基于大數據技術的消費金融風控策略研究

李旭

摘要：消費金融公司在簡化用戶貸款申請材料提高客戶體驗的同時，也會形成信息不對稱，從而導致信用風險發生。本文基于對消費金融行業發展現狀、問題以及對大數據技術特點、應用的分析，研究了在傳統信用工具缺乏的情況下，大數據技術在消費金融風控策略方面的應用，明確了建立消費金融大數據風控策略模型的重要作用。

關鍵詞：消費金融;大數據;風控策略

消費金融即為消費而開展的金融服務，是指為滿足個人消費行為而發放的貸款。隨著社會發展，居民在收入增加的同時，在消費上也有了更高的需求，消費金融行業因勢而起，發展迅速。與傳統金融相比，消費金融服務對象大部分是次級客群，年輕客群占比較大，工作不穩定，收入水平較低且風險意識薄弱。由于信用工具的缺失，關于此類客戶的信用風險很難做出判別，信息不對稱成為消費金融公司展業的阻力。而大數據技術特有的多樣性、高效性，能夠在用戶申請階段通過對用戶各維度的信息進行深度挖掘整合，從而很大程度上降低信用信息缺失帶來的風險。

一、消費金融發展概況

隨著我國經濟的快速發展，居民消費需求與日俱增。由于消費需求和收入分配的期限錯配，與此同時傳統商業銀行對數量龐大的下沉客群無法及時提供貸款服務，因此中國銀監會在2009年頒布了《消費金融公司試點管理辦法》，正式開始了對消費金融的探索。

（一）發展歷程

2010年消費金融開始小范圍試點，作為首批全國性持牌消費金融公司，北銀、四川錦程、中銀、捷信以普惠金融為宗旨，致力于解決居民消費與收入錯配問題。這四家消費金融公司的設立為中國消費金融的發展開辟了新的道路。

隨著首批試點消費金融公司穩步發展，消費金融公司試點范圍被允許進一步擴大，銀監會在2013年11月發布最新管理辦法中確定了最新的試點城市，同時放開了消費金融公司資本組成結構[1]，并新增消費金融的貸款范圍到裝修、教育、旅游等。此后至2015年6月，5家試點消費金融公司陸續開業，其中包括興業、海爾、招聯、湖北、蘇寧等。

2015年6月10日，國務院常務會議決定消費金融可在全國范圍內設立，并在后續陸續出臺的《國務院關于積極發揮新消費引領作用加快培育形成新供給新動力的指導意見》（國發〔2015〕66號）《2016年政府工作報告》《關于加大對新消費領域金融支持的指導意見》中密集提出推廣消費金融試點至全國。以此為背景，2015年11月至2017年6月11家消費金融公司相繼獲批，依次為2015年的中郵、杭銀，2016年的華融、晉商、盛銀、陜西長銀、包銀、河南中原，2017年的湖南長銀五八、哈銀、河北幸福等，消費金融在此階段快速發展。2017年4月開始，監管部門開展了一系列金融亂象整治，消費金融公司獲批數量也有所下降，2017年至今，上海尚城、廈門金美信、中信、北京陽光、平安、小米等6家消費金融獲批，消費金融行業開始穩步前進。此外，2018年10月，消費金融公司自律性組織，中國銀行業協會消費金融專業委員會正式成立，對消費金額金融穩健發展具有重要意義。

（二）業務規模與發展

消費金融公司從試點至今業務規模呈階段性增長趨勢。在試點初期，消費金融整體發展較為緩慢，由于審批政策嚴格，同時業務以線下為主，獲客能力較低，開業的10家消費金融公司貸款余額總規模在500億以內。隨著國家相關鼓勵政策的陸續出臺，獲批消費金融公司激增以及互聯網金融的興起，眾多機構紛紛發力線上業務，獲客能力的提升及金融科技賦能自動審批放款，消費金融貸款余額規模擴大至千億元級別，其中2016年末貸款余額1 254億元，2017年末貸款余額達2 599億元，發展速度十分迅猛。由于金融亂象頻發，行業整治力度對應加大，同時消費金融公司獲客速度下降，存量客戶風險爆發等，2018年消費金融貸款余額為3 619億元，增長速度雖保持較高水平，但較歷史有所下降。根據《2019年中國消費金融發展報告》推測，我國消費金融仍處于高速增長期，并將持續五年以上[2]。

（三）存在的問題

消費金融服務強調開放、便捷與低門檻，服務客群廣泛，同時去抵押、去擔保、簡化資信證明文件是消費金融發展的趨勢，與此同時信息不對稱風險日漸凸顯。隨著互聯網的發展，消費金融具備強大的IT技術支持，可以實現客戶全程線上申請，并替代傳統的人工審核模式實現自動審批，申請流程便捷，在獲客難度及客戶體驗方面較傳統銀行具有很大優勢。但消費金融公司受行業規范等方面的限制，其服務客群準入門檻較低，缺乏對客戶資產狀況、身份信息及消費用途等方面的審查追蹤，使得消費金融公司無法真正了解客戶還款能力及資金流向，從而導致信用風險發生。如何在簡便化的變革中擴大消費金融市場占有率的同時還能準確快速的評估用戶風險是消費金融公司持續性發展和業務穩定增長的主要問題。

二、大數據技術概況

大數據技術是指通過各種渠道采集數量龐大的數據，并利用云計算的應用模式和數據處理進行挖掘分析，通過低價值密度的數據來揭示數據變化規律，對信息數據所隱含的價值信息進行歸納和總結，實現數據的增值。

