1.2.2　信用風險

1.白名單準入

白名單是信用風險管理的第一道門檻，與整個平臺貸款產品的設計和定位有緊密的聯系。白名單設立的初衷是圈定目標客戶，有了目標客群之后才能更好地進行精準營銷，并且使得后續的風控流程利潤最大化。同時在貸款產品上線初期，由于缺乏足夠的數據積累，難以搭建完善的風控模型，因此白名單也是冷啟動階段較為常見的一種風控手段。白名單的制定通常會從政策要求、風控能力和客戶畫像3個方面考慮。

首先，政策要求是重中之重，監管部門的相關政策是每個金融從業人員應該守住的底線，在互聯網金融機構的信貸業務中，年齡和定價是兩根紅線。2017年年底出臺的《關于規范整治“現金貸”業務的通知》，明確要求金融機構不得為在校學生提供借貸撮合業務，因此目前銀行和大型互聯網金融機構大多將22歲作為年齡的準入門檻。而對于60歲以上的客戶，由于存在較大的不確定性和社會道德壓力，一般也會被準入規則排除在外。對于定價，監管條例中規定，現金貸產品的綜合年化利率不得超過36%，因此對于前期測算綜合成本有可能超過36%的客群，也不應當納入白名單中。

其次，作為風險管理的一部分，風控能力自然是影響白名單制定的重要因素。與后面的幾個信用風控環節相比，白名單部分側重于硬規則的制定，觸碰硬規則的客群由于存在重大風險隱患，也會被風控人員排除在外。例如，大多數平臺都會將注冊時長和活躍度這兩個因素放到準入規則中，理由是如果借款人在平臺的注冊時間過短或者活躍度過低，一方面平臺方無法判斷借款人是否是為了騙貸而特意注冊開戶的，另一方面這類客戶在平臺側的數據量太少，給風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，客戶畫像規則通常與貸款產品關注的人群有關。對于純粹的現金貸產品，由于此類產品適用于大多數人群，在白名單中可以不考慮特定的客戶畫像指標。但是，對于具有特定場景和人群的貸款產品，例如教育分期、醫美分期、滴滴司機貸等，抓住這些指向性客群背后的信用規律，并且歸納成規則放入白名單準入環節中，可以大大降低風險，提升產品的運營效率。

另外，白名單的制定不宜過于嚴格，隨著數據和風控能力的逐步提升，白名單的準入策略應該逐步放開，轉而更信任之后的貸前識別和貸中管理，這樣才能向著全流量風控運營的大方向進發。

2.貸前識別

貸前識別是整個信用風險管理中最重要的一個環節，一套良好的貸前識別體系能夠規避70%以上的潛在風險。同時，貸前識別環節具有客戶觸達人數多、數據維度豐富、信用風險存在規律性等先天優勢，是大數據風控模型應用最為成熟的一個模塊。如本節開頭所述，信用主要包含還款意愿和還款能力這兩個方面，大多數信用風險的出現都是由于平臺授予的貸款額度與客戶這兩方面情況不匹配所造成的。因此基于客戶申請授信環節準確的信用評估，并且給出最合理的額度和利率，是風控從業者永恒的話題。

對于還款意愿的衡量，行業內通常的做法是搭建申請評分卡（Application Card）。申請評分卡是在有一定存量客戶和風險表現的基礎上，將客戶申請時的多維指標和未來一段時間內是否發生逾期建立關系，從而實現對于新增客戶預測風險的目的。申請評分卡出現時間較早，并且已經經歷了從專家模型、到評分卡模型，再到大數據模型的三個階段，貸前識別能力也得到了長足的提升。國內的大型互聯網金融機構在前幾年線上貸款業務蓬勃發展階段已經積累了大量的客戶樣本和逾期表現數據，同時國內相對開放的第三方數據環境，也為這些樣本帶來了豐富的指標維度，這都是訓練出良好大數據模型的必要前提。在業界，目前M1+的模型KS基本可以做到0.35，M3+的模型KS甚至可以達到0.45以上，已經遠高于人工審核的準確率。

在貸前識別環節，只是評估客戶的還款意愿顯然是不夠的，風控人員還需要將還款能力納入評估體系內。這就要用到價值模型（Value Model）。相較于申請評分卡有是否逾期這一明確的目標定義，客戶價值的高低在不同平臺的定義各不相同，有些平臺考慮客戶的收入，有些平臺則會考慮客戶帶來的利潤，因而價值模型的目標可以根據平臺的實際業務需求來制定。模型變量方面，價值模型通常更關注金融屬性方面的指標，傳統金融機構一般從收入、資產、負債三個角度來選取指標，而對于互聯網金融機構來說，則會基于自身數據的特色，加入客戶的商品消費習慣和金融場所出行習慣等，一定程度上豐富了價值模型的維度。

