汽車金融風控怎麼做，怎麼學？

01-22

自己目前是從事汽車金融的風控，想在深入學習一些更加專業的汽車金融方面的知識，各位有沒有什麼好的推薦，因為自己只有專科學歷，大的汽車金融公司進不去，所以想提升一下自己學歷，參加專什本，學什麼專業好？有同行的可以給個意見嗎？謝謝

謝邀，再次說到汽車金融的風控。不知道你目前做哪一塊，一般來說，汽車金融有三種情況：

1.汽車經銷商融資。也就是銀行或者汽車金融公司或者融資租賃公司，貸款給4S店，用於向廠商提車（也有建店項目融資），對應的資產就是庫存車，風控模式為：存貨浮動抵押+合格證質押（視情況）+存貨監控（物聯網+實地盤點），車輛銷售出去，就即時還款，所以風控點就是控制銷售回款。可以藉助物聯網技術，監控車輛，車輛離開了經銷商區域，往往表示銷售了，如果沒有還款，要及時現場盤點。這是貸後管理，市場准入和授信評估呢？那就是運用ERP數據，對經銷商運營情況進行評估，這一塊有一些模型，筆者在汽車金融公司的時候做了這方面的工作。

2.汽車消費貸款。風控模式為：車輛抵押+GPS+保險+電話催收+拖車+二手車處置。准入呢？一張身份證，幾秒鐘，就能判斷能不能貸款，首付多少。要做到，要有強大的中後台，例如，白名單、黑名單，評分卡，借用第三方徵信，具體一點就是：有銀行信用記錄的，看徵信報告；有淘寶賬號的，看阿里的評分；有QQ的，看騰訊的評分；有網貸的，看各網貸的評分。所有的這些都是程序化模型化操作，不需要大規模的人工審核，小商小販？沒有網上行為？沒有信用記錄比信用記錄不良更可怕，誰願意第一個吃螃蟹？

3.二手車融資。車主短期缺錢，把車質押出去，獲得一筆短期借款，往往利率很高。這一塊比較複雜，法律風險很大，一方面借款人風險很大（負債纍纍，從事高風險行業，容易失聯），另一方面車本身瑕疵多（有抵押，黑車，糾紛，車況），風控就是提高質押率，屏蔽GPS，買賣合同公證，保持大量迅速脫手二手車的渠道。

如果你從事情況一，你需要學習的就是一些供應鏈管理和企業管理知識，對汽車產業（生產、產品、市場）有深度理解。

如果你從事情況二，你需要學習的就是徵信，理論與技術，大量的程序開發，爬蟲技術，建模型，機器學習。其實這一塊不需要任何金融知識，純粹的技術活，沒個數學+計算機學歷都不好意思講自己是搞風控的。

如果是情況三，你需要大量的社會經驗，請參考典當行。

…更多文章請到信貸風控手記-知乎專欄

…更多回答請看H-Howard

大咖說汽車金融風控

https://zhuanlan.zhihu.com/p/29428799

汽車金融行業亂象頻出，中介欺詐、騙貸、車輛套現、一車多貸等，這些已然成為汽車金融行業的痛點，但究其痛點背後的根源，還是平台自身的風控能力薄弱。目前市場信用體系不完善，各平台間信用數據之間缺乏共享，加之平台自我風控意識不足，為了快速發展搶佔市場份額，降低汽車金融風控要求等，這些因素都助長了行業的騙貸行為。

平台要做好風控，首先要真正重視起風控，小到信審、逾期率，大到大數據接入等，業務流的各個環節都必須重視起來。

最近風控界的2位大咖，就風控問題，分享了自己經驗和看法。以下是精彩內容，內容以提問解答方式展示，為方便閱讀，原文有修改。

問題列表

1、風險控制和風險管理的區別？

2、車貸業務，應該側重風險控制還是風險管理的能力？

3、有些資方故意放款給有逾期風險的客戶，通過收車方式來提高利潤，這算不算是風險控制？

4、談談逾期率的計算？

5、60或90天設置的初衷是什麼？什麼差異呢？

6、在設計風控模型時應突出哪些方面，需要注意的要點有哪些？

7、對於「AI幹掉風控人員」的熱議，這個咋看呢？隨著風控模型不斷完善和建立，人工信審後期的方向是什麼？

一

風險控制和風險管理的區別？

風險控制：顧名思義就是要將風險控制在一個合理的範圍，其核心思想就是控制；採取各種具體的措施和方法，消滅或減少風險事件發生的各種可能性，或者減少風險事件發生時造成的損失。