（一）大數據的特點

大數據顧名思義其最直觀的特點就是數據量大，隨著信息時代移動智能的發展，信息質量及信息數量不斷增大，國際領先的數據統計互聯網公司Statista預測，全球數據量在2020年可達 50.5ZB[3]。互聯網技術的發展實現了通過各種渠道獲取數據，數據的多渠道來源使得大數據具有多樣性。除了收集用戶日志等結構性信息之外，圖片、音頻、視頻等非結構性數據也在分析用戶行為等方面產生積極的作用。大數據的第三個特點就是高速。如今人們在生產生活中已經離不開互聯網，在應用互聯網產生大量數據的同時還需要平臺給與及時反饋，因此對大數據處理速度有了更高的要求。大部分平臺為達到實時分析目標，都購置了大量服務器資源用來對數據進行分析處理。

（二）發展規模

據統計，中國大數據產業發展迅猛，其規模在2018年達到4 384.5億元，并預計將在未來3年實現成倍增長突破8 000億元[4]。而在大數據市場收益方面，IDC預測中國在2019年可實現96.0億美元收益，并在未來五年以23.5%的年均增長率持續上漲，增長速度在全球平均水平之上[5]。

當前，貴州、京津冀、遼寧、內蒙古、上海、河南、重慶、珠三角等8個國家級大數據綜合試驗區正在迅速發展，同時與試驗區相鄰的省份也在大力推進大數據建設，未來我國大數據建設范圍將持續擴大。

（三）應用領域

目前大數據技術集中應用在金融、政府和通信行業。大數據技術海量、高效的特點使其在金融風險管理、貸款審批、額度管控、逾期催收、反欺詐識別、市場精準營銷等業務方面具有重要意義。在數據政府建設中大數據技術深入民生領域，較多應用于公共安全、交通、氣象等產業。在電信行業，由于三大運營商用戶幾乎涵蓋所有境內居民，使其擁有龐大的用戶信息，通過大數據技術對用戶通信記錄、個人位置、網頁訪問等信息進行挖掘分析，進而實現精準營銷、信用評估等。

三、如何進行大數據風控

（一）數據獲取

作為大數據分析的基礎條件，數據獲取是信用風險監管過程中最重要環節。大數據具有的多樣性特點，使其不僅涵蓋客戶信用屬性數據，同時還包括客戶的非信用信息如設備信息、購物信息、通訊信息等。消費金融公司在數據的獲取方式上主要有兩種模式，一是直接數據獲取，即在用戶申請過程中通過用戶授權收集客戶的設備信息、位置信息、社交信息、購物信息、結算信息、銀行流水信息等;二是接入外部數據源，如傳統的央行征信信息、公檢法系統身份信息、學信網學歷信息等以及第三方征信公司如同盾征信、前海征信、鵬元征信、京東征信、螞蟻征信等。

（二）風險指標池構建

在風險指標池的構建中，可將數據按照數據不同類別進行整合，如客戶基本信息，包括客戶年齡、性別、學歷、工作單位、工作年限、住址、婚姻狀況等;客戶資產信息，包括房產類型、收入、社保繳納、存款、貸款記錄等;客戶設備信息，包括設備類型、設備品牌、設備型號、網絡運營商、是否是虛擬機等;客戶社交信息，包括通話記錄、分享記錄、社交軟件使用頻率等;客戶交通信息，包括出行方式、出行頻率、常用往返地點等;客戶生活信息，包括水電位、物業費、網絡費、煤氣費等;客戶網購信息，包括訂單信息、物流信息、瀏覽歷史、評價等。

（三）風險模型構建

對風險指標進行預處理，結合存量客戶的還款表現的風險等級分類，運用線性回歸、邏輯回歸及分類樹等統計方法或者類神經網絡、基因算法及專家系統等非統計方法構建風險識別模型。模型的構建以數據為基礎，因此首先需要對指標池數據進行特征工程加工。通過對指標進行特征構建，然后對不同特征組進行特征提取，最后使用IV、GBDT、隨機森林、逐步回歸、相關系數等方式進行特征選擇。特征工程做完后對數據進行清洗，剔除異常值后開始建立模型。在實務運用上，更多的消費金融公司選擇邏輯回歸構建評分卡，該算法比較成熟穩定、成本較低且速度較快，其他一些算法比如決策樹、隨機森林、神經網絡等等也可根據公司需要進行應用。模型建立完成后，可通過KS值對模型效果進行判斷。如果模型效果不好，可考慮是否有重要的變量沒有衍生出來、或者是較好的變量沒有選擇到模型中去、或者是用的算法不適合這種場景，通過對模型持續優化使其具備應用價值。

（四）風險模型應用

風險識別模型驗證完成后即可應用于用戶信用風險驗證。在用戶申請階段，通過采集用戶授權信息及第三方來源數據，利用大數據技術的高效性對數據進指標加工，將整理的指標輸入到風險識別模型，自動生成風險等級判定，并對用戶申請作出通過、降額、轉人工、拒絕等操作，實現縮短用戶申請等待時間、提高用戶體驗度的同時，降低信息不對稱帶來的信用風險。

四、結語

綜上所述，大數據在消費金融風險策略應用中作用明顯。在征信體系尚不成熟、監管手段匱乏、法律法規不健全的宏觀環境下，充分利用大數據技術建立風險識別模型，做好信用風險的事前把控，對消費金融平穩健康發展具有重大意義。

參考文獻：

[1]中國銀行業協會消費金融專業委員會.中國消費金融公司發展報告2019[R].2020.

[2]國家金融與發展實驗室.2019年中國消費金融發展報告[R].2019.

[3]中國信息通信研究院.大數據白皮書（2019）[R].2019.

[4]大數據產業生態聯盟，賽迪顧問.2019年中國大數據產業發展白皮書[R].2019.

[5]國際數據公司.全球半年度大數據支出指南，2018H2[R].2019.

作者簡介：李 旭（1996—），男，廣東廣州人，在職研究生，主要從事風控研究。