互联网贷款背景介绍

随着大数据技术、人工智能、云计算的快速发展，使得贷款线上化、自动化的趋势不断加强。商业银行纷纷布局互联网贷款，以求在激烈的竞争中谋求一席之地。

互联网贷款以其手续简便、审批快、提还款灵活方便等特点深受广大消费者的青睐，已经逐步取代了传统线下纸质申请、人工审批的个人贷款。但相比传统线下贷款，其对系统性能、风控技术、营销、售后的要求也相对较高。尤其在风控方面，由于互联网贷款的客群不再受限于传统的网点，增量客户的比率远高于传统贷款，加上因为无法面签，对客户信息的掌握相对有限。此外，传统风控主要采用专家经验进行审批/贷后等工作，由于风控人员经验的差异而出现不一致，且主观因素较多，难以客观化/量化。因此，传统的风控模式难以满足互联网贷款的需要。而解决问题的方案就是应用大数据风控技术，开发以数据驱动为核心的风控模型。

大数据风控技术对商业银行风控和科技能力等都有较高的要求，而地方性商业银行由于普遍面临着大数据风控人才短缺、科技资源紧张等问题，难以在短期内搭建健全的大数据风控体系。因此大量银行采用了借助外力，即和互联网金融公司开展合作贷款（包括联合贷款和助贷）的方式来开展互联网贷款业务，这种方式对银行科技和风控的初始投入的要求相对较低，便于快速抢占市场，创造利润。但随着我国经济形势的变化、市场竞争的日趋激烈和监管机构对银行核心风控不得外包的要求，开展互联网自营贷款才是商业银行寻求大零售转型、提高自身品牌价值和竞争力的最佳途径。

虽然很多银行已经开展了互联网自营贷款业务，但由于风控技术的限制，客群主要仍集中在本行存量客户（代发、房贷、信用卡）及优质单位客户（公积金、社保）等客群，由于此类客群是所有银行争抢的对象，且普遍对利率比较敏感，地方性商业银行在定价、服务水平上并没有明显的优势，因此很难将贷款规模最大，带来的收益也不高（利率一般在12%以内，甚至更低）。而只有进一步提高风控水平，探索以上客群以外的新客户，进行适当的业务下沉（利率在12-18%之间）和差异化竞争，才能做大规模、提高收益。

利用大数据风控技术开展互联网贷款业务

1.反欺诈。此环节包括设备/身份反欺诈、黑名单筛查、多头借贷验证、团伙欺诈侦测等。涉及的数据包括：设备指纹数据、政府数据（含征信数据）、第三方数据（含运营商数据）、客户申请信息。反欺诈策略可以采用规则类策略（目前大部分银行和互联网公司采用），如要提高效果，需要采用机器学习算法。如采用后者，需要采购支持机器学习模型部署的决策引擎。

2.信用风险评级。即通常说的信用评分卡模型，其入模的变量来自客户资料、征信及第三方数据。评分模型一般至少需要2年的历史数据进行建模。因此自营贷款的信用风险评级模型一般采用的是冷启动或者温启动模型。前者是借鉴外部科技公司或咨询机构提供的模型（如果没有复杂模型，可以直接采用外部的信用分，比如人行评分等），后者是在行内寻找客群比较接近的产品的历史数据进行建模。由于冷启动和温启动的模型因为客群不一致的原因可能区分度不是太高，因此在模型上线早期，一般不建议利用信用评级模型直接拒绝过多的客户，防止误杀。应和风控规则组合使用，制定差异性审批策略。

3.风控规则。一般来说， 无法直接进入评分卡的数据变量，以及专家经验，将会成为风控规则。根据数据来源的不同，风控规则有产品政策类规则、征信规则、第三方数据规则、行内数据规则等。

风控规则是大数据风控技术中最常见，使用最频繁的方法。不过由于任何单条规则都无法很好地区分好坏客户，因而需要和其他风控规则、信用评级等组合使用，才能达到比较好地效果。

4.应用策略。（1）审批策略：基于信用评级模型和风控规则计算结果，设置客户准入的门槛。（2）定价策略：可基于信用评级模型和客群的特点进行综合决定。不建议直接采用财务上的成本法进行定价，但可以作为参考。主要应该从客户的风险等级（信用风险评级结果），客群（客户可能给银行带来的价值）等因素综合决定。（3）额度策略：可基于客户收入负债模型（数据来源：征信、社保、公积金、单位职务、地域收入水平、学历等），并参考信用评级、客群等信息做适当调整，最终决定给与客户的额度。

