互金信貸風控體系詳解

互聯網金融浩浩蕩蕩不過十載，時間上看雖然不長，但從影響上規模上不可不謂之鉅變。這一點從名字上就可以看出來，廣為人知的是互聯網金融，而不是曾經許多專家學家們激烈爭論的金融互聯網。傳統金融互聯網化實在不足以形容這場震動中國金融體系的鉅變。互聯網金融當然不止於信貸，還包括銀證保基信，及其他全新業態，是名副其實的“金融業的攪局者”。

但不管如何，互聯網金融和金融互聯網最初的爭論，是圍繞信貸而產生的。我們聚焦信貸這個話題。信貸的風控體系是如何順應時代變化而發展的呢？我們今天討論，風控有哪幾種常見的模型策略體系，以及他們的二階問題：為什麼是這樣的體系？

01

2013年橫空出世的“餘額寶”，讓貨幣基金這棵老樹開花，引爆了整個市場，否則互聯網金融還只會是IT圈裏一個並不算熱鬧的子話題。這就是業界普遍將2013年定義為互聯網金融元年的原因。

2014年，第一款互聯網消費金融產品“白條”成立，首家互聯網銀行“微眾銀行”經監管機構批准開業。

這時候互金信貸業務尚在發軔之始，風控能怎麼做呢？新模式下的用户沒有，傳統銀行信貸動輒一年甚至幾年的表現期沒有，標準數據產品更是沒有，別説大數據模型了，統計學模型也無能為力。此時的授信只能去找優質人羣，例如信用卡客羣，例如電商某些高級品類的交易客羣等等。

這個時候的風控可以説成是基於客羣的風控，或者是基於白名單的風控。也由此產生了基於人羣的互聯網消費金融，包括大學生分期、藍領/白領分期、農户分期等，然後又產生了基於場景的互聯網消費金融，如租房分期、家裝分期、旅遊分期、教育分期、醫美分期等。

而後，伴隨着P2P、網貸等互金業務的快速發展，消費金融市場主體進一步豐富。與此同時，移動互聯網的全面發展導致了數據信息的激增，在某種程度上，數據已經成為了和石油一樣重要的戰略資源。在大數據這個冉冉上升的風口上，一大批數據公司成立。算力和大數據的發展引發了機器學習狂潮，風控水平有了大大提升。

17、18年的野蠻期，很多人有點資金夠膽識就敢去放貸，接入幾家三方數據源，設幾個常用規則，做一個授信模型，找幾個人做催收，就可以把流水做起來了。

這時候風控成套的技術都已經相當成熟化。三方數據覆蓋多個維度，例如徵信、銀聯、運營商、公安、司法、工商、税務，還有多頭，等等。抽什麼樣本、定什麼標籤、接入什麼數據、用什麼算法、做什麼通過率，做一個和產品配套的模型策略不是什麼難事，真正重要的是產品本身，也就是額度、定價、期數、還款方式等。

再往後，一系列監管政策相繼出台，行業從高速發展走向了規範整治的新路程。風雨過後，如何在健康的競爭環境和發展空間下行穩致遠成了新的命題，行業進入了並將持續處於精細化運營時代。

這時候風控如何做細、如何服務好業務形態下的需要，又是新的命題。

互聯網時代的變化，用產品的變化來表徵似乎更生動形象。

App時代產品經理的工作可能是畫原型就夠了，把交互做到極致就很厲害；再往後是策略優化、功能演進，ToC業務的產品經理從工作內容上看都是策略產品經理，也要會數據了；那現在和以後呢，悄然變成了負責業務形態和組織關係下的方案梳理了。

風控也是一樣，從跑馬圈地時代，到策略優化、模型迭代，現在已經半隻腳踏入了業務形態下的解決方案。這不，最近騰訊的財報一出，ToB業務（金融科技與企業服務板塊）已經超過了遊戲板塊收入，大家才發現騰訊已經成為了一家ToB的數據技術服務公司了。

説了這麼多，終於把背景講得差不多了。行業在變，風控體系也在變。

這不同的階段、不同的平台、不同的業務場景，風控裏面的模型和策略又是如何去做的呢？

02

過去幾年，信貸行業新的從業者，或者稱之攪局者，何其之多，新上線的信貸產品何其之多，背後的風控玩法也何其之多，無一而足。

但總結起來，常見的靠譜的模型策略體系只有三種。

第一種以規則為主、模型為輔。大多出現在展業初期，樣本較少，數據也較少，風控主要依託於專家經驗，沒場景的現金貸和有場景的消費貸都是如此。

展業初期，或者説冷啓動階段，樣本需要逐漸積累，風險需要較長的時間才能暴露，授信必須嚴入。在知道風險結果之前，嚴入還是寬入的標準就是通過率，所以一般初期通過率都較低。

通過率用什麼來卡？也許你有場景，場景數據卡一道當然可以，但不夠。風險滯後，你終究要去接入一些三方數據。基於這些數據，基於你的場景，基於你的產品定位，制定對應的政策和規則。

然後隨着還款日的到來，一批一批用户開始表現，新户的數據在經分上一定是要虧錢的，你會想要去優化。你知道風險跟你的產品、跟你配套的運營，都息息相關，你會認為標準產品不夠用，你要自己建模。

