二、消费金融风控面临的挑战

1. 征信数据孤岛，无法全面构建用户画像

国内征信体系尚不健全，数据无法共享，无论是银行系还是互金系所积累的数据，不能完全反映用户的整个信用体系和用户画像。

2. 反欺诈手段有限，欺诈骗贷横行

欺诈风险是目前消费金融最大难题，专业骗贷团伙猖獗，勾结商户联合欺诈，骗贷技术和手段不断演进更新。

3. 大数据风控能力和系统缺失，无法精准风险定价

缺乏专业大数据风控人才、团队，量化评分模型和风险决策系统，无法精准风控定价。

4. 风控环节单一，无法涵盖信贷全生命周期，存在风险漏洞

目前大部分消金平台风控著重于贷前反欺诈，风控环节没有覆盖贷前审核、贷中复查、贷后监控全流程。

三、互联网消费金融风险案例

某消费金融公司与一些中介公司合作拓展客户，部分合作公司借此从消金公司违规套取资金，通过「拉人头」的方式骗贷。其中，贷款客户并非实际资金使用人，而套取出的资金却不知所踪。据了解，被中介公司通过「拉人头」方式向消金公司客户已经高达约200人，大多数「人头」的信用记录已经多次逾期，很多人已经向法院起诉，且拒绝向消金公司还款，客户和消金公司的冲突也在不断升级。

四、消费金融大数据风控体系

以现金贷为例，一套较为完整的风控体系需要包括贷前审批、授信，贷中跟踪、监控，贷后失联修复、不良催收。

贷前审批、授信

1. 构建信用评分卡模型 精准评估借款人还款能力和还款意愿

基于对大数据的统计分析，根据客户的资料信息，对客户信用进行评估打分

包括：

a) 申请者评级：

个人客户申请融资类业务时提交的数据进行评级，（A卡）

b) 行为评级：

个人客户的历史行为数据进行评级，对客户可能出现的逾期、延期等行为进行预测（B卡）

c) 催收评级：

对业务中存量客户是否需要催收的预测（C卡）

d) 欺诈评级：

业务中新客户可能存在的欺诈行为的预测（F卡）

如下以反欺诈行为预测为例进行介绍

2. 贷前反欺诈

1）.有效数据源

目前互联网金融产品拥有的数据源主要可分为以下几类：

a) 身份信息：姓名，身份证号，手机号，银行卡号 , 地址，婚姻，学历等

b) 信用信息：历史贷款申请信息，还款记录，逾期记录等

c) 社交信息：通讯录信息，社交平台数据等

d) 消费信息：银行卡消费水平，消费能力，高风险行为等

e) 行为信息：手机使用状况、出行记录、电商平台交易数据等

f) 合作机构数据：黑名单、白名单客户等

上述数据源的数据加上申请者提供的数据，就可以组成一个与该申请者相关的巨大的数据集合。利用这个数据集合就可以建立风控体系对用户的欺诈风险、还款意愿、还款能力等进行有效判别。以现金贷为例，我们可以把常见的现金贷大数据风控规则归类如下：

（1） 勾稽比对

勾稽比对是会计行业的一个常用术语，在风控中主要指利用多维度数据进行逻辑对应关系检验的方法，举例来看：假设用户填写的「收入水平」为变数A，「工作地点」为变数B，申请时IP地址的「所处区域」为变数C。从A+B的维度来看，倘若用户填写的A月收入有数万元，B却显示在某个偏远山区的修车厂工作，我们或许应该怀疑用户隐瞒收入。若从B+C的维度来看，倘若B变数显示用户工作地点在北京，C却显示申请时IP地址在云南，或者频繁更换IP地址去申请，我们或许应该考虑金融欺诈的风险。若结合A+B+C的维度来看，若B变数显示客户在北京国贸工作，A变数显示月入10000元，IP地址、申请地点都在北京，通过三个变数数据的交叉验证，可以初步推断申请人是常住北京的中等收入白领。倘若再增加更多变数例如填写手机号码常用通话地点等，就能从更多的角度验证出数据的可靠性。

（2） 交叉检验

交叉检验与勾稽比对有细微差别，但两者都是利用多维度数据对用户真实性和可靠性进行验证的方法，这里只简单举个例子，例如申请人提供了工作单位地址，但用外部数据验证结果显示该单位不再这个地址，那该用户可能存在欺诈风险。

（3） 强特征筛选

有一些变数在风控的考量中占有较大的权重，例如多头借贷次数，该次数较高意味著用户存在严重的多头借贷情况严重，有较高的违约风险。拿前海征信常贷客产品验证结果举例，命中常贷客客户信贷逾期风险是普通客户的3 ~ 4 倍。其它较常见的强特征变数还有关注机构（催收机构等）通话，工作日夜间通话等。

（4） 风险关系

风险关系主要验证与申请人相关联个体的信息。例如，该申请者通讯录中是否存在较多被列入黑名单的联系人，该申请人的生情电话或IP是否曾被另外的申请者使用过等。

（5） 用户的行为数据

用户的行为数据也可以很好地用以鉴别金融欺诈。例如通过运营数据统计显示，在凌晨3点左右申请贷款的用户的信用风险更高，这可能因为很多欺诈者对智能信贷不熟悉，错误地以为凌晨无信贷员审批，防御薄弱的突破口；此外，申请时多次修改填写资料的用户可能存在信息造假，因为普通人通常不会频繁记错自己的私人信息。这些独特的用户行为数据一定程度上也能甄别风险，反应用户信用。

贷中风控

1. 借款申请阶段

借款申请，是指选择金额、期限和借款用途的过程。

尽管许多现金贷产品中并未体现「借款用途」，但这是一个合规的点。「现金贷」属于个人消费贷，借款只能用于日常消费，不能挪作他用。

如果「借款用途」不属于个人消费，那么现金贷平台一般都会拒绝申请。同时，如果「借款用途」属于个人消费贷，但是实际却用作他途，那么现金贷平台也有权在未到期前收回本息。然而，实际操作中，很难监控「借款用途」，目前该说明还只停留在协议阶段。

在指定额度内，是否仅接受一笔贷款，还是可以接受小额多贷，不同的现金贷平台标准不一。多数平台为了控制风险，仅接受一笔在贷。

2. 审核阶段

有关借款订单的审核，主要出于两方面的考虑：

· 看资金量是否充足，并在此基础上决定订单量的多少。如果平台资金不足，订单审核依据一定的规则调低通过率；如果资金充足，主要依赖以下规则。

· 再筛一遍黑名单，避免从获得授信额度到发起借款申请这个时间段内用户染黑。如果是助贷平台，将资产推送给合作资金方后，资金方也有自己的一套风控规则，来审核该资产是否符合自己的风控要求。

3. 放款阶段

针对审核通过的订单，进行放款。在这个环节，助贷平台和资金方一般没有风控。第三方支付通道会有支付风控，这不依赖于现金贷业务而独立存在。

贷后实时监控预警 及时发现信用恶化迹象

知识来源：

互联网金融平台如何反欺诈？ 来源：知乎

链接：https://www.zhihu.com/question/29177586/answer/152093626

信用评分模型的理解和学习 来源：知乎

链接：https://zhuanlan.zhihu.com/p/36263276

现金贷风控生命周期——贷中和贷后 来源：知乎

链接：https://zhuanlan.zhihu.com/p/43224032

《消费金融大数据风控解决方案》 来源：百度文库

作者：王睿

推荐阅读：