搭建兼具準確性、區分度和穩定性的申請評分卡和價值模型，是智能時代的風控從業者們必須面對的挑戰和課題，在這兩個模型基礎上，風控人員才能判斷借款人的申請是否可以通過，并且給出相匹配的額度和利率。由于貸前識別是整個信用風險管理中最核心的部分，本書之后的章節會大多圍繞貸前環節展開，關于申請評分卡的搭建和應用，也會在后面相關章節中具體闡述。

3.貸中管理

借款人一旦在貸前環節通過了授信申請，就進入了貸中管理環節，這個環節主要是監控和調整，對于貸前識別的結果進行查漏補缺。目前市面上的互聯網金融貸款產品額度授信方式主要分為一次性額度和循環額度兩類，不同的授信方式帶來的貸中管理策略也會有很大的不同。

首先解釋下一次性額度和循環額度的區別。一次性額度，就是在客戶的貸款申請通過后，機構主動地、一次性地將全部額度打到客戶的銀行賬戶上，解決客戶短期內的燃眉之急，常見于銀行的房貸、經營貸等大額商業貸款。而循環額度是指客戶在貸款申請通過后獲得預授信的額度，在需要的時候由客戶主動發起支用，并且在客戶償還賬單后額度可以實時恢復，例如銀行的信用卡業務就是一款非常典型的循環額度產品。對于一次性額度的產品，由于全部金額已經在第一時間打到客戶的賬戶上，貸中管理主要集中在風險的監控和預警上，一旦客戶出現連續幾期的逾期，就需要進入貸后催收的環節。而對于循環額度的產品，由于初始只是預授信，機構完全可以借助更多貸中行為的數據，通過支用攔截和額度管理等貸中手段，壓降潛在的風險。同時對于借款人來說，循環額度類的貸款即需即用，隨借隨還，給客戶提供了更好的產品體驗，客戶完全可以根據自己目前的資金現狀選擇支用和還款的時間節點，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消費貸款的產品模式。

對于循環額度類的產品，搭建行為評分卡（Behavior Card）是一種常見的技術手段。與申請評分卡一樣，行為評分卡的預測目標也是客戶在未來一段時間內是否會發生逾期。不過模型指標在申請評分卡的基礎上，又多了貸中行為這一大類數據，通過加入客戶支用、還款、逾期等數據，行為評分卡可以更好地刻畫出客戶近期的還款能力和還款意愿，幫助機構做出相應的支用和額度策略的調整。

4.貸后催收

目前市面上頭部的互聯網金融機構，由于貸款業務起步較早，時至今日已經積累了較大規模的貸款余額，并且在經濟周期處于低谷的大環境下，整個行業逾期率走高，形成了較多的貸后資產。針對這些已經逾期的賬戶，平臺側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，最大限度減少經濟上的損失。

相比于貸前識別和貸中管理，貸后催收更重運營，如何在可控的成本范圍內，根據逾期案件的嚴重程度，為不同賬戶分發不同的催收方式和催收團隊，是貸后管理環節的風控人員需要考慮的問題。同時，在互聯網金融野蠻生長的前幾年，暴力催收案件屢見不鮮，對社會和整個行業造成了極大的危害，引發了監管部門的高度關注。從2018年年底開始，監管部門聯合各地公安機關，查處了許多涉黑的催收公司，暴力催收的行為也被整個行業嚴厲杜絕。在整個行業合規的大環境下，精細化和智能化的貸后運營成為了提高催回率最有效的方式。

為了實現精細化的分案，主要的方法是利用催收評分卡（Collection Card）衡量客戶逾期的嚴重程度，根據嚴重程度分發給不同力度的催收方式和團隊。催收評分卡基于已經發生逾期的樣本群體建立，目標是預測這些樣本是否會在未來一段時間內發生更嚴重的逾期。相比于貸前和貸中的特征，催收評分卡又多了與催收相關的貸后特征，比如進入催收隊列的持續時長、催收階段成功還款的金額等，這些特征都提升了模型對于貸后人群的區分能力。根據業務的需求，在樣本量滿足條件的情況下，還可以根據客戶所處的貸后階段，進一步將通用模型拆分為早期催收評分卡、中期催收評分卡和后期催收評分卡。

貸后環節也是當前AI技術探索較多的環節，機構希望通過更智能的算法和模型，降低單純人力的運營成本。目前像失聯修復、語音自動外呼、催收機器人等技術都已經有了正式落地的案例，隨著這些AI系統的進一步成熟，整個催收行業也會更加合規和可控。