如何做好現金貸風控？

01-22

說一句政(hui)治(de)不(zui)正(tong)確(hang)的話：

現在市面上這些搞現金貸的哪有什麼風控！

只說兩點：

1.做好反欺詐，防止黑產來薅羊毛；

2.控制好利率，要能覆蓋壞賬。

其他的你們開心就好，怎麼玩都可以

下面從貸前、貸中到貸後我們看一下現金貸的風控該如何做。

貸前客戶過濾

相較於傳統借貸模式下的風控，現金貸風控是一種輕度風控。由於其小額短期的特點，現金貸風控更重視的是借款人的還款意願而非還款能力。

所以第一，我們先來說說現金貸貸前風控的核心-反欺詐。目前，線上貸款的欺詐行為有中介代辦、團伙作案、機器行為、賬戶盜用、身份冒用和串聯交易等。針對這些欺詐行為，常用的反欺詐手段有身份驗證、勾稽比對、設備反欺詐、關係網路染黑分析、行為數據反欺詐等。其中通過公安部、銀聯、三大運營商等權威機構獲取的數據源進行信息校驗和比對，可以過濾調大部分的賬戶盜用和偽冒申請。但隨著線上借貸的蓬勃發展，線上的詐騙技術和手段也在更新迭代。為了攻破線上層層風控措施，詐騙團伙通過虛擬器來修改手機的IMEI、MAC、IP、GPS等設備及環境信息，或者通過「貓池」進行「收卡」、「養卡」，在這一層層的偽裝與包裹之下，對於那些風控措施較弱的平台，暗藏了太高的系統性風險。針對以上風險，啟用設備反欺詐是攔截風險的一個有效渠道。通過植入SDK獲取用戶更多的設備信息，以此對操作的設備建立一個唯一的設備ID，基於幾十億的設備信息進行全網大數據風險核查，實現實時識別、即時評分，有效識別設備中介、設備異常等機器行為的欺詐情況。

第二，貸前的多頭借貸行為的識別，多頭借貸是現金貸用戶最具有代表的共性。由於現金貸的目標人群大多都是不被傳統借貸機構覆蓋的長尾人群，缺少完整的央行徵信數據，現金貸平台只能通過行業間的共享平台或者聯盟機構進行借貸數據的共享，另外第三方徵信機構針對每一筆貸款申請記錄作查詢時，都會留下大量貸款申請人的身份信息。這部分信息經過查詢異常檢測演算法的過濾以後就會形成一個可靠的多頭借貸資料庫，還有通過設備指紋也可以關聯到用戶的多次申請記錄。結合貸款申請間隔和貸款期限來識別借款是否為借新還舊，如果是批量集中的借款申請則也有欺詐風險。

第三，風控建模和差異化定價，以大量的網路行為數據、用戶交易數據、第三方數據、合作方數據等為基礎，利用線性統計模型、決策樹、神經網路、SVM等機器學習方法建立和維護包括個人基本信息、行為特徵、心理特徵、經濟狀況、興趣愛好等數據維度在內的風控模型。並針對每一類模型制定了相應的模型優化策略，使用冠軍挑戰者的模型策略對各類模型進行持續的優化和迭代。憑藉著這些維度特徵和大量歷史貸款記錄，針對不同貸款人、不同額度、不同期限的差異化定價策略將成為現實。

貸中的數據監測和貸中行為模型

在對用戶完成授信後，同步數據監測團隊需要實時對貸中數據進行監測。主要是通過率和違約率兩個指標，一般通過對貸前反欺詐環節的漏斗分析來監測通過率，進而分析各環節規則的應用情況，結合貸後的數據表現，對獲客渠道和風控策略做出實時調整。

目前市場上的現金貸平台已經開始重視起貸中模型的開發和建立，因為現金貸小額短期的產品特點，面向的客群風險特徵變化也是比較快的，為此在貸中建立模型對用戶進行風控監測是非常有必要的。有數據顯示，當一個用戶復購次數大於5次時，違約率開始上升，復購次數達到8次以上的時候，違約率漲幅更高。由於用戶貸前申請業務時，處於弱勢地位，平台可以通過用戶的強授權獲取到很多用戶的信息，但在貸中想要再次通過強授權獲取用戶信息則比較困難，會導致用戶體驗差從而流失用戶，那麼如何在用戶無感知的情況下，來獲取用戶更多的實時數據去完善貸中行為評分卡，或許是各家平台現在面臨的問題之一。

