互联网金融信贷业务的风险控制分析模型

以前的平安银行副行长赵继臣曾经说过,互联网金融发展到信贷业务,核心一定是风险控制能力。网贷公司想要盈利,就必须自己建立风险控制的分析模型,根据模型来划分不同的客群,针对不同客群的风险进行定价,用收益来覆盖风险。

最近在看《互联网信贷风险与大数据——如何开展互联网金融的实践》,书中所提到的分析模型对风控很有帮助,主要从客户准入管理、存量客户管理和逾期客户管理三个角度去划分。

一、客户准入管理

客户引入管理是金融机构控制风险的第一道门槛,对存量客户和逾期客户的管理有很大帮助。客户准入阶段需要解决两个问题,一个是引入什么样的客户,二是如何授信。

客户准入阶段的模型主要有申请风险模型、初始额度模型、申请欺诈模型。

(1)申请风险模型

申请风险模型对金融机构是最常用也是最重要的,来源于客户资质综合评价,全面评估客户的风险,引入优质客户。该模型的预测变量很大程度上依赖于客户的申请信息、信贷历史信息和无央行征信信息等。

主要从家庭、工作、资产负债、学历、信贷历史、还款历史和新信贷需求等考核。

现在互联网大数据的普及,还可以通过客户流水数据、网络交易行为、浏览行为、评价行为等进行判断,增加 客户风险评价的准确性。

通常来说,如果客户评分高,风险较低,可以直接通过;评分低,风险较高,可以直接拒绝;处于两者之间,则进行二审再做决定。

(2)初始额度模型

初始额度的授信不仅是考虑客户还款能力,更主要的是衡量客户的收益情况。客户的收益主要是来源于客户的循环利息、逾期利息、分期手续费等。

通过客户属性、逾期行为、还款行为、透支情况和额度使用情况等,在一定程度上能够反映客户的收益。

另外电商中的购买行为、分期行为、客户的网络浏览行为及点击行为,对于客户价值的判断也有帮助。

风险低、收益高的客户,初始额度授信高;风险高、收益低的客户,初始额度授信低。

(3)申请欺诈模型

虽然欺诈客户的比例比较小,但如果发生损失,就很难追回,所以这个模型也很重要。

申请欺诈模型,是通过客户填写的申请信息和央行征信信息来判断。这个模型的预测变量主要通过以下这些方面反映:

客户单位名称是否在征信的单位列表中;客户家庭地址、单位地址是否在征信的地址列表中;过去一段时间同一联系人、同一单位地址是否有多次进件;申请人、单位是否曾经发生过欺诈进件。

由于央行征信信息的实效性和完备性,并不能完全满足欺诈模型的需求。互联网上的相关数据,对申请欺诈模型的建立也是有帮助的。这些具体数据包括同一cookie和IP地址是否在短时间内频繁进件;申请贷款的cookie和IP地址是否为客户活跃使用的;申请贷款地点离客户家庭住址和单位地址的距离;客户以前的互联网行为是否活跃;电商数据、浏览数据、电信运营商等记录的客户联系方式。

二、存量客户管理

存量客户即金融机构业已维护的客户群体,其管理主要包含交易欺诈管理、再贷客户营销管理、授信额度管理、流失客户管理等业务,核心目标是为了巩固客户的忠诚度,提高客户价值。

存量客户管理模型体系主要有行为风险模型、交易欺诈模型、行为收益模型、行为流失模型和市场响应模型等。

(1)行为风险模型

行为风险变量是预测客户风险的模型,其预测变量主要由客户的交易行为组合而成。

行为风险模型预测变量可以基于还款行为、消费行为、信用卡取现行为、欠款行为、资金的使用情况等方面来考虑。

另外央行征信数据、互联网交易数据和浏览数据、银行流水数据等,对于行为风险模型的开发也很有帮助。

(2)交易欺诈模型

交易欺诈是指通过盗取他人的账号和密码信息,盗取持卡人的资金的行为。交易欺诈模型是根据客户的历史交易行为预测当笔交易为欺诈的可能性。

交易模型的预测变量比较多,例如通过当笔交易金额、当笔交易币种、当笔交易时间、当笔交易地点、过去N次交易的密码输错次数、过去N次交易的交易失败次数、过去N分钟内的交易次数、过去N分钟小额刷卡次数等进行判断。

(3)行为收益模型

行为收益风险模型是根据客户的历史行为来预测客户未来收益的高低。

客户收益的高低由其户自身属性和行为属性的决定,主要通过性别、年龄、学历、消费行为、取现行为、分期行为、逾期情况、额度使用情况等判断。

低风险高收益的客群,获取的资源相对较多;高风险低收益的客户得到的资源就会少。

(4)行为流失模型

客户是否有流失的征兆,主要看其交易行为是否有异常就可判断。

行为流失模型的预测变量,可以通过以下这些方面来考虑:近N个月的交易金额和交易笔数、额度、信用卡到期时间、也可通过央行征信信息获取客户在其他金融机构持有的信用卡情况、持有他行卡的数、他行卡活跃程度,他行卡的额度。

行为流失模型主要用于客户挽留,通常会结合行为风险模型和行为收益模型,根据风险收益的不同,采取不同的策略。

(5)市场响应模型

市场响应模型通常和风险模型结合使用,筛选风险,响应较好的客户群作为营销的目标客户群。

市场响应模型需要根据营销目标来选择预测变量。例如存量客户再贷营销,预测变量就要看这些方面:最近是否有申请贷款的查询记录、信用卡的额度占用情况、信用卡循环使用情况、收入负债情况等。另外客户最近是否有买车、买房、买奢侈品等大额单笔交易的记录等第三方数据,对于客户是否有贷款需求也很有帮助。

三、逾期客户管理

逾期客户指客户未按约定时间履行还款的约定,客户逾期原因主要是还款意愿差和还款能力不足。

针对逾期客户,主要采用催收策略。催收计量模型是逾期看客户分群的重要依据,能够识别客户的风险情况,根据风险不同采用的催收手段也不一样。

常见的催收计量模型包括账龄滚动率模型、行为模型和失联模型。

(1)账龄滚动率模型

逾期账龄是通过逾期天数定义,账龄越高,客户的风险越高。比如逾期账龄划分:

M1客户:逾期1~29天的客户;

M2客户:逾期30~59天的客户;

M3客户:逾期60~89天的客户;

……

客户评分越低,迁移至下一个账龄的概率越高,客户的风险越高,下个月内还钱的可能性越小。

账龄滚动率模型采用的变量包含客户的行为信息和催收信息,常用的预测变量包括:消费行为、取现行为、额度使用情况、还款情况、催收情况、打破承诺次数。

(2)行为模型

行为模型主要利用客户的交易行为特征和还款行为特征去考察客户未来变坏的可能性,与存量客户管理时所考虑的变量是相同的。

行为模型与账龄滚动率模型结合使用,对客户的评价才会全面、准确,制定催收策略就会更优针对性。

(3)失联模型

失联是需要综合一段时间尝试使用多种方式多个时段,都无法联系上客户,才能判断为失联。

失联模型是基于历史数据,预测客户发生失联的可能性,希望做到提前预知。

失联模型主要关注客户的这些信息:交易情况、贷款余额情况、额度占用情况、最近一次联系客户时间、联系方式变更情况、户籍信息、工作家庭情况、历史催收结果等。

互联网的技术优势降低了风险评估成本,风险控制变得相对容易。互联网金融公司做信贷业务时,能够根据风险分析模型,做好客户分群管理,才能更好的建立竞争优势。

推荐阅读更多精彩内容