1.2.2　信用風(fēng)險(xiǎn)

1.白名單準(zhǔn)入

白名單是信用風(fēng)險(xiǎn)管理的第一道門檻，與整個(gè)平臺(tái)貸款產(chǎn)品的設(shè)計(jì)和定位有緊密的聯(lián)系。白名單設(shè)立的初衷是圈定目標(biāo)客戶，有了目標(biāo)客群之后才能更好地進(jìn)行精準(zhǔn)營銷，并且使得后續(xù)的風(fēng)控流程利潤最大化。同時(shí)在貸款產(chǎn)品上線初期，由于缺乏足夠的數(shù)據(jù)積累，難以搭建完善的風(fēng)控模型，因此白名單也是冷啟動(dòng)階段較為常見的一種風(fēng)控手段。白名單的制定通常會(huì)從政策要求、風(fēng)控能力和客戶畫像3個(gè)方面考慮。

首先，政策要求是重中之重，監(jiān)管部門的相關(guān)政策是每個(gè)金融從業(yè)人員應(yīng)該守住的底線，在互聯(lián)網(wǎng)金融機(jī)構(gòu)的信貸業(yè)務(wù)中，年齡和定價(jià)是兩根紅線。2017年年底出臺(tái)的《關(guān)于規(guī)范整治“現(xiàn)金貸”業(yè)務(wù)的通知》，明確要求金融機(jī)構(gòu)不得為在校學(xué)生提供借貸撮合業(yè)務(wù)，因此目前銀行和大型互聯(lián)網(wǎng)金融機(jī)構(gòu)大多將22歲作為年齡的準(zhǔn)入門檻。而對(duì)于60歲以上的客戶，由于存在較大的不確定性和社會(huì)道德壓力，一般也會(huì)被準(zhǔn)入規(guī)則排除在外。對(duì)于定價(jià)，監(jiān)管條例中規(guī)定，現(xiàn)金貸產(chǎn)品的綜合年化利率不得超過36%，因此對(duì)于前期測算綜合成本有可能超過36%的客群，也不應(yīng)當(dāng)納入白名單中。

其次，作為風(fēng)險(xiǎn)管理的一部分，風(fēng)控能力自然是影響白名單制定的重要因素。與后面的幾個(gè)信用風(fēng)控環(huán)節(jié)相比，白名單部分側(cè)重于硬規(guī)則的制定，觸碰硬規(guī)則的客群由于存在重大風(fēng)險(xiǎn)隱患，也會(huì)被風(fēng)控人員排除在外。例如，大多數(shù)平臺(tái)都會(huì)將注冊(cè)時(shí)長和活躍度這兩個(gè)因素放到準(zhǔn)入規(guī)則中，理由是如果借款人在平臺(tái)的注冊(cè)時(shí)間過短或者活躍度過低，一方面平臺(tái)方無法判斷借款人是否是為了騙貸而特意注冊(cè)開戶的，另一方面這類客戶在平臺(tái)側(cè)的數(shù)據(jù)量太少，給風(fēng)控模型的信用判斷造成了極大困難，因而不被白名單所接受。

最后是客戶畫像，客戶畫像規(guī)則通常與貸款產(chǎn)品關(guān)注的人群有關(guān)。對(duì)于純粹的現(xiàn)金貸產(chǎn)品，由于此類產(chǎn)品適用于大多數(shù)人群，在白名單中可以不考慮特定的客戶畫像指標(biāo)。但是，對(duì)于具有特定場景和人群的貸款產(chǎn)品，例如教育分期、醫(yī)美分期、滴滴司機(jī)貸等，抓住這些指向性客群背后的信用規(guī)律，并且歸納成規(guī)則放入白名單準(zhǔn)入環(huán)節(jié)中，可以大大降低風(fēng)險(xiǎn)，提升產(chǎn)品的運(yùn)營效率。

