大批量处理,效率低下及不适用于移动互联网时代的金融场景。

建模的概念
建模就是构造一个数学公式,能将我们手上已经有的数据录入进去,通过计算得到一些预测出来的结果。

比如大家初中/高中学习的线性回归,就是最简单的建模过程。

风控模型最原始的思路就是输入一个用户的信息,得到这个人是 “会还钱” 还是 “不会还钱”。

以上简单来说就是个二分类问题

而评分卡模型其实就是希望能将一系列的个人信息输入模型,然后得到一个总的用户群体的还款概率。

概率越大,评分越高,越容易还钱。

概率越小,评分越低,越容易跑路。

典型例子是芝麻信用分。

那为什么一定要应射成某种分数呢?

可以随时根据业务需求调整通过率更容易向用户解释他的信用评级,更容易向领导解释一个用户被拒绝的原因更容易监控一个模型的效果。

风控流程
风控的角度来看,基本上可以归结为以下几个部分:
数据采集,反欺诈,策略,模型催收。

数据采集
数据采集会涉及到埋点爬虫技术,基本上业内的数据都大同小异。

免费的运营商数据、和安卓可爬的手机内部信息(app名称,手机设备信息,部分app内容信息)、以及收费的征信数据、各种信息校验、外部黑名单之类的。

还有一些特定场景的现金贷和消费金融会有自有的数据可供使用,比如阿里京东自己的电商数据、滴滴的司机数据、顺丰中通的快递数据等等。

由于不涉及爬虫,这一块主要让大家理解一下都可以做些什么变量。

反欺诈引擎
反欺诈引擎主要包括两个部分,反欺诈规则反欺诈模型。这里其实很少使用传统监督模型。

涉及到的算法以无监督算法社交网络算法深度学习居多。

大部分的公司都使用的是反欺诈规则,这也是主要提倡的。

一个原因是欺诈标签不好得到,很难做监督学习的训练。还有一个原因是传统的机器学习对欺诈的检测效果很差。

因为所谓欺诈,就是一些黑产或者个人将自己包装成信用良好的用户,进行借款后失联或者拒不还钱。

既然都伪装成了好客户,基于风控人员主观思考建立的统计模型,又怎么可能有好的效果。

但是经过一段时间的实验,这一块其实用深度学习反而有意想不到的效果,基本思想可以理解为,简单评分卡解释性强,带来的坏处就是可以被逆向破解,而复杂模型的黑箱操作虽然解释性差,却有一定的安全性,尤其是搭配了在线学习等动态手段之后反向破解的成本极高,此外还有很多算法诸如异常检测知识图谱都在这一块有所应用。

规则引擎
规则引擎其实就是我们常说的策略,主要通过数据分析、挖掘手段以及一些监督、无监督算法,得到不同字段、各个区间的坏账率(badrate),找到最佳分段区间,然后得到筛选出的一批信用较好的一批特定人群进行放款。

这一块主要有单变量分析和一些关键指标的计算和监控,比如Rol、PSI、KS、AUC,等等,通常规则和模型是组合使用的,尤其在反欺诈场景中。

风控模型
风控模型是机器学习在风控领域的主要体现,当然前面提到的反欺诈模型也是重点之一,主要是通过监督算法构建违约概率预测模型,但是因为实际业务中,是数据的质量并不是永远那么完美,这里通常我们会使用到深度学习、无监督、弱监督等等方法去辅助 传统监督学习算法。

风控模型其中包含了A/B/C卡,模型算法之间可以没有显著区别,而是根据其发生的时间点不同而进行划分的(贷前/贷中/贷后),也就是y产生的方式不一样,通常信贷领域都是用逾期天数来定义y。

A卡可以用客户历史逾期天数最大的天数,B卡则可以多期借款中逾期最大的一次,C卡因为用途不同有不同的建立方法,比如你们公司有内催,有外催,外催肯定是回款率低、单价贵的,那么就可以根据是否被内催催回来定义y。

催收
催收是风控的最终手段,这个环节可以产生很多对模型有帮助的数据,比如催收记录的文字描述触达率欺诈标签等等,并且坏账的客户会被列入黑名单,其实只要是能被催回来的,都不是坏账,但是很多公司为了保险起见,逾期超过一定时间的客户,即使被催回来,也会被拉入黑名单,这里主要的算法就是催收模型相关的,可能是监督、无监督算法,也有基于社交网络算法构造的失联模型等等。

几个概念
Badrate: 坏人占比
MOB (month on book):开卡时长
Vintage分析法是一种动态分析法,用来分析不同时期资产的表现情况,它以贷款的账龄为基础,观察每批放款贷后1,2,3…N个月时的逾期情况。
Roll-Rate分析追溯贷款状态之间每月的迁移情况,展示了每批贷款进入下一个逾期状态的概率。

产品人平台提供丰富的axure及sketch元件库,更有优秀的原创作品。
产品人 » 移动互联网时代风控业务解析

发表评论