整理 | 戈森
2016年， 中國進入消費金融時代。
到2021年， 中國的信貸規模， 將達到44萬億。
面對崛起的信貸市場， 如何在消費金融領域立足， 並長遠發展，
在一本財經學院舉辦的第三期風控閉門課程上， 複星金服CEO申志華講述了消費金融風控系統的搭建。
以下是他現場分享的部分乾貨：
01消費金融潛力巨大
我們從市場分析開始， 擴大內需進行調整以後， 居民的消費能力都提高了， 中國的消費市場消費金融已經開始了， 從這兩年開始進入一個消費經濟。
80後逐漸成為消費主力， 低端白領、藍領等低收入人群和農民將成為上升空間最大的兩大潛在人群。
為什麼這麼說呢？新一代的年輕人， 家庭財富觀念發生變化， 現在很多人開始借錢消費， 借錢買房， 借錢買車， 借錢去投資， 借錢去出國旅遊， 借錢發展拓展業務， 這些都是比較常見的。 因此社會進入這個層次後，
近幾年， 中國消費信貸餘額占全部貸款餘額的比重在20%-30%左右。 一家銀行一萬億的貸款， 大概2000億到3000億屬於個人消費信貸， 這裡面的大部分是什麼貸款？是房貸。
我們現在人均是8000億， 發達國家美國現在是5萬億， 我們中間差了七倍到八倍。
央行的征信是2005年、2006年開始啟動， 美國征信局大概已經從上個世紀的四五十年代就開始， 就是說我們中間有很大差距。 中國有14億人口， 有信貸記錄的大概有三億九， 這個資料大家就看到了機會， 很多P2P幹的事兒， 就是在填補我們的空白。
所以自然就出現了很多新的消費金融公司， 出現了小微金融公司， 協力廠商支付公司， 征信、保險， 也進入這個領域， 更加普惠化、更加場景化。
京東有電商的買家賣家， 做信貸， 京東白條等；海爾有空調， 有機器， 有一級經銷商， 二級經銷商， 後面還有那麼多的零部件的供應商；阿裡巴巴有淘寶和天貓，
他們的優勢是對自己的產業裡客戶上下游都很瞭解， 但這個場景是碎片化的， 你無法給他提供一個充足的金融消費需求， 你只能提供很小的額度， 這就是很多產業金融面臨的一個困境。
從這個角度說， 我們銀行還是有這個優勢， 就是銀行它不做任何產業， 銀行如果說有這個能力把客戶化畫像拼起來， 他當然要去買資料， 那麼它就成了。
隨著互聯網和移動技術飛速發展， 互聯網公司和其他金融機構紛紛加入競爭， 銀行面臨競爭越來越激烈， 行業之間的界限越來越模糊。 支付寶、微信、移動， 京東白條， 他們圍繞他們場景來進行。
所以我倒覺得以後可能會是一個場景金融。
目前國內消費金融出現大的風險， 信用風險沒有多少， 信用風險很低， 因為大家都缺錢。 真正我們關注是其他風險， 誰如果把其他風險給杜絕， 就能把風險的管理住。
消費信貸關注的問題， 多頭受信共債現象， 這是一個普遍性問題。 問題在哪裡？流水可以造假，誰控制流水，自己，我可以多打一些錢流水就造假了。因此協力廠商資訊真實性，還有一些要求，協力廠商資訊可以證實，使他造假成本變高。
因此，我們可以看到消費金融雖然前景巨大，但也面臨許多挑戰，在消費金融行業，尤其是非持牌平臺，實際借款利率遠超過高利貸借款利率的現象普遍存在；包括客戶資訊、個人隱私保護；面對快速發展的消費金融行業，監管不明晰，存在部分監管空白地帶。
02利用大資料進行風險管理
風控的核心技術就是模型評分的應用，比如，ABC三張卡，A是申請評分卡，B卡是行為評分卡，C卡是催收評分，就是在不同階段，A卡就是授信最重要的，也就是禍從口入這個階段，控制風險，你如果把這個客戶在這個階段擋在外面，壞客戶，你的品質就變好了，事半功倍。
B是行為評分是在你進來以後，管理那麼多客戶，要對客戶進行篩選排序，有些客戶要降額，有些客戶要升額，有些客戶要檢查，B卡就作為預警。
C卡是客戶已經出現逾期了，那麼多逾期客戶我到底先催誰，有些客戶是會自動回來的，這個決定就是催收評分。
風控模型裡有很多變數，最重要是結果的分數多少，分數過了分數線我給你進，不過那對不起就進不了。
反欺詐是目前很重要的東西，真實性核查，身份核查、學歷、工作、關係人驗證，一般來說我們做風險管理，要看這個客戶有沒有信用，有沒有誠信，如果沒有誠信的，多半來說這個客戶，公安的事情比較多，行政處罰事情比較多，還有銀聯這種套現的這種事情也比較多，如果說你老是在河邊走，估計這個客戶好不到哪去，就這個邏輯。