另外，白名單的制定不宜過于嚴(yán)格，隨著數(shù)據(jù)和風(fēng)控能力的逐步提升，白名單的準(zhǔn)入策略應(yīng)該逐步放開，轉(zhuǎn)而更信任之后的貸前識(shí)別和貸中管理，這樣才能向著全流量風(fēng)控運(yùn)營的大方向進(jìn)發(fā)。

2.貸前識(shí)別

貸前識(shí)別是整個(gè)信用風(fēng)險(xiǎn)管理中最重要的一個(gè)環(huán)節(jié)，一套良好的貸前識(shí)別體系能夠規(guī)避70%以上的潛在風(fēng)險(xiǎn)。同時(shí)，貸前識(shí)別環(huán)節(jié)具有客戶觸達(dá)人數(shù)多、數(shù)據(jù)維度豐富、信用風(fēng)險(xiǎn)存在規(guī)律性等先天優(yōu)勢，是大數(shù)據(jù)風(fēng)控模型應(yīng)用最為成熟的一個(gè)模塊。如本節(jié)開頭所述，信用主要包含還款意愿和還款能力這兩個(gè)方面，大多數(shù)信用風(fēng)險(xiǎn)的出現(xiàn)都是由于平臺(tái)授予的貸款額度與客戶這兩方面情況不匹配所造成的。因此基于客戶申請(qǐng)授信環(huán)節(jié)準(zhǔn)確的信用評(píng)估，并且給出最合理的額度和利率，是風(fēng)控從業(yè)者永恒的話題。

對(duì)于還款意愿的衡量，行業(yè)內(nèi)通常的做法是搭建申請(qǐng)?jiān)u分卡（Application Card）。申請(qǐng)?jiān)u分卡是在有一定存量客戶和風(fēng)險(xiǎn)表現(xiàn)的基礎(chǔ)上，將客戶申請(qǐng)時(shí)的多維指標(biāo)和未來一段時(shí)間內(nèi)是否發(fā)生逾期建立關(guān)系，從而實(shí)現(xiàn)對(duì)于新增客戶預(yù)測風(fēng)險(xiǎn)的目的。申請(qǐng)?jiān)u分卡出現(xiàn)時(shí)間較早，并且已經(jīng)經(jīng)歷了從專家模型、到評(píng)分卡模型，再到大數(shù)據(jù)模型的三個(gè)階段，貸前識(shí)別能力也得到了長足的提升。國內(nèi)的大型互聯(lián)網(wǎng)金融機(jī)構(gòu)在前幾年線上貸款業(yè)務(wù)蓬勃發(fā)展階段已經(jīng)積累了大量的客戶樣本和逾期表現(xiàn)數(shù)據(jù)，同時(shí)國內(nèi)相對(duì)開放的第三方數(shù)據(jù)環(huán)境，也為這些樣本帶來了豐富的指標(biāo)維度，這都是訓(xùn)練出良好大數(shù)據(jù)模型的必要前提。在業(yè)界，目前M1+的模型KS基本可以做到0.35，M3+的模型KS甚至可以達(dá)到0.45以上，已經(jīng)遠(yuǎn)高于人工審核的準(zhǔn)確率。

在貸前識(shí)別環(huán)節(jié)，只是評(píng)估客戶的還款意愿顯然是不夠的，風(fēng)控人員還需要將還款能力納入評(píng)估體系內(nèi)。這就要用到價(jià)值模型（Value Model）。相較于申請(qǐng)?jiān)u分卡有是否逾期這一明確的目標(biāo)定義，客戶價(jià)值的高低在不同平臺(tái)的定義各不相同，有些平臺(tái)考慮客戶的收入，有些平臺(tái)則會(huì)考慮客戶帶來的利潤，因而價(jià)值模型的目標(biāo)可以根據(jù)平臺(tái)的實(shí)際業(yè)務(wù)需求來制定。模型變量方面，價(jià)值模型通常更關(guān)注金融屬性方面的指標(biāo)，傳統(tǒng)金融機(jī)構(gòu)一般從收入、資產(chǎn)、負(fù)債三個(gè)角度來選取指標(biāo)，而對(duì)于互聯(lián)網(wǎng)金融機(jī)構(gòu)來說，則會(huì)基于自身數(shù)據(jù)的特色，加入客戶的商品消費(fèi)習(xí)慣和金融場所出行習(xí)慣等，一定程度上豐富了價(jià)值模型的維度。