樣本有限，數據接入太多沒有意義，這個時候的模型談不上大數據模型，只能是小數據模型。如果你的產品不發生大的變化，模型開發沒有任何差錯，這個模型可能能帶來一些增益。隨着業務規模的增加，模型得以頻繁地被刷新和調優。

但不管如何，這個時候，整個風控體系是規則為主、模型為輔的。白名單也好，黑名單也好，年齡地域限制也好，多頭也好，公安司法信息也好，標準產品評分也好，你的風控是建立在行業通用的專家規則之上的，模型只是輔助。説白了，你的安全感來自各種規則。

這類體系不僅僅是出現在展業初期，很多平台長期處於甚至至死都屬於這個階段。它的代表場景是發薪日貸款，及由其衍生發展來的系列網貸，風險較高，通過高定價短週期來彌補資損。

03

第二種以模型為主、策略為輔。在樣本相對豐富後，模型的重要性會逐漸升高，尤其是行業內卷，客羣質量越來越下沉之後，精準識別成為必須。

在原有的專家經驗系列規則外，一些可變規則不斷地被調整，在這些規則之後，如何依據模型作更精細化決策呢？

一種做法是把模型效果做的儘可能好，然後所有人通過這個模型進一步篩選。為了效果足夠好，模型複雜度就會變高，缺陷就是你説不出來為什麼這個人被通過、那個人被拒絕。不管解釋性工具再怎麼做事後工作，這個缺陷本質上彌補不了。

另一種法是把模型做的效果足夠好且可解釋性足夠強，為了追求可解釋性，可以將數據也就是特徵分類，基於每一類特徵構建對應的模型，例如逾期模型，例如多頭模型，例如交易模型，等等。同一維度的特徵組合，保留了一定程度的該維度可解釋。串行的過每個模型，得以判定這個用户逾期上表現不行，或者多頭很嚴重，或者銀聯交易評分有風險。

在這類風控體系中，你的安全感來自模型。只要模型AUC、KS保持高位，不管每天放款流水多少，你都會比較安心。

這類體系中，模型重要性很高，策略依靠模型做差異化。一個模型為主的風控團隊往往最終會走向這種做法，很多銀行也會走向這種做法。因為真正的策略人才是很稀缺的。

04

第三種以策略為主、模型為輔。注意和第一種的區別，第一種説的是規則為主，這裏説的是策略為主。規則為主的規則，是簡單的，是通用的，是經驗的，是串行不交叉的。

這個階段，樣本非常豐富，場景內不斷挖掘用户數據，接入各種有效的三方數據，大數據模型效果很好，且不斷追求更好。模型的重要性很高，就如同“工欲善其事，必先利其器”的器很重要一樣。

這時的模型充當策略的工具。模型可以不追求解釋性了，策略為主，策略保持決策的可解釋。

決策要有可解釋性，是因為未來不一定會像現在一樣，我們無法承擔極端情況的傷害。就像投資，你可以數據化出一套決策避開所有的熊市，找到所有的牛市，但例子才多少呢，你敢用在當下嗎？決策一定是儘量簡單的，它可以犯錯，但犯的錯要小，獲的利要大。

策略的精髓在於分羣，年齡是分羣，收入是分羣，多頭是分羣，模型也是分羣，是風險的分羣。無論是授信，還是貸中管理，無論是你對用户做什麼，還是希望用户做什麼，你都要區分用户。

這類體系的標誌是決策體系中有很多重要的分羣，也就是決策分支，模型用作最後的保障。模型作為策略的工具，可以需多少有多少，一個工具可以用的範圍很大，也可以用的範圍很小。

決策分支的意思是，策略對模型的應用不是一刀切的，不是所有小於600分的用户都要被拒絕的。

你的安全感來自策略，再具體一點，就是策略分羣。

在行業強監管下，非持牌機構不斷倒下，只有巨頭才能勉強活着，越來越多的風控都是這種體系。無他，精細化要求而已。

05

我們上面的討論已經涵蓋了這些體系發展的背景，不同的階段、不同的平台、不同的業務場景下，風控體系不一樣。

為什麼發展出了這樣的體系？這個二階問題，似乎答案就是數據。樣本的多少、數據維度的多少、特徵數量的多少決定了背後模型和策略的關係。

但，這不是問題的本質。我認為問題的本質在於風險回報比。

資料來源：招銀國際證券

如果你是“714”高炮那樣的玩法，搭幾條規則，讓錢出去利滾利就是最賺錢的，週期短流動性強，年化利率好幾倍甚至十幾倍，風險再高也就是一個本金，不算什麼問題。目標客户裏就沒有優質人羣，還做什麼模型精準識別。

當這種玩法不再合法，風險回報越來越低，銀行的對客定價一般在年化18%以內，消費金融公司基本在20%出頭， 若要在這個範圍內盈利，就要風險平穩可控，服務目標要鎖定優質客羣，沒有大數據模型是不行的。當然，不缺優質流量的巨頭光白名單就夠用了。

後來流量越來越貴，客户不斷被多平台滲透，做好存量就至關重要。省一份流量算一份流量，漲一點餘額算一點餘額，開始把每個用户挖掘到極致。客户分羣精細化運營成為當下的趨勢。

只是，這樣的挖掘，這樣的運營，是客户需要的嗎？

舉目向去處，多是坎坷。回首望來路，皆是坦途。

本文由@雷帥 原創發佈於人人都是產品經理。未經許可，禁止轉載。

題圖來自 Unsplash，基於CC0協議