欺诈、信用哪个才是风控重点？

编者按：消费金融崛起，羊毛党尾随而至，消费金融风控的重点是什么？应从哪些维度考量，科学的风控模型又该如何建立？本篇文章主要讲述消费金融中现金贷关于反欺诈环节的风控问题。

“薅羊毛”在消费金融行业屡见不鲜，部分羊毛党最高月收入高达数万元。

不过羊毛党的收入越高，意味着企业的损失越大，而羊毛党群体的壮大和金融企业风控的加强就像是矛和盾，当长矛数量加强时，应该加强盾的数量还是加强盾的厚度呢？换言之，风控体系搭建的重大，是反欺诈还是信用评估呢？

消费金融主要分为场景分期和现金贷两部分，而现金贷是羊毛党最钟爱的。天创信用高级副总裁前Capital One风控专家陈黎明在66号学苑分享了如何打造消费金融中现金贷关于反欺诈的风控体系。

欺诈风险——现金贷的风控重点

欺诈风险即恶意骗贷的风险，是操作风险的一种，是制度不完善和内控不充分导致的风险，欺诈风险在国内是尤其突出，对于pay day loan而言，75%以上的风险来自欺诈风险，形式有多重，身份伪冒、中介黑产、内外勾结、套现等。

欺诈主体：

第一方欺诈：欺诈的主体是申请的本人。

第二方欺诈：欺诈主体是申请人的亲戚朋友。

第三方欺诈：欺诈主体盗用别人的身份信息进行欺诈。

欺诈主体的不同，防范风险的形式也不同。

风控重点：

客源

现金贷单个借款金额一般是500~2000元，客户是从哪里来的？客户的身份是不是经过了身份验证，比如京东、微信、百度。

京东是有人真实的地址，微信如果绑定钱包的话是有身份验证信息，但百度是没有办法验证身份的，这里面京东是最容易防范欺诈风险，百度是最难防御。

获客过程中要注意自己的获客渠道、合作平台，客户在平台上是不是有强身份验证的关系。

资金用途

消费金融领域最常见的场景分期和现金贷，场景分期一般是知道钱用在什么地方的。

比如说航旅分期，贷款必须用来买机票，资金用途清晰，退票的时候款项会直接退给资金方，欺诈的风险相当低。而有场景分期也有风险比如医美分期常常涉及涉及到线下欺诈。一些中介和美容店串通 ，钱贷出来，美容没有做，渠道控制不好，欺诈风险就会高。

相对于场景分期来说，现金贷的欺诈风险比较高。

风控的数据

欺诈风险大不大，也要看风控数据全不全。

微信覆盖9亿多人，有大量客户数据沉淀，他知道我们的社交群体，在哪里消费付款等，欺诈风险较低，再比如要是大额现金贷可以调出央行征信，欺诈风险也可以大大降低。

其他

一般来说息费高的产品针对的是信用差的人群，所以在风控上对信用要求不高，容易导致欺诈客户钻空子。

需要注意的是线上和线下的欺诈风险完全不一样，线下需要考虑从业者、中介的道德风险等等。

知道企业自身防控重点之后，该如何进行风险管理呢？

如何管理风险

风险管理必须从数据&IT，模型&业务，管理机制等方面防范 。

数据层

通过数据挖掘实现风控，一些平台的优势就脱颖而出。

比如一些支付平台，它们沉淀的数据量相当惊人的。另外，银行存量零售客户，积累了很多的数据，因为风险可控，银行的现金贷息费很低，吸进优质客户。

在数据方面，不得不提人行征信。人行征信可以区分信用风险，并在一定程度上起到反欺诈功能和协助催收。大额现金贷中人行征信广泛使用，而在小额现金贷比如Payday loan没有使用人行征信有几个原因：

①Payday loan主要是信用最差的人群，很多人可能是征信的白户。

②做Payday loan的公司大部分没有资质调用人行征信，而且，payday loan额度小，数据成本占比大，需要对成本控制。

没有上述数据优势，只好依赖外部的数据源。

比如说民间征信公司提供的黑名单、多头借贷数据、爬虫爬取的运营商数据、公积金＆社保、通过技术捕捉到的设备指纹等等。通过上面的数据采集去构建反欺诈和信用模型 。

最后，对于数据层，如果产品不同、客群不同，那么你需要的数据源也不同。大额现金贷和小额现金贷针对的客群是不一样的，它的息费不一样，所以它需要的数据源也是不一样。

系统层

比如说业务系统，市面上的业务系统在系统开发时各部分是强耦合的，变量是写死在里面的，如果后期修改风控规则和更新模型，时长超过2个星期，可以通过引入决策引擎来解决。

另外，为了方便数据分析，还可以建立数仓。

分析/模型层

有了数据和数据管理系统，可以开始分析和建模。

分析的重点是围绕业务中的关键点来开展，比如风险和盈利，可以采用VINTAGE分析方法。 VINTAGE分析就是根据客户的借贷日期或者月份分群去区分，这个道理很简单，但国内很多企业不是这么做的，比如逾期率，因为没有使用VINTAGE分析很多企业逾期率的计算是不正确的，比如业务冲量的时候，逾期率自然就低，业务减量的时候逾期率就高，这是不科学的。

分析的目的是应用的业务上，是为了解决业务的问题。

建模有好多方法，传统的逻辑回归和现在流行的机器学习，比如GBDT，XG Boost 等，一般来说界定模型的好坏 有两个方面，一个是区分能力，好的、坏的分得有多清楚，另外一个是稳定性。

业务层

分析和模型完毕后，要将结果转化成业务策略。

比如通过外部数据和欺诈的关联分析建立反欺诈规则，比如利用收入负债比制定额度。

在业务初期时，经常根据经验设计规则，但这些规则到底是否有效，需要在未来的业务中不断测试。

管理层

最后是管理制度和岗位职责等的建立。

比如风险部门和业务部门的合作关系，业务使劲往前冲，风险则拖后腿，如何平衡两个部门关系。另外，为了防止内外勾结和欺诈，风控策略必须做到保密，建立保密机制。

标签：