風險管理：重點在管理，是一個經營風險的概念。（帶有經營性思維，考慮風險收益）

下面透過一個信用卡授信額度的案例來理解下：

客戶A：本市人，水利局某主任科員，45歲，女，月薪8K，社保可查，本科，已婚，有房，有車。客戶B：外省人，某貿易公司業務員，24歲，男，月薪2.6K+1K提成，無社保，中專，未婚，無房，無車。

在符合核准政策的情況下，對二人的授信孰高孰低？

按照傳統觀點，我們會認為，資質更好的A客戶理應獲得更高的授信額度，因為她的收入高，又足夠的穩定，無論是償還能力，還是償還意願，都是具備明顯的優勢。

然而，實際上，這只是風險控制的思路，而不是有效的風險管理。

在風險管理的角度上，我們該如何看待這個問題呢？

首先，我們從信用卡的受理分配來看，信用卡只有支用才會產生收益，因此，客戶的價值並不是單一的看收入和穩定。那麼誰愛花錢呢？女人比男人更愛花錢，也容易衝動消費，這個觀點有道理，但不是全對。客觀來講，女人更愛花男人的錢。而一個二十齣頭，尚在擇偶階段的男同志，更心甘情願的為女生買單。一個初入社會，又急需在女友面前證明自己的最簡單粗暴的辦法就是買買買。

我們可以預判到，收入不高，又有強烈的消費需求的小夥子，必然會選擇分期，最低還款等等方式，甚至會因為拮据，而產生短期的逾期。這相比一個花錢謹慎，又從不會欠款的客戶來講，其收益價值的優勢是明顯的。通過合理釋放一定的風險，獲得更大的收益，這就是風險管理與風險控制的區別。

二

車貸業務，應該側重風險控制還是風險管理的能力？

車貸業務里，風控和風管，都是要結合產品和客戶群定位來定的。風險的核心取決於風險報酬，也就是在可控風險的情況下，資本的盈利狀況，所以風險不是簡單的控制風險，而是要通過管理風險，實現風險收益，才是關鍵。

三

有些資方故意放款給有逾期風險的客戶，通過收車方式來提高利潤，這算不算是風險控制？

這應該是職業道德問題。收車操作是資方因客戶逾期而採取各種降低損失的措施之一，它不是資方提高利潤的主要方式，風險管理的目的是為了獲取合理的收益，這裡資方的行為顯然是超出了這個範圍。要說一點，這種玩法應該源自信用卡的手法。

四

談談逾期率的計算？

逾期率（不良率）：逾期貸款佔全部貸款的比例。

按照監管機構的要求和計算標準，對於不良率，會對資產進行五級分類（按風險基礎分為正常、關注、次級、可疑和損失五類），對於後三類劃為不良貸款。

但是不良率根據各個機構的不同，會略有差異。信用卡也好，還是其他機構也好，有一些為了給客戶提供便利，一般提供一段時間的寬限期，3天居多，也有更長時間的，有一些機構會有0-30天逾期率，那麼逾期率一般為：0-30天的逾期金額/總放款金額（這邊用放款金額較多，也有用貸款餘額的，部分機構，也會還原核銷）；還有一些會用4-30天逾期率，道理是一樣的。

個貸的分類，銀行也有使用多維矩陣的，一般來說，銀行業機構到不良都是逾期60天以上，也有90天的，只要銀監局通過，都沒毛病。

汽車金融公司目前看，基本上都以逾期時間作為維度進行劃分，行業一般說成M0（無逾期），M1，M2,也有直接說30天以上逾期率或者90天以上逾期率的說法。具體的計算，根據各家的不同，可能也有一些差異。

五

60或90天設置的初衷是什麼？有什麼差異呢？

1：60天或者90天設置的初衷有兩個：

1）監管要求。

2）可以利用滾動模型計算

分類的核心，是損失，在監管要求下，不良到次級，至少25%的損失；如果採用滾動模型，根據各個公司的不同，也會得到不同的結論。譬如融資租賃，從了解的資產質量看，如果在61-90，計提25%的損失，肯定遠遠不夠的。

不良率的目的，是為了衡量資產質量。銀行很多用11級分類，都是為了更客觀衡量資產可能未來損失情況，如果合適的話，用滾動率模型推算的損失，會比不良更可靠。

六

在設計風控模型時應突出哪些方面，需要注意的要點有哪些？

風控模型的設計根據企業性質不同，需求不同及階段不同，分為很多形式。今天我們選擇最為普通的一個角度來看，基本是受國外成熟經驗熏陶生成的決策樹+評分卡+反欺詐模式。

1）決策樹

決策樹的建立，有最為重要的3個前提才可以考慮去做。

a是企業可提出清晰的風險喜好;

b是產品明確的划出目標客群;

c是足夠支撐模型的基礎數據與風險樣本。

2）評分卡

關於評分卡，我們主要談一談A卡關注的變數，一般來講模型中的效果隨著變數及維度的增加而逐漸精準，但這個過程中，效果在一定的增量後是有必然的遞減的。一般變數地選取，13-15個是相對高效的，而當變數超過24個的時候，其價值與成本就會出現逆差。

