查看原文
其他

大数据风控之“习惯数据”在信贷风控中的应用!

2017-09-10 雷宏 信贷风险管理

前言:

人民银行个人征信报告自问世十余年来,一直作为银行等金融机构了解贷款当事人信用状况的信息来源,在当前面临大数据横行,互联网遍布的情况下,人行的个人征信渐渐有些乏力,所提供信息已无法满足金融机构KYC的要求。笔者结合某消费金融科技公司内部审批用《量化风险报告》和了解的情况,认为其中“习惯数据”是值得我们学习的地方,无论是银行业务条线,还是银行内部审计条线,都有些许启示。


1《量化风险报告》结构、内容介绍


《量化风险报告》分为六大部分,分别是:个人基本信息、金融信息、交易信息、行为特征、社交关系和风险策略。


1个人基本信息



从基本信息看,除身份证上的信息外,另已获取常用手机电话和淘宝账号,这将作为随后大量信息的获取来源。


2金融信息



金融信息看,本例中没有取得相关信息,但从格式上看,可以获取个人收入、财力证明等信息。


3交易信息



从交易信息看,获取了网银消费的明细记录,和收货地址联络信息,这些将有助于后台系统对交易真实性行为和生活圈范围的判定。



4行为特征



从行为特征看,获取了手机APP的使用情况,手机流量特征的信息,这些信息看似与客户的还款能力无直接关系,但通过后台基于千万级别用户数据挖掘和参数回归,可以发现异常的信息。


5社交关系



从社交关系看,全部是与手机有关,对六个月内手机机主的主叫、被叫情况,尤其是对与金融机构的联系频率、时长等信息进行了单独列示。基于手机机主主叫、被叫信息,也可以容易划定出客户的社交圈。


6风险策略



风险策略是根据以上内容得出的量化指标和结果,其中对涉及“反欺诈”的信息也单列出来。


2《量化风险报告》与《人行征信报告》的区别


01

“习惯”与“经历”的区别


从《量化风险报告》的内容结构上看,大量信息集中在“交易”、“行为”和“社交”三个方面,而这三个方面的内容,可以统称为“习惯”,这些“交易习惯”、“行为习惯”和“社交习惯”,构成客户日常生活的绝大部分的内容。相信每个看过这份报告的读者,都可以在脑子勾画出这个客户的各种习惯情况,后台系统将这些“习惯”统一整合和提炼出来,最终实现风险量化,由系统进行最终判断。


《人行征信报告》是我们最熟悉的,笔者认为与《量化风险报告》相比,《人行征信报告》更多是从“经历”方面进行列示,包括工作经历、借款(信用卡)经历等,同时,也没有做到风险量化,最终仍需要使用者凭借“经验”进行判断。从本质上讲,《个人征信报告》是建立在经验主义的惯性思维上,即有不良污点的客户必定信用存在缺失,其再次违约的可能性更大。不能说这样的思维不对,但客户首次信用缺失的风险由谁来承担,似乎只能听天由命了。

 

因此,《量化风险报告》的“习惯”与《人行征信报告》的“经历”是两者最大的区别。


02

《量化风险报告》中体现出“反欺诈”特点


《量化风险报告》社交信息部分,有一个“生活圈”分析,其中“生活圈”地点与申请贷款地点不一致时,系统会认定存在“欺诈”嫌疑。在“风险策略”中展示的多个“一对多”的情况,也是为“反欺诈”设计的,而这些是《人行征信报告》远远不能达到和解决的。


3《量化风险报告》的信息来源


据了解,《量化风险报告》的信息来源基本全部来源于客户手机端信息。客户通过在下载该消费金融公司的APP后,在申请类似贷款的白条服务时,需在线授权APP获取个人信息,授权之后,APP就可以获取手机中有用的个人信息了。


4对我们风险控制和内部审计工作的启示


 《量化风险报告》的这家消费金融公司和我们银行内审之间,都有属于自己优势,而且都是使用自己最擅长的方式在解决问题。这家公司优势在于运用大数据的算法参数(核心竞争力)和APP线上获取“习惯数据”的优势,银行内审的优势在于拥有海量的“金融数据”(如个人开户资料和交易流水)。双方均利用了自己的优势或者说利用掌握的数据,呈现出来的结果《量化风险报告》是基于“习惯数据”分析判断的结果,但缺少“金融数据”的证明;而银行内审部门则依靠掌握金融数据的优势,开发出大量模型以发现问题,但缺少“习惯数据”进行验证。


启示一:对非金融数据获取、开发和利用


目前,金融交易数据已经脱离银行这一中介进行操作了,银行无论是业务条线,还是内部审计条线,如果还着重于资金流,而不完善、补充和整合非金融数据、信息流数据,恐怕将真的“身在此山中”了。


一是从获取非金融数据的途径上讲,银行是没有障碍的,以招商银行为例,2016年年报显示,“招商银行手机银行”和“掌上生活”两大APP年度活跃用户均超过2500万户,只要打通部门间、条线间的数据壁垒,明确客户线上授权的合规性,数据获取方面不是大问题。


二是各银行在数据算法的技术水平上讲,笔者不甚了了,但数据除了为客户提供更好的服务场景和体验外,也更可以为风险控制在内的内部管理部门提供“对外反欺诈”、“对内反舞弊”和“风险预警”的信息。


启示二:机器学习技术(Machine Learning,ML)


《量化风险报告》只是一个展示结果,其后台实际运用了机器学习技术,机器学习技术在今年5月阿尔法狗战胜围棋世界冠军柯洁的过程中,名噪一时,家喻户晓。理论上,个人、企业任何交易、非交易的行为都可以成为数据,任意两个数据都能画出一条线性关系,当客户偏离这条线很远的情况下,就是异常,这就是线性回归,而这个回归不是由人而是由机器来做,这就是机器学习,机器通过不断寻找参数,不断的自我修正,用以验证所有的被审计对象。


最后需要说明的是,该消费金融公司的目标客群与银行目标客群并不相同,盈利模式和风险容忍程度也不相同,所以两者在关注点上会存在一些差异。本文是向大家展示目前社会上征信或KYC方面以及其后台系统运行的规律和特点,希望能有所启发。

 

逆水行舟,不进则退。


作者简介:招商银行总行审计部 雷宏(CIA 高级审计师)微信号:deepblue_1977


相关文章推荐

  大数据时代下的小微企业信用评级

  大数据如何帮助银行评估借贷信用!

☑  应用大数据为风险管理服务!

☑  如何审查保证合同,附12个风险点及典型案例!

☑  审查法定代表人一定要注意这2点!(附6种可施加强制措施)


互动

看完了这篇文章感觉怎么样?觉得不错可以转发到朋友圈哟!

如果你觉得还有好的办法,欢迎在留言区给我们留言!


一个专注信贷风险管理的公众号

ID:xdfxgl01

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存