互聯網消費金融時代，如何科學合理地利用大數據進行風險控制，建立基于大數據的互聯網金融整體解決方案?

　　一、 消費金融現狀

　　我國消費結構正在從吃、穿等生存型消費向教育、旅游等發(fā)展型和品質型消費過渡，消費升級使得消費金融迎來爆發(fā)時刻?；ヂ摼W消費金融能夠通過“消費金融化、金融生活化”，實現金融資源跨期、錯期配置，還可為消費尤其是電子商務提供良好的金融服務環(huán)境。風控對于金融來說永遠是核心，無論是傳統(tǒng)金融還是互聯網消費金融。所謂風控，無外乎就是在一大堆看似正常的用戶中將一小撮“壞人”揪出來，因此這當中就會有“求真去偽”的問題。而談到風控，就一定要講數據，因為巧婦難為無米之炊。因此本文想和大家一塊來談談數據與風控的那些事兒，畢竟這是一件痛苦并快樂的事情。

　　傳統(tǒng)金融的風險控制，主要是基于央行的征信數據及銀行體系內的生態(tài)數據依靠人工審核完成。而央行征信系統(tǒng)里真正有信貸記錄的自然人數僅有3.7億人(2015年數據)，因此對于其他人就需要靠其他數據來進行信貸風險的判斷?；ヂ摼W的發(fā)展和大數據的崛起，有效地將征信數據范圍做了很大的延伸，使得我們可以利用更多的非金融機構數據進行風險控制，這些數據可以更加全面地預測小額貸款的風險，這也是現如今大數據征信市場一片火熱的主要原因之一。

　　二、 征信數據的構成

　　互聯網消費金融征信數據來源可以分為如下三部分：場景內數據、平臺自身數據和外部征信數據。申請貸款時，用戶需要提供部分申請信息，如工作信息、學歷信息、收入信息等，除此之外合作的平臺或場景方也可提供部分信息，如貸款申請時的行為信息等，這些數據我們稱之為場景內數據。

　　如果貸款平臺較大較成熟，且有足夠的數據積累，風控對外部征信數據的依賴就較小。但實際情況是，互金平臺都比較小，場景內數據又有造假嫌疑以及出于用戶體驗的考慮，不會有太多，因此會較多依賴外部征信數據，這也是現在第三方征信數據市場火爆的原因。

　　三、大數據風控

　　談到如何更好的利用外部數據?很多人浮現在腦海里的肯定是大數據風控或大數據風控模型。而提到大數據風控(模型)，很多人會想到AI、機器學習、數據挖掘，甚至會把Deep Learning(深度學習)也搬出來。大家潛意識都認為，大數據風控如果不提應用了DBDT、xgboost、神經網絡等復雜模型，則默認這風控做得很low。個人感覺，“大數據風控“這個詞現在有點被神化了。從實際風控業(yè)務來講，當前還無法直接將AI或很復雜的數據挖掘算法直接應用到風控業(yè)務中來。受制于數據、正負樣本、征信成本、產品體驗等各方面原因，很復雜的模型或AI往往在實際業(yè)務中不能有效地跑起來。當然并不是否認AI或機器學習等在大數據風控中的應用價值，我相信未來AI、機器學習等將在大數據風控中發(fā)揮至關重要的作用。

　　在這方面，我想和大家分享下我們在大數據風控上的一些小小心得。我們沒有一味地去追求建立或運用復雜的模型，但是我們的風控策略或風控模型卻又一直灌注著機器學習和AI的思想。舉例來說，黑名單數據深得各家互金公司的寵愛，幾乎是來者不拒。但因數據污染等問題的存在，市面上各家黑名單的質量參差不齊，而且整體質量有不斷下降的趨勢。因此如果還遵循命中黑名單就拒絕這種強規(guī)則邏輯肯定不適合，且會將很多本質上優(yōu)質的客戶拒之門外。

　　在這里我們可以借助Adaboost算法思想更好地挖掘黑名單的價值，集眾家之所長。

　　圖1：Adaboost算法結構

　　借助這個算法原理，可以把每家黑名單當成一個弱分類器，隨著接入外部黑名單數據源的不斷增加，根據各家黑名單的表現賦予一定的權重，終構成一個強的分類器。并根據不同的場景設置不同的閾值去判定某個用戶是否準入。

　　四、消費金融風控體系

　　聊完了征信數據的構成和數據的使用，那互聯網消費金融的風險來源主要有哪些，如何防范這些風險呢?

　　互聯網消費金融因其虛擬性，主要風險集中在兩方面，一是欺詐風險，一是信用風險。

　　圖2：風控流程示意圖

　　針對互聯網消費金融風險主要表現在欺詐風險和信用風險，因此核心的風險評估流程就是反欺詐和信用評估。對于反欺詐來說，信息核實、高危人群攔截和批量識別是其核心風控手段。而對于信用風險的評估，說到底還是對其收入進行認定，也就是衡量其償還能力。

　　互聯網消費金融風控在流程上與傳統(tǒng)風控一樣，可分為貸前、貸中、貸后，但又有差異，因為業(yè)務的特點就是線上實時審批，也稱之為“秒批”;貸前我們主要關注的是準入和授信兩個環(huán)節(jié)，通俗地說就是貸前實時反欺詐和實時信用評估;貸中主要關注的是貸中異常的監(jiān)控和貸中運營，比如好的客戶我們要不斷的進行調額;貸后主要關注的是催收，因為催收做得好，很多信用風險問題都可以解決。

　　五、 總結

　　大數據風控聽起來非常高大上，但在實際工作中也經常會遇到一味炒作概念的人，過分夸大其中機器學習和AI所能起到的作用，或者盲目追求高深復雜的算法。科學合理地利用好大數據，發(fā)掘大數據的價值，可以有效地幫我們控制金融風險。

　　FRM金融風險管理師(FinancialRiskManager，FRM)就是針對金融風險管理領域的一種資格認證稱號，號稱是“公信力的證書”，該認證確定了專業(yè)風險管理人員應掌握的風險管理分析和決策的必要知識體系，由美國“全球風險協會”GARP組織考試并頒發(fā)證書。每年11月在全球100多個的城市舉行，全球考試通過率為50%左右。GARP是一個擁有來自超過130個3萬多名會員的金融協會組織，主要由風險管理方面的專業(yè)人員、從業(yè)者和研究者組成。

　　金融機構風控人員，金融單位稽核、資產管理者、基金經理人、金融交易員(經紀人)、投資銀行業(yè)者、商業(yè)銀行、風險科技業(yè)者、風險顧問業(yè)者、企業(yè)財會與稽核部門、CFO 、 MIS 、 CIO ，其中大部分為服務于大型企業(yè)與金融業(yè)工作者為主。特別是越來越多的金融機構在招聘風險管理的相關職位時，將具有FRM資格者列入了優(yōu)先考慮的行列。

FRM更多問題點我咨詢>>>

相關推薦：FRM是什么意思 frm官網 FRM是什么考試 FRM是什么

▎來源金程FRM，更多內容請關注微信號金程FRM。原創(chuàng)文章，歡迎分享，若需引用或轉載請保留此處信息。