大數據應用在互聯網金融借貸行業的實踐與探索

薛又軒

大數據可說是2015年和2016年的重點話題，一方面成為互聯網和資本市場的火熱話題與風口，另一方面國務院也在《關于印發促進大數據發展行動綱要的通知》系統部署了全國大數據發展工作，大數據儼然成為國家層級的重點戰略。而和金融業息息相關的數據應用方面來說，國務院在隨后頒布的《推進普惠金融發展規劃（2016～2020年）》中更是直接提到“鼓勵金融機構運用大數據、云計算等新興信息技術，打造互聯網金融服務平臺”。至此，國內外各金融與類金融機構、互聯網金融企業紛紛上馬大數據應用的探索，冀望大數據可以帶來技術上的突破，實現自動化、著手升級現有風控模型體系、探索新型態基于場景化的消費金融市場、提升催收效率、建設互聯網深層次大面積獲客能力，從而徹底提升國家金融行業的國際競爭力。

大數據和傳統數據的差異

談到大數據，首先應當了解，對金融行業來說，大數據“大”在哪里，和傳統數據在本質上有什么樣的不同，才能夠更好地理解和更有針對性地應用這寶貴的新資源。就如同原油也需要經過層層的提煉，才能成為人類可以大量應用的石油產品，大數據也需要經過精心的篩選和應用設計，才能起到實質的功效。

傳統金融機構，在建設信用風險打分模型的數據來源主要有幾個方面：第一，人民銀行征信中心數據；第二，客戶自己提交的外部個人財力證明數據，如房產證、汽車行駛證、單位開具的收入證明等；第三，金融機構或集團內部積累的客戶歷史數據，如銀行的工資流水，歷史貸款數據，保險數據等。

傳統數據的優點和缺點

傳統數據優點是這些數據和金融的價值相關性高、數據采集規范。然而缺點是維度較小，并且覆蓋的人群有限，對于新形態的互聯網模式適應程度較差，也不容易達到普惠覆蓋的目的。 金融機構基于這些高價值數據，紛紛設計出各種信用風險評分模型，最終實現對客戶信用風險的打分評估，是目前較為成熟的運行方式。

大數據的特點

大數據時代的客戶信息渠道更加多元化，主要包括內部收集和外部渠道，內部收集指各互聯網生態體系內，長期積累的用戶數據。外部渠道則是指各種數據源采集，如通信數據、社保數據、法院失信數據、交通數據、保險數據等等（圖1）。

其數據特征包括幾個方面，第一，數據覆蓋面廣。各大互聯網集團，通過各種APP采集積累了用戶行為各方面的數據，如搜素歷史數據、電商交易數據、支付交易數據、社交數據，以及各種APP采集的用戶行為數據等等。第二，大量非結構化的破碎數據導致的數據不準確。數據采集渠道的多元化和非標準化，隨之帶來的問題就是，客戶信息不準確，同一客戶不同維度的信息經常不完整或匹配不上。第三，數據來源不穩定。不少大數據采集通過灰色渠道收集個人隱私數據，數據連續性和可持續性欠佳，往往有數據過時或缺失問題。第四，消費數據和信用數據關聯性弱。 盡管市場上常見的大數據機構收集了各種維度的客戶行為信息，試圖描繪客戶畫像，但消費類的數據和客戶信用風險以及還款意愿并不直接相關。目前的大數據公司往往缺少內部征信數據、外部征信數據、個人資產數據等強金融變量數據，而集中在客戶衣食住行和社交信息，要直接拿來作為信用風險評分模型的有效性依舊有待考驗。考慮到大數據和傳統金融數據的差異性和互補性，所以更多的應該是如何通過模型的設計和提煉，使得這些大數據源經過提煉，可以從原油變成成品石油般廣為應用（圖2）。

大數據在借貸中的應用

借貸反欺詐的應用

由于網絡借貸和傳統金融面對的受眾區別，借款人主要來自線上，考慮到目前網絡犯罪的試錯成本極低，為數眾多的網絡借貸平臺很容易成為詐騙集團覬覦的目標，一般根據行業經驗，網絡借貸平臺往往都會有高達九成的借款需求存在欺詐和騙貸行為風險。因此借貸反欺詐的重點在于從100名潛在借款人當中，準確識別出真正有還款意愿的10名借款人。

