萬億級消費金融處風口 考驗大數據風控新手段

隨著2016年P2P網貸的退潮，被業內認為規模達萬億元級的消費金融市場正在開啟。從目標用戶的特點來看，消費金融的客群極大，消費場景繁多而呈個性化；而另一方面，採用傳統金融機構徵信手段難以覆蓋消費金融的目標人群，同時風控系統和審批流程也難以應對消費金融產品需要與不同場景、不同渠道合作方的快速對接，從而為用戶創造愉快的應用體驗的需求。

金融的本質是風險管理，風控是所有金融業務的核心。大數據風控因而成為消費金融領域必然的解決之道。面對消費金融領域客戶風險較高、客戶信用信息不全、惡意欺詐或薅羊毛現象、客戶違約成本低、債務收回成本較高等諸多新的挑戰，消費金融必須利用大數據風控豐富傳統風控的數據緯度，利用多維度的數據、演算法和模型來實現快速識別借款人風險。

在消費金融興起的大潮中，無論是互聯網系、電商系、銀行系消費金融，都在積極布局大數據風控，而各家的商業模式、資源優勢不同，應用的狀態和優勢也各異。

螞蟻金服旗下芝麻信用，利用梯度提升決策樹、隨機森林、神經網路、分群調整技術、增量學習技術等在內的機器學習演算法，可以為缺少信貸記錄的人群做出客觀的信用評價。

京東金融形成了由多種大數據機器學習模型構成的弱分類組合預測模型，藉助隨機森林、lasso 回歸等演算法，參考數千個預測變數，藉此評估用戶的還款意願和還款能力。

相比依託場景化信貸的大型電商所布局的大數據風控，對於互聯網消費金融公司來說，其大數據風控的模式和能力則更加重要。以馬上消費金融為例，平台在運用傳統客戶身份識別手段的同時，增加活體識別、人臉比對等新興技術手段，進一步增強客戶身份識別精準度、有效防範控制第三方欺詐風險。在此基礎上，馬上消費金融以央行徵信數據為基礎，但又不局限於央行徵信數據，充分挖掘並利用客戶的其他信貸數據、消費數據、互聯網痕迹數據等，生成高達幾萬個的風險變數，並分別輸入不同的預測模型，例如欺詐模型、身份驗證模型、還款能力模型、還款意願模型等，更為精準細緻的評估客戶的信用風險和欺詐風險。

在構建模型的過程中，馬上消費金融引用了先進的機器學習、隨機森林、人工智慧技術，以科技手段武裝風控能力，來提高大數據風控的實效。據銀監會公開數據，目前消費金融行業的不良率為4.11%，馬上的不良率只有1.36%。

另一方面，大數據模型與自動化審批是相輔相成、相得益彰的。基於大數據模型的自動化審批，能不斷優化信審流程、提升業務量，同時有效控制風險；而高速發展的業務也為大數據模型積累了更為有效的訓練樣本，使得模型可不斷迭代更新，真正實現數據和技術驅動的信貸決策。也正是基於大數據模型的自動化審批，使得馬上能夠為廣大用戶提供審批速度達到秒級的消費貸款服務。

大聖數據作為一家專業為中小金融機構免費對接眾多數據平台，提供企業,個人，押品等多維度的風控數據查詢，幫助中小金融機構大幅降低了大數據風控使用門檻及管理成本。

（本文來源網路，版權歸原作者所有，若涉及版權問題，敬請及時聯繫我們溝通授權或做刪除處理，謝謝！）