PS: A卡（Application score card）申請評分卡

B卡（Behavior score card）行為評分卡

C卡（Collection score card）催收評分卡

評分機制的區別在於：

1、使用的時間不同。分別側重貸前、貸中、貸後；

2、數據要求不同。A卡一般可做貸款0-1年的信用分析，B卡則是在申請人有了一定行為後，有了較大數據進行的分析，一般為3-5年，C卡則對數據要求更大，需加入催收後客戶反應等屬性數據。

3、每種評分卡的模型會不一樣。在A卡中常用的有邏輯回歸，AHP等，而在後面兩種卡中，常使用多因素邏輯回歸，精度等方面更好。

3）反欺詐：反欺詐存在三種模式。

a.是貸前反欺詐團隊，是風險審核的專項團隊，其作用是針對命中風險邏輯的客群做專項審核，從而確認欺詐風險，發現欺詐手段，保障資產安全。

b.是反欺詐邏輯，也就是反欺詐方案設計工作，這步的實現，需要系統對數據的積累，需要工作人員掌握數據之間關聯，並將之不斷挖掘，同時，也需要合理的KPI方案，引導審核人員重視作為工作中對欺詐類風險的關注，從而為數據提供更多的風險樣本。

c.是欺詐調查崗的設立，作為貸後管理中的反欺詐一環，其作用是區別於催收團隊的，他的價值在於，發現並挖掘欺詐手段的迭代，提供更好的解決方案，為現有反欺詐作業提供有價值的改善依據。

當然，除上述這些內容，大數據應用，機械學習原理，系統的稽核方案，多方位的在線偵測手段等，都可以作為風控模型中的重要工具，不斷去完善風控的體系建設。

七

對於「AI幹掉風控人員」的熱議，這個咋看呢？隨著風控模型不斷完善和建立，人工信審後期的方向是什麼？

在近期我覺得不會產生這個情況，從幾點說一下看法：

1、目前AI的智能程度，還不支持替代人工審批。有的機器學習，開始是有規則，或者數據，然後建模，迭代，不斷優化，在目前的情況下，AI還不到那個程度。

2、特殊的條件，可以實現自動審批。在客戶群體穩定的情況下，固定場景，也許可以實現很多自動化審批，需要看風險承受能力，現金貸可以大規模自動審批，但他的風險承受能力也要很強。

所以我覺得AI替代人工審批，在一些場景下會可以，或者在未來一段時間，有部分可以替代。但我覺得在複雜場景，客戶群體比較分散沒有集中度的情況下，人工審批比機器審批靠譜得多。

以上就是大咖對大家關心的一些風控問題的解答，供大家參考。

風險控制是車貸金融的命門，它決定了車貸的逾期、壞賬率的高低，甚至是車貸金融公司的生死。因此，車貸金融公司務必得擁有專業的大數據分析能力，資深的審批風控團隊，能夠全方位、多維度把控客戶的購車目的、還款能力、信用情況、穩定性，將車貸風險扼殺在萌芽期。那麼，把握車貸金融生死大權的風控審核如此不可或缺，該如何做呢？從車貸風險管理整個生命周期來看，優質的車貸金融風控需要做好貸前審核和貸後管理。

貸前審核

貸前審核通俗的說就是審人和審車。

通過審人和車，需排除以下風險：

第一類欺詐類風險：可以說欺詐類風險是車貸行業最大的風險，由於借款人的目的就是為欺詐，逾期率自然會很高；

第二類信用評估風險：大多數車貸公司都有自己的一套信用管理體系和信用評估技術，但由於各自情況不同，加之信用管理維度缺失、不合理，車輛價值、信用狀況、工作及經營狀態、家庭穩定性、負債狀況、有無惡習等核心信用管理維度沒有落實到位，導致貸後風險。

第三類操作風險：部分車貸金融公司沒有獨立的風控線，部分風控流程業務人員參與，風控流程執行不到位很容易產生操作風險，如車輛價值評估失誤、GPS安裝設置不合理、備用鑰匙遺漏、保險過期等；

第四類過度負債風險：單獨強調是因為具有普遍性，很多跑了的高危客戶都是非理性過度負債狀態，很多公司對借款人同行負債評估不重視，借款人最後把車輛二次抵押，最後甚至被倒賣黑車，結果人車兩空。