評分卡最重要的是排名，是高考一樣的，那個年級高考物理題目很難，大家考的很低，這不重要，重要是這個高考是不是這麼難題目還是照樣能把考生給區分出來，還是能夠進行排名，這很重要。
一般可以通過授權的方式獲得，有些公司他能夠進行去扒取，現在比較有用的是征信報告，還有很多助貸模式可以跟銀行建立征信查詢機制，這是目前一些解決方案。
現在一個新的趨勢就是除征信報告之外，會開始進入一些其他資料的應用，如果你是純的征信報告模型，可能就是一個經典式的應用了，你要變成有創新了，才能夠拿到更多的融資需求。
下面我講下評分卡技術，這個原理系統其實你們就後面去分，有一萬個客戶進來，1萬客戶大概有5%，後來知道5%的不良，就是有9500個是好客戶，還有500個是壞客戶，我現在知道1萬個客戶大概有5%不良。
舉個例子，回到授信的那一天，那天來了一萬個客戶，我如何做？使得我的審批的決策能改善。用模型的技術可以給它進行打分，就是說我把一萬個客戶在當時送到一個模型去，模型就是邏輯回歸，裡面有12個變數，打出了一個分數，分數越高的風險越低，我已經打出來了。
那怎麼衡量這個模型的好壞，模型的品質準確性如何？把模型打出來的結果排個序，從分數最高的排到分數最低的，都排好，然後切蛋糕一樣切開來，我切成十段，把一條蛇切成十段，每一段是一千個客戶，合起來是一萬戶，再一段段去驗證。
我在富國銀行，沒有任何的人工干預直接做了，因為他的模型夠準確。客戶來到客戶經理跟他談一杯咖啡不到審批就出來了，沒有任何人工八秒鐘都弄完，就是百分之百的審批。
但是在中國目前我們的社會的征信技術和資料還不具備情況下是一步步走，將來方向可能五年以後可能就是百分之九十七，百分之九十八，基本上就是自動化。
03大資料風控在消費金融的運用
消費金融的業務需求整體而言可以分為市場端，如含獲客，客戶價值挖據等；風險端，如反欺詐，防羊毛黨，審批決策以及帳戶管理兩種。
機器學習目前還沒有普遍運用在模型，因為它不可解釋性，而在我們做金融服務裡面，可解釋性是很重要的，我們跟客戶打交道，客戶申請貸款，我們給他拒絕，客戶一定會有需求說，為什麼會被拒絕。但用機器你發現這個客戶解釋不通。
目前，機器學習演算法主要用於零散化的資訊擬合，通過放回的採樣方式隨機森林（Random Forest）可以全面地捕獲樣本特徵。
大資料風控被廣泛運用于消費金融裡，舉微粒貸的例子，微粒貸是微眾銀行推出的首款互聯網小額信貸產品，微利貸現在問題是它不能把額度做得很大，因為它在做大以後它這個風險就會高。
我是覺得它這個學習因素還是比較聚焦的，微眾銀行起來以後它做了很多嘗試，但是這個產品做成了，就是你一家機構形成，你不需要太多產品，一個產品微利貸，最掙錢的一個機器。
大資料在為客戶做全週期的管理，新客戶審批價值最大化，挽留客戶這些其實都會要用到模型，申請模型、回應模型、流失模型、行為模型、催收模型。
大資料的早期預警策略是基於行為評分模型所設計的。應用早期預警模型評分能夠對現有未逾期客戶進行風險細分，在帳戶表現沒有惡化之前，識別高風險的客戶。
此外還有催收策略，應用催收模型評分和風險餘額對客戶進行風險細分，並針對不同風險的細分客戶群體制訂差異化的催收措施。
結合催收業務流程，設計案件分配和行動路徑，實現有效的風險控制和良好的客戶服務之間的平衡。
總結一下各個技術的優缺點，新技術的領域裡按照順序來，第一位是邏輯回歸模型。第二位是決策樹，決策樹的原理它能解決一些複雜的關係。第三個是神經元，它的精准性可能會更好，但是它帶來的不好的地方是它的解釋性很差。
總的來說，消費金融領域很大，做好風控，便能在這片藍海中佔領一席之地。
問題在哪裡？流水可以造假，誰控制流水，自己，我可以多打一些錢流水就造假了。因此協力廠商資訊真實性，還有一些要求，協力廠商資訊可以證實，使他造假成本變高。因此，我們可以看到消費金融雖然前景巨大，但也面臨許多挑戰，在消費金融行業，尤其是非持牌平臺，實際借款利率遠超過高利貸借款利率的現象普遍存在；包括客戶資訊、個人隱私保護；面對快速發展的消費金融行業，監管不明晰，存在部分監管空白地帶。
02利用大資料進行風險管理
風控的核心技術就是模型評分的應用，比如，ABC三張卡，A是申請評分卡，B卡是行為評分卡，C卡是催收評分，就是在不同階段，A卡就是授信最重要的，也就是禍從口入這個階段，控制風險，你如果把這個客戶在這個階段擋在外面，壞客戶，你的品質就變好了，事半功倍。
