玩转大厂金融风控体系建设

首先，给大家介绍一下互联网金融信贷风控平台，金融信贷风控平台是融合征信、工商、司法、舆情、运营商等丰富外部信息及银行内部数据，综合利用人工智能、大数据、知识图谱等技术，针对贷前、贷中、贷后全流程建立风险防控体系，实现风控策略智能化的一站式平台。

1.早期信贷风控是怎么做的

当信贷行业早期，金融公司it水平较弱时，信贷风控重度依赖风控专员的业务经验。大家可以想象一个画面：一个西装革履的信贷专员，他跟来贷款的这个人面对面的坐在那里聊天，审核他的资料，一页一页的翻，然后通过资料和客户面聊，凭借他自己多年的一个风控经验。就准确的识别出对面的人是一个什么样的人，他是不是恶意欺诈的，未来会不会还钱，会不会来把钱带走了之后人间蒸发？但是大家要清楚，客户提供的资料和客户反馈的信息都可以造假，如果贷款的人，他提前准备好一些虚假的信息，打扮的很精致，同时表现出自己非凡的经济实力，也可能将风控专员骗过去，从而造成公司的资金损失。

这样的风控体系存在一系列的问题：

• 人工审核

如果一个公司的信贷风控依赖人工的审核，对信贷风控专员的经验和判断是一种考验。一个公司的经营也重度依赖业务的风控经验。同时，人工审核存在一个效率的问题，在面对信贷业务量较大的时候，无法实现信贷风控的大批量处理，间接制约了公司的业务发展。

• 不适宜现在互联网金融时代

在移动互联网时代，这种信贷模式无法满足快速、大规模的风险控制需求，急需一种更加高效和智能的风控方式来取而代之。

2.金融信贷风控体系建设

现在的金融信贷风控可以划分为以下四个部分：营销、贷前、贷中、贷后。依托风控及大数据等相关技术，金融机构可以对客户进行及时有效的身份识别、欺诈识别、信息用风险判断，同时实现端到端的自动化决策。

营销环节

很多同学可能会认为营销和风控是完全独立的两个内容，营销负责吸引客户，风控复杂筛选客户。但是实际营销环节中会渗透风控的部份工作进来，总结一句话就是，在营销环节的风控主要是实现筛选出好的客户。营销环节的风控主要包括客户意向评估、客群细分和客群分层。营销环节的风控是风控的第一关，粗筛掉一部分不符合公司业务期望的客户，过滤掉一些高风险客户，对一些高响应的客户进行营销。

对于存量老客户，通过对客户的基本信息，多头借贷信息，以及客户历史借款，授信以及行为类信息对客户当前信用及贷款需求进行综合分析，判定客户是否为符合公司期望的目标用户，再决定是否通过营销手段进行促活。

对于新客户，可以对客户的浏览行为数据，客户在平台的基本信息，第三方数据以及外部高价值客户清单等数据，判定是否需要对客户进行拉新。

贷前环节

贷前风控是金融机构在客户申请贷款和实际放款之间，对申请人进行风险评估的关键环节。它就像一道安全闸门，严密地把控着资金的安全流向，有效降低金融风险，保障金融机构的稳健运营。

贷前风控的核心是利用数据和技术的力量，对借款人的风险进行预判。 通过收集海量的用户数据，运用机器学习模型，预测客户的违约概率，自动评估申请人的身份真实性、信用等级和风险等级，并据此制定合理的信用额度和定价策略。