5.贷后预警。贷后预警模型由行为评分卡（B卡）和贷后预警规则组成。行为评分卡数据主要来自行内数据（客户支还款行为，客户的在行内其他活动），也可采用部分征信及外部数据来弥补行内数据的不足。可以根据贷后评级结果来决定贷后检查的频率（比如查征信等）。

预警规则包括行为规则（行内数据）、征信规则、司法规则、工商规则（企业）、黑名单规则（探测新增黑名单等情况）等。其中征信等规则是定期查询，其他规则是实时查询。

6.催收模型。催收模型同样需要催收历史数据，地方性银行往往没有足够的数据积累。因而建议早期可以考虑引进外部专家模型作为冷启动。

7.模型监控。风控模型上线后，需要配套开发模型表现、业务表现的一系列报表。模型表现报表由专业风控人员进行监控即可，而业务表现报表需要推送给业务人员。报表的开发最好是能支持拖拉拽模式，方便业务或风控人员从多维度获取业务/风控数据。

8.模型更新。风控部门需要制定模型更新的机制。根据模型表现情况，启动模型更新工作。模型需要更新的情况包括：达到模型设定的寿命、模型区分能力出现显著下降、客群发生重大变化等情况。

由于互联网贷款风控模型和应用策略需要持续的监控、快速的迭代，所以互联网贷款需要建立一套灵活、功能全面并独立于传统信贷系统的网贷系统架构。该套架构必须支持快速开发，并赋予风控和策略人员灵活度较大的风控模型及策略的部署和更新。除系统外，必须有一个包含尽可能多变量(包含衍生变量)的数据集市，其中一些变量即便未能入模使用，但其效果仍然可被监测和追踪。如果经费充足，可考虑建设建模平台和支持机器学习和模型自动迭代的决策引擎。

补充与总结

1.对于合作贷款，要求合作方提供更多的数据及数据细节。如有些数据如果无法获得底层数据，可以通过联合建模的方式，在合作方数据库部署银行定制的模型，再将生成的指标向银行输出。此外，在行内决策系统中部署独立（细节不得向合作方透露）的风控模型也是必要的。行内风控模型的数据输入不能只有合作方提供的数据，银行必须要有自己独立的数据来源，即便此举会增加数据查询成本，但带来的数据沉淀价值，对商业银行自身风控能力的提升作用不可小视。

2.征信很重要，建议合作贷款都尽可能需要查询征信。对征信报告进行全面解析并建立征信衍生变量库，为风控模型的训练提供重要的变量来源。除了人行征信外，应积极引入百行征信。

3.加强与政府部门的沟通与对接，加强政府权威数据如黑名单、学历、税务、社保、公积金、房产、工商司法数据等的对接，为风控提供新的重要的数据来源。如果当地政府有建设政务数据平台，建议商业银行加强对接。如有的数据无法直接获取，也可采取联合建模的方式将风控模型部署在政务数据平台上并输出数据指标。全面的政务数据其效果可能好于征信，尤其是对许多征信未覆盖、或者有征信但信贷记录很少的客户效果良好。

4.建立数据分析及培训实验室，大力培养大数据风控人才。好的大数据风控人才比较稀缺，而地方性商业银行由于薪资、地理位置的限制很难招募到足够的这方面的人才。可通过建立数据分析及培训实验室，定期邀请内外部讲师开展培训，并结合项目实战的方式，进行内部人才的挖潜和培养。

总之，地方性商业银行一定要寻找适合自身的互联网贷款风控模式，切记照搬大行或者互联网金融公司的模式。因为地方性商业银行无论在人员、资金投入都无法和大行和互联网公司相比。此外相比互联网金融公司，银行收到的监管更加严格，比如系统都强制性要求本地部署，难以采用先进的云计算技术。此外，数据获取方面受到的限制因素也远超互联网金融公司，许多在互金有用的风控策略在银行这里不适用。所以一定要从银行自身的业务和科技人员内部挖潜，培养即懂业务又懂技术的复合型人才。