B是行為評分是在你進來以後，管理那麼多客戶，要對客戶進行篩選排序，有些客戶要降額，有些客戶要升額，有些客戶要檢查，B卡就作為預警。
C卡是客戶已經出現逾期了，那麼多逾期客戶我到底先催誰，有些客戶是會自動回來的，這個決定就是催收評分。
風控模型裡有很多變數，最重要是結果的分數多少，分數過了分數線我給你進，不過那對不起就進不了。
反欺詐是目前很重要的東西，真實性核查，身份核查、學歷、工作、關係人驗證，一般來說我們做風險管理，要看這個客戶有沒有信用，有沒有誠信，如果沒有誠信的，多半來說這個客戶，公安的事情比較多，行政處罰事情比較多，還有銀聯這種套現的這種事情也比較多，如果說你老是在河邊走，估計這個客戶好不到哪去，就這個邏輯。
評分卡最重要的是排名，是高考一樣的，那個年級高考物理題目很難，大家考的很低，這不重要，重要是這個高考是不是這麼難題目還是照樣能把考生給區分出來，還是能夠進行排名，這很重要。
一般可以通過授權的方式獲得，有些公司他能夠進行去扒取，現在比較有用的是征信報告，還有很多助貸模式可以跟銀行建立征信查詢機制，這是目前一些解決方案。
現在一個新的趨勢就是除征信報告之外，會開始進入一些其他資料的應用，如果你是純的征信報告模型，可能就是一個經典式的應用了，你要變成有創新了，才能夠拿到更多的融資需求。
下面我講下評分卡技術，這個原理系統其實你們就後面去分，有一萬個客戶進來，1萬客戶大概有5%，後來知道5%的不良，就是有9500個是好客戶，還有500個是壞客戶，我現在知道1萬個客戶大概有5%不良。
舉個例子，回到授信的那一天，那天來了一萬個客戶，我如何做？使得我的審批的決策能改善。用模型的技術可以給它進行打分，就是說我把一萬個客戶在當時送到一個模型去，模型就是邏輯回歸，裡面有12個變數，打出了一個分數，分數越高的風險越低，我已經打出來了。
那怎麼衡量這個模型的好壞，模型的品質準確性如何？把模型打出來的結果排個序，從分數最高的排到分數最低的，都排好，然後切蛋糕一樣切開來，我切成十段，把一條蛇切成十段，每一段是一千個客戶，合起來是一萬戶，再一段段去驗證。
我在富國銀行，沒有任何的人工干預直接做了，因為他的模型夠準確。客戶來到客戶經理跟他談一杯咖啡不到審批就出來了，沒有任何人工八秒鐘都弄完，就是百分之百的審批。
但是在中國目前我們的社會的征信技術和資料還不具備情況下是一步步走，將來方向可能五年以後可能就是百分之九十七，百分之九十八，基本上就是自動化。
03大資料風控在消費金融的運用
消費金融的業務需求整體而言可以分為市場端，如含獲客，客戶價值挖據等；風險端，如反欺詐，防羊毛黨，審批決策以及帳戶管理兩種。
機器學習目前還沒有普遍運用在模型，因為它不可解釋性，而在我們做金融服務裡面，可解釋性是很重要的，我們跟客戶打交道，客戶申請貸款，我們給他拒絕，客戶一定會有需求說，為什麼會被拒絕。但用機器你發現這個客戶解釋不通。
目前，機器學習演算法主要用於零散化的資訊擬合，通過放回的採樣方式隨機森林（Random Forest）可以全面地捕獲樣本特徵。
大資料風控被廣泛運用于消費金融裡，舉微粒貸的例子，微粒貸是微眾銀行推出的首款互聯網小額信貸產品，微利貸現在問題是它不能把額度做得很大，因為它在做大以後它這個風險就會高。
我是覺得它這個學習因素還是比較聚焦的，微眾銀行起來以後它做了很多嘗試，但是這個產品做成了，就是你一家機構形成，你不需要太多產品，一個產品微利貸，最掙錢的一個機器。
大資料在為客戶做全週期的管理，新客戶審批價值最大化，挽留客戶這些其實都會要用到模型，申請模型、回應模型、流失模型、行為模型、催收模型。
大資料的早期預警策略是基於行為評分模型所設計的。應用早期預警模型評分能夠對現有未逾期客戶進行風險細分，在帳戶表現沒有惡化之前，識別高風險的客戶。
此外還有催收策略，應用催收模型評分和風險餘額對客戶進行風險細分，並針對不同風險的細分客戶群體制訂差異化的催收措施。
結合催收業務流程，設計案件分配和行動路徑，實現有效的風險控制和良好的客戶服務之間的平衡。
總結一下各個技術的優缺點，新技術的領域裡按照順序來，第一位是邏輯回歸模型。第二位是決策樹，決策樹的原理它能解決一些複雜的關係。第三個是神經元，它的精准性可能會更好，但是它帶來的不好的地方是它的解釋性很差。
總的來說，消費金融領域很大，做好風控，便能在這片藍海中佔領一席之地。