通過技術的防范手段很多元化，一般通過核實手機號、身份證號碼、電腦唯一設備號、手機唯一設備號，可以進行下列過濾識別手段：交叉比對借款人登記的住家地址、公司地址，以及申請人當時申請的定位地點，如果差距超過10公里，風險系數極高；某些地址或大樓，屬于申請詐騙高發地址的，風險系數偏高，會得到一個分值；發現和多個平臺同時存在借款記錄的，風險系數偏高；手機號屬于法院黑名單、租車黑名單、使用時間段不足6個月、被多次標記惡意騷擾電話等，風險系數偏高；6個月內，同一個手機設備號，曾經在銀行、小貸公司、多家P2P平臺有過多次申請記錄的，風險系數極高；手機設備號近一天關聯申請人3個手機號以上的，風險系數極高；手機號與設備是否匹配、第一次激活時間距離申請貸款時間較近，風險系數較高。

基于大數據自動化流程提升效率

在通過反欺詐引擎，識別出真正有還款意愿的借款人后，這個階段的重點在于建立大數據輔助的信用風險評分模型，盡可能的從多維度數據補強出傳統金融數據不足之處，精準定位達不到傳統金融機構要求，但是又具有良好還款能力的借款人。目前行業內流行較廣的應用是在個人征信過程中，針對小額度（低于1萬元）的貸款需求盡量采取自動化、批量化的模型審批系統，將原先需要人工花費30分鐘、逐一審核的15個風險控制點，采取自動化和接口的方式，在1分鐘內能完成風險定價和放貸，極大地提升運營的效率，更有效地通過技術手段壓縮了運營成本。不過針對大金額的借貸，考慮到欺詐風險和成本較高，傳統的金融征信數據和手段依舊不可或缺，同時使用大數據進一步提升風險管控和提高效率，例如通過接口自動實現身份證、法院、社保的信息核實，可以提高準確率和審批效率。未來也可以試圖在傳統風控打分模型中引入更多的大數據元素，作為評級的參考標準，例如有金融參考性的保險數據、航空記錄、社保記錄等。

構建基于場景的數據風險管理體系

通過建設交易借貸的場景一體化，是目前各大互聯網金融平臺和傳統金融機構進行錯位競爭的舞臺。其中由于借款人是直接通過信用借貸行為取得所想要的產品或服務，套現詐騙風險相對較低，金額一般也較小，各大平臺借鑒著靈活的體系和快速執行力，紛紛投入精力設計各種低風險、場景化的金融應用服務，并不斷持續優化客戶體驗。

場景化金融的風險管理要素，在任何一個的場景中，都有借款人、貸款用途（購買特定產品和服務）、資金流和產品服務流這幾個基本要素，在這些特定點中，通過下列規則的設定和組合，可以有效的極大的降低風險。第一，基于購買特定產品和服務類場景的借貸產品，例如產品服務非一次性交付，如長達一年的教育課程培訓套餐或多次實施的醫療美容套餐。第二，資金流和產品服務流形成閉環，意味著借款人不能拿到現金，平臺的資金流是直接付給產品服務提供方，如在線分期購買iPhone、個人二手車消費貸款。第三，風險可控有抵押需要快速周轉靈活調度資金的場景，如二手車商的經營貸款、房地產置換的贖樓貸，也是很好的消費場景。

不過考慮到每個場景設定的不同，對應的風控要素自然也不同，最理想的互聯網金融平臺模式，會建立數十種不同的場景化金融，針對每個場景定義出不同的風控要素、準入條件和禁入人群、利率定價、還款周期等等。

從實操的角度來說，第一步應該是在每一個風控場景，由風控人員和技術人員設定出精密的各種金融要素條件，第二步是盡量善用外部數據源來輔助，能真正體現每一個互聯網金融平臺的產品設計和風控水平。

做催收貸后管理的應用

在傳統數據受限的場景下，大數據能顯著提升貸后催收的成果，目前國內各大銀行信用卡中心都已經開始探索這方面的應用，互聯網金融行業也早就已經著手使用。具體來說，主流應用是查找逾期失聯客戶的電話、地址、郵箱、QQ 、微信、微博等信息。幫助委托方與失聯客戶建立溝通渠道。如果還是失敗，大數據公司往往會進一步分析該手機號最常聯系人，做進一步聯系，試圖聯系失聯客戶。

