金融领域如何基于大数据做风控

金融主要分为资产、负债和非息业务。现在的很多互联网金融产品也都是基于这些业务衍生出来的，例如三方支付、投资理财、P2P、消费信贷、分期、白条等等，而在这其中P2P、消费信贷、分期、白条等都属于信贷类业务，对于信贷类业务，其核心就是风险控制。
贷款的风险控制分为贷前，贷中，贷后三个阶段。贷前调查是指贷款发放前银行对贷款申请人基本情况的调查，并对其是否符合贷款条件和可发放的贷款额度做出初步判断；贷中主要是贷款人的信息审查以及在贷款调查、审查意见的基础上，按授权权限进行审批，决定贷与不贷，贷多贷少以及贷款方式、期限和利率；贷后管理是指从贷款发放或其他信贷业务发生后直到本息收回或信用结束的全过程的信贷管理，包括贷款发放后，贷款人对借款人执行借款合同情况及借款人的经营情况进行追踪调查和检查，如果发现借款人未按规定用途使用贷款等造成贷款风险加大的情形，可提前收回贷款或采取相关保全措施。
贷前检查决定用户可以得到多少的授信以及是否具备贷款的偿还能力，包括用户的基本情况、财务状况、信用状况、经营情况、自身素质、担保情况等等，可以说贷前是大数据可以施展的重要环节，可以通过大数据获取用户更完善的征信信息，为授信提供依据。



通过大数据，可以对用户的每项调查进行打分，最后通过相关的运算得到用户总的信用得分，得分越高的用户越容易获取贷款。其实这也就是贷前检查中常用的打分卡技术（另外一个常用的方法是德国IPC技术）。


打分卡使用场合很多，包括营销评分、申请评分、行为评分、回款催收评分等等，按照具体的产品还可以分为信用卡、车贷、房贷、经营性贷款评分等等，还有按照不同地域的评分等等。根据不同的业务战略，打分卡的各项参数要做设定。打分卡开发方法，包括逻辑回归、神经网络、决策树、马尔科夫链、生存分析等等，用的最多的，还是传统的逻辑回归，采用逻辑回归的打分卡开发基本流程大致为选取样本、定义好坏标准、寻找可用变量、选择变量、评分模型开发、设置取舍点（cutoff）六个过程，其主要工作量在前面几部。打分卡模型一般包含15个左右变量，这是由于变量之间一般都会有耦合，比如职务和职称，职务高的人一般职称也高，但不应该重复计算。如果变量太多，去掉变量间耦合会比较困难，也会使模型不稳定，某个变量的小小变化可能导致分值变化很大。打分卡技术相对于其他技术，可以有效的减少人工干预，甚至做到自动放款，因此也是互联网金融中使用的比较多的方法。
大数据做征信，关键的一点还是数据要全、要广泛、要有深度，并通过相应的规则将分散的结构化和非结构化的数据转化为可用的授信评分。在此过程中，需要对不同的信息采用不同的模型进行计算，并在实际运行过程中不断的对征信模型进行优化。


大数据在贷中和贷后主要是侧重于动态的进行授信再评估，对已经放款的贷款进行监控，当发现对贷款偿还产生影响时可以及时进行预警。对于银行而言，将贷款的还款能力分为五个等级，分别为正常、关注、次级、可疑、损失：正常：正常是指借款人申请了贷款后，一直能够正常的还本付息，银行对借款人可以按期偿还贷款有充分的把握，贷款的损失率为零；关注：关注类是指借款人目前有能力偿还本息，但有一些因素可能会干扰偿还贷款，银行判别贷款的损失率为百分之五；次级：次级表示借款人的还款能力出现了明显的问题，依靠其目前的收入情况无法正行还款，需要通过抵押或者融资的方式才能还清贷款。贷款损失率在百分之三十到百分之五十之间；可疑：可疑表示借款人已无法偿还贷款，就算是通过抵押或者担保的方式还款也会造成一定的损失。贷款的损失率在百分之五十到百分之七十五之间；损失：损失是指借款人无论采取何种方式都无法偿还贷款。贷款损失率达到了百分之七十五到百分之一百之间。


大数据风控是一个广义词和一个时代的热词，量化风险控 制就是利用数据分析和模型进行风险评估，依据评估分数，预测还款人的还款能力、还款意愿、以及欺诈风险。大数据主要是指全量数据和用户行为数据，目前领先的数据风控或者大数据风控使用的还是小数据，使用的是围绕客户周围的信用数据，这些数据的特点是和用户的信用情况高度相关。之所以叫做大数据风控，完全是一个是时代用语，确切地说就是利用数据实施科学风控。

（关注微信公众号，获取更多内容）