搭建兼具準(zhǔn)確性、區(qū)分度和穩(wěn)定性的申請(qǐng)?jiān)u分卡和價(jià)值模型，是智能時(shí)代的風(fēng)控從業(yè)者們必須面對(duì)的挑戰(zhàn)和課題，在這兩個(gè)模型基礎(chǔ)上，風(fēng)控人員才能判斷借款人的申請(qǐng)是否可以通過，并且給出相匹配的額度和利率。由于貸前識(shí)別是整個(gè)信用風(fēng)險(xiǎn)管理中最核心的部分，本書之后的章節(jié)會(huì)大多圍繞貸前環(huán)節(jié)展開，關(guān)于申請(qǐng)?jiān)u分卡的搭建和應(yīng)用，也會(huì)在后面相關(guān)章節(jié)中具體闡述。

3.貸中管理

借款人一旦在貸前環(huán)節(jié)通過了授信申請(qǐng)，就進(jìn)入了貸中管理環(huán)節(jié)，這個(gè)環(huán)節(jié)主要是監(jiān)控和調(diào)整，對(duì)于貸前識(shí)別的結(jié)果進(jìn)行查漏補(bǔ)缺。目前市面上的互聯(lián)網(wǎng)金融貸款產(chǎn)品額度授信方式主要分為一次性額度和循環(huán)額度兩類，不同的授信方式帶來的貸中管理策略也會(huì)有很大的不同。

首先解釋下一次性額度和循環(huán)額度的區(qū)別。一次性額度，就是在客戶的貸款申請(qǐng)通過后，機(jī)構(gòu)主動(dòng)地、一次性地將全部額度打到客戶的銀行賬戶上，解決客戶短期內(nèi)的燃眉之急，常見于銀行的房貸、經(jīng)營貸等大額商業(yè)貸款。而循環(huán)額度是指客戶在貸款申請(qǐng)通過后獲得預(yù)授信的額度，在需要的時(shí)候由客戶主動(dòng)發(fā)起支用，并且在客戶償還賬單后額度可以實(shí)時(shí)恢復(fù)，例如銀行的信用卡業(yè)務(wù)就是一款非常典型的循環(huán)額度產(chǎn)品。對(duì)于一次性額度的產(chǎn)品，由于全部金額已經(jīng)在第一時(shí)間打到客戶的賬戶上，貸中管理主要集中在風(fēng)險(xiǎn)的監(jiān)控和預(yù)警上，一旦客戶出現(xiàn)連續(xù)幾期的逾期，就需要進(jìn)入貸后催收的環(huán)節(jié)。而對(duì)于循環(huán)額度的產(chǎn)品，由于初始只是預(yù)授信，機(jī)構(gòu)完全可以借助更多貸中行為的數(shù)據(jù)，通過支用攔截和額度管理等貸中手段，壓降潛在的風(fēng)險(xiǎn)。同時(shí)對(duì)于借款人來說，循環(huán)額度類的貸款即需即用，隨借隨還，給客戶提供了更好的產(chǎn)品體驗(yàn)，客戶完全可以根據(jù)自己目前的資金現(xiàn)狀選擇支用和還款的時(shí)間節(jié)點(diǎn)，減少不必要的賬期帶來的貸款利息，符合國家普惠金融的大方向，也是目前市面上大多數(shù)消費(fèi)貸款的產(chǎn)品模式。