贷前环节主要包括身份验证、反欺诈、信用评估、额度和定价评估。

贷前环节主要包括以下几个关键步骤：

1.身份验证

身份验证是贷前风控的第一道防线，确保借款人身份真实可靠，防止冒用他人身份进行贷款申请。常用的身份验证方法包括：

• 身份信息核验： 利用公安部提供的身份信息核验接口，验证申请人身份信息的真实性。

• 人脸识别： 通过人脸识别技术，将申请人照片与身份证照片进行比对，确认身份真实性。

• 活体检测： 通过眨眼、摇头等动作识别，判断申请人是否为真人，防止照片或视频冒充。

2.反欺诈

反欺诈则是要识别和防范欺诈行为，保护金融机构免受恶意攻击。常用的反欺诈方法包括：

• 规则引擎：根据历史数据和专家经验，设定一系列规则，自动识别异常申请。例如，同一IP地址短时间内多次申请贷款，或申请人电话号码关联多个贷款申请等。

• 机器学习模型：利用机器学习模型，分析历史欺诈数据，识别潜在的欺诈行为。

• 行为分析：分析申请人的行为轨迹，例如申请时间、申请频率、设备信息等，识别异常行为。

3.信用评估

信用评估是贷前风控的核心环节，评估申请人的信用状况，判断其偿还能力和违约风险。常用的信用评估方法包括：

• 征信数据分析：利用征信机构提供的数据，例如个人信用报告，评估申请人的还款历史、逾期情况等。

• 外部数据分析：利用第三方数据，例如电商平台数据、社交平台数据等，评估申请人的消费习惯、行为偏好等，补充征信数据的不足。

• 机器学习模型：利用机器学习模型，分析历史借款数据，预测申请人的违约概率。

4.额度和定价评估

根据申请人的身份验证、反欺诈和信用评估结果，金融机构会根据其风险等级，制定相应的信用额度和贷款利率。

• 信用额度：根据申请人的信用等级和风险等级，确定可借款的最高额度。

• 贷款利率：根据申请人的风险等级，确定相应的贷款利率，风险等级越高，贷款利率也越高。
  

贷前风控对于金融机构的稳健发展至关重要。 通过不断完善风控体系，利用先进的技术手段，金融机构可以有效降低风险，提高业务效率，促进金融行业的健康发展。

贷中环节

贷中风控是指在客户成功获得贷款到最终还清贷款的阶段，对借款人的行为进行持续监控和管理，以最大程度降低风险，保障金融机构的资金安全。相较于贷前风控，贷中风控更强调动态管理，通过对借款人行为的实时监测和调整，及时预警风险，避免损失。

贷中风控主要包括以下几个方面：

1. 额度和定价调整

根据借款人还款情况和信用变化，金融机构可以动态调整借款人的信用额度和贷款利率，以更精准地控制风险。

• 额度调整：对于还款记录良好、信用状况良好的客户，可以适度提高其信用额度，给予更多资金支持。反之，对于还款记录不良、信用状况恶化的客户，则需要降低其信用额度，甚至进行停贷处理。

• 定价调整：根据客户的还款情况和信用变化，调整贷款利率。对于还款记录良好、信用状况良好的客户，可以适当降低利率，提高客户满意度。对于还款记录不良、信用状况恶化的客户，则需要提高利率，以降低风险。

2. 交易风险和反欺诈

贷中阶段，借款人的行为更加复杂，需要防范各种交易风险和欺诈行为。

• 交易风险：例如，借款人进行大额消费、频繁转账、资金流向异常等，都需要进行监控和管理，防止借款人恶意套现或进行违法活动。

• 反欺诈：例如，借款人使用盗刷的信用卡进行还款、使用虚假资料进行贷款申请等，需要利用反欺诈技术进行识别和防范。

3. 贷中风险预警

贷中风险预警是指利用数据分析和机器学习模型，对借款人未来可能出现的风险进行提前预警，以便金融机构及时采取措施，降低损失。

• 行为分析：分析借款人的还款记录、消费记录、交易记录等，识别其行为模式，预警潜在的逾期风险。

• 模型预测：利用机器学习模型，根据借款人的信用状况、经济状况等因素，预测其违约概率，并进行风险预警。

• 预警机制：建立有效的预警机制，及时通知相关部门进行处理，例如人工干预、停贷处理、催收等。

贷中风控是金融机构保障资金安全的重要环节。 通过对借款人的行为进行持续监控和管理，金融机构可以有效地控制风险，提高资金使用效率，并为客户提供更加安全、便捷的金融服务。

贷后环节

贷后风控是指借款客户出现逾期后，从催收、管理到最终回款的完整阶段。这一环节对于金融机构来说至关重要，因为一旦客户逾期，如何高效地追回欠款，将直接影响到机构的资金安全和利润率。

贷后风控的核心目标是最大程度挽回损失，并尽可能地减少坏账率。 这需要金融机构对逾期客户进行精准的风险评估，并制定合理的催收策略，有效地提高客户还款意愿和还款率。

贷后风控主要包括以下几个方面：

1. 还款预估

还款预估是指对逾期客户的还款能力和还款意愿进行评估，预测其未来还款的可能性。这需要结合客户的个人情况、逾期原因、经济状况、还款历史等多方面因素进行分析。

• 客户情况分析： 了解客户的职业、收入、家庭情况等，判断其还款能力。

• 逾期原因分析： 分析客户逾期的原因，判断其还款意愿。例如，是由于资金周转困难，还是因为恶意拖欠。

• 历史数据分析： 分析客户的还款历史，观察其还款规律，预测其未来还款行为。

• 模型预测： 利用机器学习模型，根据客户的各种数据，预测其未来还款的概率。

2. 失联预估

失联预估是指对逾期客户的失联风险进行评估，预测其未来失联的可能性。这需要结合客户的联系方式、社交行为、地理位置等因素进行分析。

• 联系方式分析： 分析客户的电话号码、地址、社交账号等，判断其失联风险。

• 行为分析： 分析客户的电话接听率、信息回复率、社交活跃度等，判断其失联的可能性。

• 地理位置分析： 分析客户的活动轨迹，判断其是否已经搬迁或隐瞒行踪。

• 模型预测： 利用机器学习模型，根据客户的各种数据，预测其未来失联的概率。

贷后风控需要根据不同的客户情况，制定不同的催收策略。 例如：

• 对还款能力强、但还款意愿低的客户，可以采取电话、短信、上门拜访等催收措施。

• 对还款能力弱、但还款意愿强的客户，可以采取分期还款、延期还款等措施。

• 对恶意拖欠的客户，可以采取法律手段进行追偿。

贷后风控是金融机构风险管理的重要组成部分，也是保证资金安全的重要环节。 通过不断优化贷后管理体系，提升风险评估和催收策略的精准度，金融机构可以有效地降低坏账率，提高资金回笼效率，最终实现可持续发展。

涤生大数据往期精彩推荐