貸後催收模型和失聯修復

相比對傳統金融的催收方式，現金貸的催收方式主要是電話催收和委外催收，基本不配置外催，甚至有的現金貸平台催收直接委外。隨著大數據建模的盛行，更多平台開啟了智能催收+人工催收的聯合模式，大大降低了人工成本同時又提升催收效率。利用貸後數據和用戶的行為數據建立催收模型評分，根據模型結果針對不同用戶定製不同催收策略，或採取簡訊提示、或智能語音外呼、或人工電話或者直接委外，具體的策略因每家平台客群特徵和催收團隊構成而定。

催收過程中會有大量的失聯客戶產生，可通過大數據進行全網關聯，修復失聯信息，用戶生活、娛樂、網購等各種互聯網上留存過的痕迹，註冊的手機號、郵箱、綁定的微信等等都已經儲存在各大手機應用後台，而這些數據如今也成為了各家第三方徵信數據商謀取盈利的核心競爭力。雖然從今年6月開始，國家和監管機構對於個人信息的保護越來越嚴格，但是徵信機構完全可以通過數據再加工、手機號脫敏雙盲撥打等方式進行數據和相關服務的輸出。

現金貸市場風雲變幻，客群也隨著市場變幻而發生著變化，加上欺詐手段的不斷升級，風控需要做的是不斷完善風險數據集市、模型開發平台、智能決策引擎、模型管理平台的部署，進一步縮短模型優化和部署的周期，搶先在欺詐升級之前完成風控模型的迭代和優化。而面對第三方徵信市場大大小小的數據供應商，哪一家的數據更合規，更穩定，更有價值，則需要各平台在建立模型過程中，針對數據源評估和管理建立更高效的制度和體系。

市場爭奪愈發激烈，優質的產品風險定價是競爭的亮點，較低的獲客成本和較大的客戶流量是競爭的關鍵，而建立高效的風控模型且可以快速迭代優化是則是競爭的核心。想要在現金貸市場上立足，勢必需要從業者腳踏實地的走好每一步。

一個完整的風控體系包括以下

身份證（年齡，人臉識別）只針對18~35歲

電話號碼半年以上的通話記錄且電話號碼使用九月以上

銀行卡號與證件信息及電話號碼信息一致。

芝麻信用 580分以上

黑名單（社會徵信）我自己的運營2年的平台與十家公司有共享黑名單

客戶違約的話會上傳支付寶信用後台

公安系統公檢法部門信息社會徵信

極個別地區不放款衢州學校山東濰坊內蒙新疆西藏

2、人工審核 軟體用戶使用問題電話回訪解決用戶操作失誤

素質電話中觀察客戶的基本素質

態度電話中觀察客戶的償還態度

文化程度電話中觀察客戶的受教育程度

3、轉化率：系統審核通過後會留下10%左右客戶，人工審核過後大概留存下8%的信用良好的客戶。

4、催收：還款截止日期前提醒客戶，電話一催二催後，催收人員決定是否延期。

如果大家做的風控整體都類似，那拼的就是黑名單和人工審核

1、招1個風控總監。

2、招10個電話審核。

3、接3-5家大數據公司黑名單。

4、買一個現金貸系統。

5、我想不出來了，大概這樣就可以了。

要建立較完整的一套現金貸風控體系需要包括貸前審批、授信，貸前跟蹤、監控，貸後、失聯修復、不良催收，是一個較複雜的過程，每個流程都會影響整個風控的質量。

首先是找准產品定位，接下來是定模型，然後是確定流程和隊伍。個人感覺現金貸主要有三種玩法：第一種是收益覆蓋風險的規模化發展，第二種是找准客戶畫像定位的精準化玩法，第三種是介於前兩種之間的流量變現補貼式玩法。確定下來以後再確定客戶模型。模型簡單來說就是你怎麼初篩你的客群，放多少客戶進來，設多少關卡？肯定客戶篩選條件越多曬出來的客戶就越少，客戶畫像越精準，風險相應就越低，當然量就相應小了。當然也可以完全放開來做。模型訂好後就配流程配人了。一般目前現金貸的主流玩法是流程精簡，線上作業為主。當然在重要節點你也可以加入部分線下核實或電核的方式，這樣會風險更小些。關鍵一點：現金貸是在客戶體驗和風控之間找平衡點。