在獲客和客戶價值挖掘上的應用

傳統金融機構或銀行，目前評價一個客戶價值，相對來說較為片面。舉例來說，一個客戶在某銀行里，只有一張借記卡，沒有其他信用卡或貸款服務，只有賬戶里面幾千元活存，那這個客戶對銀行來說，往往被定義為交易不活躍的低價值客戶。

如果可以通過大數據角度來看，通過身份證號、手機號進行客戶畫像描繪后，可能分析出來這個客戶經常關注互聯網理財，經常頻繁使用各種股票和銀行APP，較高頻次的國內和國際航空記錄。這個時候分析出來的結果反而可能是高凈值客戶。通過大數據可以幫助金融機構和互聯網金融把客戶畫像描繪的更加完整。這樣一來，結合了原先的傳統情景和大數據分析后的場景，金融機構和互聯網金融平臺的決策就會截然不同。這個客戶雖然在銀行或互聯網金融平臺暫時是一個低價值客戶，但實質上是一個高凈值客戶，可以通過適當推送的產品組合，并結合電話銷售，推薦適合的金融產品或服務，例如全家海外旅游分期貸款，或者短期高收益的金融產品。這也是通過大數據分析能改變傳統獲客和客戶挖掘交叉營銷的模式。

同時，通過算法的分析和訓練，可以建立現有用戶的群組，分析出一群比較相似的人，推薦一些他們經常會選擇的東西，根據這些信息可以去推薦相應的金融產品或服務給他，一方面讓客戶覺得不會干擾，進而提升接受度和轉化率。從智能推薦的角度，會利用不同的標簽參數、ID的參數等等完成推薦的工作。ID在整個數字營銷領域是非常關鍵的一件事情，需要知道這是同一個人，才會有意義，不然所有營銷的工作都是分散、割裂的，對整體的營銷效果并不會很好。

有了相對穩定的老客戶，那如何開發新客戶進行獲客？很多互聯網平臺往往會外包給一些外部營銷公司、媒體公司。其實從大數據的視角來看，應該是分析現有的穩定老客戶，根據這些老客戶可以通過相似的推薦、相似的選擇找到什么樣的用戶會發生轉化，根據標簽設定找到已經轉化的老用戶相似的用戶，根據這些用戶選擇性的去投放不同的媒體渠道和屬性，不停優化整個投放的結果，可以有效的降低獲客成本。

挖掘POS流水的價值

通過挖掘POS流水的歷史交易數據，也是一種新的趨勢。一種是通過分析商戶POS機的歷史交易記錄流水，綜合分析所在行業、月均交易額、交易額穩定性、交易變化趨勢、客均消費金額、持續經營時間，實時評測其收入和還貸能力，最后得到一個商戶預授信額度。另外一種是分析個人多張銀行卡的流水，從月均收入和消費金額、消費大類分布、資產狀況、特殊類別統計、銀行卡等級、常駐城市，最后生成持卡人預授信額度。

就如同人類從發現石油，將石油精煉出煤油，為世界人民帶來夜晚的光明。隨后又將更進一步的提煉出今天廣為全世界使用的汽油和柴油，徹底改變了人類的生活。大數據亦然，也會從傳統數據，升級為大數據，進一步再升級為結構化的全數據時代，將會徹底改變人類觀察世界、運作世界的方式。

從金融行業來看，各家大數據供應商的數據，隨著采集設備和種類的增加，采集方式日漸結構化，輔以各種大數據分析工具的齊備、大數據分析從業人員增加，可以預期在不久的將來，大數據將會漸漸的徹底改變目前整體傳統金融行業的運作方式，隨之而來的，各金融機構在戰規劃略和資源傾斜上，也會越來越重視大數據的投入，并逐步將數據的積累、分析、應用變成金融機構核心競爭力的一部分。在國內，除了借貸業務外，預期在保險行業、券商行業、大資管與財富管理行業，還存在著巨大的發展空間和機遇等著各類金融機構進行探索。

（作者系點融網銀行事業部總監）