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！