消费金融风控结构资料下载.pdf

1、数据风控 数据风控，即交由计算机处理大量数据，对客户的各个方面进行评估，以达到风险控制的目的。由于大量评估工作都交由计算机进行操作，因此，风控结果较为客观。但是，数据风控需要海量数据作为基础，如果公司没有足够的数据作为基础，则很难进行较为精准的数据风控，其结果可能会有所偏差。动态平衡 传统金融业务，往往追求的是低风险、低逾期率。消费金融的思路则有所不同。由于通过互联网获取的客户参差不齐，很难做到完美的风险隔离。因此，消费金融公司的风控目标通常是确保收益高于损失，达到动态平衡，而不是不断压低逾期率、坏账率。否则，往往导致业务规模停滞，甚至缩小。风控及相关概念诠释 短板理论 风控水平取决于风控体系

2、最薄弱的环节。如果风控模型出现了一个明显的漏洞或者缺陷，将会有大量的黑产人员利用这个漏洞套利。从我们的工作角度出发，则应该对企业的风控模型逻辑进行评估，指出其逻辑上的漏洞或者缺陷，避免资金方的损失。对抗性 风控其实是一个相互对抗的工作。黑产的人员会不断对公司的风控模型进行测试、分析，以发现漏洞，并实现套利。因此，风控模型需要不断完善、改进。另一方面，风控模型的整体策略也是非常重要的。如何设计对抗策略，如何安排模型更新升级，将对公司的运营产生一定影响。用户体验 风控模型所需要的数据都是从用户方面获取的。因此，用户的体验很重要。如果风控模型所需的用户操作非常复杂、难懂，就有可能让一部分用户放弃使用

3、，进而影响公司运营。一个好的风控模型，不仅仅要能防范一定层级的风险，同时要确保其目标客户能够较为方便的进行操作。这就需要风控部门和运营部门、产品设计部门不断沟通，而不是一味的进行模型层面改进。机器学习 一种优化风控环节的方式，即通过一些算法的安排，使得计算机能够根据不断积累的数据，自主优化风控模型的部分细节，以达到降低逾期率、扩展客群等目的。4 2.风控流程介绍 5 风控运行流程介绍 注释 基础变量及衍生变量均可以作为参数导入风控模型进行计算，这取决于模型的设计 部分公司含人工审核流程，部分公司则直接进入贷款流程 评分汇总之后，可能会驳回部分申请，部分公司会进行人工再审核 6 数据源1 基础变

4、量 衍生变量 风控模型1 风控模型2 风控模型N 数据源2 数据源N 评分汇总 人工审核 贷款流程 驳回 数据抽取 数据提炼 变量导入 加权累加 风控运行流程介绍 数据源 即各用户数据的获取来源，现有的主流数据源有银行、手机运营商、央行征信系统、支付宝、社交软件等 基础变量 直接从数据源抽取的数据，例如用户存款、通讯关系网、不良信用记录、芝麻信用等 衍生变量 对基础变量的数据进行提炼加工，以获取深层次的数据。例如用户的月度交易频次、平均金额、芝麻信用的发展趋势等。个人认为，减少基础变量在风控模型中的参与程度，由衍生变量替代，可以更好的保护客户的信息，以及风控环节的安全程度。风控模型 即含有不同

5、功能的处理模型，例如身份验证模型、反欺诈模型、信用分析模型、行为分析模型等等。也可以将模型简单归类为反欺诈类模型反欺诈类模型及信用评估类模型信用评估类模型。前者用以排查黑产人员，避免或减少被套利的风险；后者用以评估普通用户的信用分数，以决定是否进行贷款以及贷款额度。评分汇总 即根据各模型的结果，经过不同权重累加，获得最终的用户信用评分。此过程可以参考FICO评分系统。人工审核 部分公司会在得出评分后再进行人工审核，其出发点为最终确认用户评分及欺诈情况，或是对系统评分进行修正。该流程安排及具体审核内容取决于公司的风控策略。驳回 即退回申请，可有人工二次判断，或直接根据模型结果驳回。贷款流程 即进

6、入授信及发放贷款流程。7 风控设计流程介绍 业务定位 对公司业务方向进行分析，确定业务所对应的客群、额度、利息、周期等因素。风险定义 根据公司业务的定位，预估可能产生的风险以及所需的用户数据源。举例来说，如果公司针对有一定逾期记录的客群，则可能需要对其贷款行为、消费行为进行深入分析，设计让客户有强还款意愿的产品或流程，以降低逾期率。反过来说，对于信用记录良好的客群，则无需对此分析过多。风险分解 将已定义的风险进行分解，使其细化成各个小模块。该类模块即为前文所提及的风控模型1、风控模型2等。例如，将反欺诈风险分解为银行账单分析模块、通讯模块，根据其账单流水的频繁度、通讯频次、通讯对象的分析，来实现黑产人员的甄别。风险策略 即其风控环节运行的策略，包括违约率控制、评分与额度的关联、模型权重调整策略等。测试升级 在不断积累客户数据及运营数据的情况下，将会对已有的风控环节进行优化、升级，提高公司的盈利水平。8 业务定位 风险定义 风险分解 风险策略 测试升级 注：设计流程可能会根据公司需求有所变动，但需求基本不变