信用消费授信领域有哪些靠谱的风控授信手段?
现在消费金融公司越来越多,授信是最核心的一步。然而风险和用户体验,往往是冲突的,目前什么样的授信手段是比较靠谱的,产品设计上一般又是如何思考的?
比如:身份证照片,通讯录权限,外部接口,人脸识别等等。有哪些比较靠谱的,又如何系统性结合使用呢?
曾经简单参与过消费金融的产品,但当时业务形态与题目中提到的不同,这里就不介绍了。
简单回答一下关于 个人信贷中的风控 ,权当抛砖引玉,思路是相通的。
首先要解释 风控和授信 :
- 风控是风险控制,主要是控制业务流程中作弊和欺诈行为的发生
- 授信是指企业向客户提供资金支持的行为
因此, 风控和授信是不同的事情 ,放到一起讨论容易晕。
授信的话,业界一般是用类FICO的评分卡模型,结合一些规则,根据评分卡结果给出额度和费率。
这里主要讲风控, 互联网金融授信过程中的风控,目的主要是控制欺诈,核实本人身份和资料真假 。
风控在一定程度上会影响用户体验,所以产品决策上要考虑到这些问题,尽量降低影响。
目前主要的 风控方式 有3种:
线下风控:就是靠人工面对面确定资料真实性等,可以参考买单侠的模式;
线上风控:主要是各种自己获取的数据和第三方数据交叉验证,训练自己的风控模型,参考京东白条;
线上和线下结合风控:主要是线上风控,但对部分高风险业务,可以投入人力审核(注意ROI),参考宜人贷的线上极速模式。
如果是 线上风控,核心 3要点有:
数据
模型
规则
其中,最重要的是 数据 ,因为核心数据资源是稀缺的。
线上风控使用的数据大多属于2类:行为数据和资质数据。
做个人信贷,比较重要的资质数据是:个人身份信息、社交信息、电商购物信息、信用信息。
常用的数据采集点包括:
- 个人身份信息(身份证、学生证、学信网)
- 社交信息(通讯录、通话记录、搜索引擎、微博人人等社交网站)
- 电商购物信息(电商购物、快递记录)
- 信用信息(信用卡、贷款情况、信用历史)
以上资料,主要是由客户主动提供或授权,再加上企业(淘宝京东等可以拿到很多独有的数据,比如公司和家的地址、最新联系方式、关系链等,所以做消费金融很有优势)从各种渠道拿到的数据,进行交叉验证。
比较重要的行为数据有:设备数据(cookie、MAC、IMEI)、位置数据(IP/LBS/GPS)、时间属(填写速度、时间)、业务行为(资料修改)等等。
对于反欺诈来说, 尽量做到欺诈用户伪造数据的成本高于潜在收益 ,就能有效减少欺诈行为。
业界使用的 风控模型 差距不大,比较通用。
从线性的LR模型,到GBDT、随机森林,再到最近很火的神经网络,性能逐步提升。
模型的选取,主要考虑业务需求和技术能力,虽然LR比较简单,但也有很多优点,所以在特定领域特定问题上表现很好,仍被广泛采用。
具体到个人信贷业务上,需要一个非常抗过拟合、非线性能力的模型。
规则 一般由经验丰富的专家来人工定义,在业务量不大的初期,完全可以通过人工规则来处理风控问题。
当然,随着业务量的增大,后期还是很依赖模型的学习能力。
如何评估效果
有2个关键指标:准确率/召回率,分别对应误警和漏警。
- 准确率/误警:错误识别,将好客户当做风险点处理。需要平衡用户体验和可解释性,处罚规则不应过于粗暴。
- 召回率/漏警:漏掉了风险,将风险客户当做好客户处理。
模型和规则的更改,在上线前,需要做很多离线和在线的测试,确保最终效果是可以接受的。
技术指标(准确率/召回率)确定的情况下,为了用户的体验,产品设计上需要很多考虑。
除了风控模型,整体的风控流程也非常重要。
一个可能的风控流程是:监控报警 -->风险分析 -->风险识别-->风险处理 -->数据存档利用
随着历史case不断积累,模型的能力会很好地增强。
其他
- 风控与业务高度相关,更换客户群体和领域后,风控策略、模型特征、规则就会发生巨大的变化,所以很多东西是不能通用的。比如大学生消费贷款和白领的信用贷款,所需要的数据特征就很不一样。
文/罗文峰 宜信大数据创新中心 产品经理
关键字:产品经理, 风控
版权声明
本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!