貸後管理

這也是各車貸公司最容易忽略的部分，一般公司都認為前期審核完成，風險可控，只要隨便裝個GPS，出了問題拖車就行了。實際情況往往是，當你發現還款逾期後，再去找車，GPS離線或者已被拆除，或者車輛質押給了二押公司，無法拖回。

其實，借款人違約前，是可以通過專業的汽車金融GPS風控平台進行風險管理，提前發現上述風險的，比如：

1、如果借款人的車輛在一些敏感地點停留，風控人員應及時介入核實並採取強制拖車等必要手段。

2、如果借款人預留信息虛假，GPS的軌跡分析和停留數據分析是完全可以提前發現的，多數欺詐類客戶都是可以被篩選出來的。

3、如果借款人的行駛習慣突然改變，多數情況下是出現風險的預示，也可以通過專業的汽車金融GPS風控平台及時發現，並儘早介入。

其實，車貸壞賬在逾期前，已經有很多跡象通過行駛數據能表現出來，發現的越早，干預的越早，最後造成損失的可能也越低。

總的來說，通過貸前審核排除已經明確有問題的人和車輛，減少貸後壞賬的幾率。而貸後監管則是對已經放款的客戶和車輛進行的行為監管，並且確保在出現風險時能及時發現並找到車或人。貸前審核是用過去的事實證明借款人和車輛是否符合借款條件。但是貸後借款人的情況是否發生變化，則無法預計，這時候，貸後監管的重要性就體現出來了。

汽車金融市場激戰正酣，備好糧草的重要性不言而喻。而嚴格貸前審核，貸後管理做為汽車金融糧草的兩道護身符，缺一不可，貸前審核規避風險，貸後管理減少呆賬，兩者雙管齊下，才能使汽車金融公司贏在起跑線上，笑傲群雄。

本人有自己錄製《白話汽車金融》一共16講視頻，皆為自己十多年經驗的濃縮總結。如果有興趣可以私信

汽車金融風控樓上說的很詳細了，我來專門說一下風控中的建模，眾所周知，風控的模型非常多，但汽車行業比較適合哪種呢？我覺得常用的機器學習分類器都是不錯的選擇，比如說：便於解釋的邏輯回歸（logistics regression）、決策樹（decision tree），或是對空值，異常值處理比較平滑的bootstrap、支持向量機（svm）等分類器都可以作為核心分類演算法。所以答主如果想往這個方向發展，這些都是應該要了解的

我結合前面的回答，進行補充~補充點從大數據風控角度出發。

汽車按揭、抵押貸款、融資租賃、二手車金融等等都屬於汽車金融範疇，汽車金融市場近幾年開始快速增長，許多互聯網行業巨頭也紛紛加入汽車金融戰場。凡是涉及金融方面，那麼一定會遇到風險問題，解決風控問題也是各大汽車金融平台實現利益的核心因素。

汽車金融的高風險有市場風險、操作風險、信用風險、違規經營風險等存在於汽車金融服務的各個環節。主要存在客戶欺詐、身份盜用、車輛估值不準、車輛二抵、還款拖延等汽車金融風險行為頻出，甚至已成為汽車金融行業不容忽視的痛點。在如今的大數據時代，如何做好風控呢？

1.人的大數據風控。藉助大數據風控管理分析平台，建立大數據反欺詐系統，從貸前、貸中、貸後各個階段進行有效的防範欺詐風險。從賬號風險防護、應用風險防護、欺詐信用風險防護等方面，有效識別騙貸、黑名單欺詐等手段，減少資金損失。對客戶行為從源頭進行風險評估，通過客戶在網路渠道留下的聯繫方式開始，就啟動整個風控的過程，關聯客戶關鍵信息（如地址、電話號碼、聯繫人信息等），從申請環節到授信環節藉助反欺詐系統降低有效反欺詐風險。

2.車輛鑒定大數據風控。二手車由於其非標準化運營，涉及到車輛評估，對車輛價值進行準確判斷才能在放款上不會出現「亂放」現象。通過第三方車輛評估鑒定，上傳車輛信息，對車輛查檔、估值、違章查詢、車史報告、VIN碼解析等等信息掌握。為汽車金融公司提供二手車數據內容、數據管理、二手車估值、數據挖掘等解決方案。

3.車輛監控大數據風控。通過行業第三方貸後雲風控平台的監控，呈現車輛的日常行為軌跡，利用監控平台的大數據預警信息，密切掌握借款人的動向。通過建立風控模型，針對借款人的貸後車輛行為，通過豐富的預警機制，可以科學的預測整個周期內的風險。根據車輛停留點分析、常用地址比對、敏感區域資料庫等大數據分析，對車貸行業的功能場景進行針對性設計，能有效的遏制資料欺詐、二次抵押等不良現象發生。可幫助汽車金融公司建立完整的貸後風控管理體系。