對(duì)于循環(huán)額度類的產(chǎn)品，搭建行為評(píng)分卡（Behavior Card）是一種常見的技術(shù)手段。與申請(qǐng)?jiān)u分卡一樣，行為評(píng)分卡的預(yù)測目標(biāo)也是客戶在未來一段時(shí)間內(nèi)是否會(huì)發(fā)生逾期。不過模型指標(biāo)在申請(qǐng)?jiān)u分卡的基礎(chǔ)上，又多了貸中行為這一大類數(shù)據(jù)，通過加入客戶支用、還款、逾期等數(shù)據(jù)，行為評(píng)分卡可以更好地刻畫出客戶近期的還款能力和還款意愿，幫助機(jī)構(gòu)做出相應(yīng)的支用和額度策略的調(diào)整。

4.貸后催收

目前市面上頭部的互聯(lián)網(wǎng)金融機(jī)構(gòu)，由于貸款業(yè)務(wù)起步較早，時(shí)至今日已經(jīng)積累了較大規(guī)模的貸款余額，并且在經(jīng)濟(jì)周期處于低谷的大環(huán)境下，整個(gè)行業(yè)逾期率走高，形成了較多的貸后資產(chǎn)。針對(duì)這些已經(jīng)逾期的賬戶，平臺(tái)側(cè)必須采取貸后催收的手段，才能盡可能地收回賬款，在控制整體逾期率和不良率的同時(shí)，最大限度減少經(jīng)濟(jì)上的損失。

相比于貸前識(shí)別和貸中管理，貸后催收更重運(yùn)營，如何在可控的成本范圍內(nèi)，根據(jù)逾期案件的嚴(yán)重程度，為不同賬戶分發(fā)不同的催收方式和催收?qǐng)F(tuán)隊(duì)，是貸后管理環(huán)節(jié)的風(fēng)控人員需要考慮的問題。同時(shí)，在互聯(lián)網(wǎng)金融野蠻生長的前幾年，暴力催收案件屢見不鮮，對(duì)社會(huì)和整個(gè)行業(yè)造成了極大的危害，引發(fā)了監(jiān)管部門的高度關(guān)注。從2018年年底開始，監(jiān)管部門聯(lián)合各地公安機(jī)關(guān)，查處了許多涉黑的催收公司，暴力催收的行為也被整個(gè)行業(yè)嚴(yán)厲杜絕。在整個(gè)行業(yè)合規(guī)的大環(huán)境下，精細(xì)化和智能化的貸后運(yùn)營成為了提高催回率最有效的方式。

為了實(shí)現(xiàn)精細(xì)化的分案，主要的方法是利用催收評(píng)分卡（Collection Card）衡量客戶逾期的嚴(yán)重程度，根據(jù)嚴(yán)重程度分發(fā)給不同力度的催收方式和團(tuán)隊(duì)。催收評(píng)分卡基于已經(jīng)發(fā)生逾期的樣本群體建立，目標(biāo)是預(yù)測這些樣本是否會(huì)在未來一段時(shí)間內(nèi)發(fā)生更嚴(yán)重的逾期。相比于貸前和貸中的特征，催收評(píng)分卡又多了與催收相關(guān)的貸后特征，比如進(jìn)入催收隊(duì)列的持續(xù)時(shí)長、催收階段成功還款的金額等，這些特征都提升了模型對(duì)于貸后人群的區(qū)分能力。根據(jù)業(yè)務(wù)的需求，在樣本量滿足條件的情況下，還可以根據(jù)客戶所處的貸后階段，進(jìn)一步將通用模型拆分為早期催收評(píng)分卡、中期催收評(píng)分卡和后期催收評(píng)分卡。

貸后環(huán)節(jié)也是當(dāng)前AI技術(shù)探索較多的環(huán)節(jié)，機(jī)構(gòu)希望通過更智能的算法和模型，降低單純?nèi)肆Φ倪\(yùn)營成本。目前像失聯(lián)修復(fù)、語音自動(dòng)外呼、催收機(jī)器人等技術(shù)都已經(jīng)有了正式落地的案例，隨著這些AI系統(tǒng)的進(jìn)一步成熟，整個(gè)催收行業(yè)也會(huì)更加合規(guī)和可控。