淺析我國P2P網絡借貸大數據風控體系構建的必要性

[摘 要]網貸為中小企業提供了融資渠道，也為進一步實現普惠金融目標做出了應有的貢獻。網貸行業的發展引發了眾多風險問題，市場中存在征信體系不完善、市場對接機制不集中、大數據系統缺失以及運用的有效性難保障等問題，加強和完善基于互聯網大數據的風控體系十分必要。國外實踐證明大數據風控貫穿于網貸的各個環節，大數據風控能有效防范金融風險。為保障網貸行業的可持續發展，應運用大數據思維、搭建大數據征信機構、真實的執行大數據風控和構建數據化風控模型等。

[關鍵詞]P2P網絡借貸;大數據;風控體系;構建

[中圖分類號]F832.4

[文獻標識碼]A

[文章編號]2095-3283（2019）04-0058-05

Abstract： Chinas P2P lending industry has provided financing channels for small and medium-sized enterprises， and mading contributions to further achieve the goal of inclusive finance. The development of P2P lending industry has caused many risk problems.It is necessary to strengthen and improve the wind control system based on big data on the Internet， because of the problems such as imperfect credit system， uncentralized market interface mechanism， lacking of large data system， and difficulty in ensuring the effectiveness of application.Foreign practice has proved that large data wind control runs through all aspects of online lending， and large data wind control can effectively prevent financial risks. In order to ensure the sustainable development of the P2P lending industry， we should have and use big data thinking， building big data credit agencies， implementing real big data wind control and building data wind control model.

Keywords： P2P lending; big data; wind control system; construction

[作者簡介]李姣（1988-），女，湖南衡陽人，講師，碩士，研究方向：互聯網金融。

[基金項目]廣東省哲學社會科學“十三五”規劃課題“P2P網絡借貸大數據風控體系研究”（項目編號：GD16XGL39）。

一、我國P2P網絡借貸現狀分析

（一）網貸的基本情況

2006年小額信貸在我國起步發展， 2014年P2P網絡借貸新金融在國內快速發展，眾多中小微企業和客戶群體從網貸獲取資金支持業務活動或是開展三農服務，這進一步體現了互聯網金融行業的初衷——服務三農。我國網貸行業正式開啟于2010年的純信用無抵押平臺拍拍貸，借鑒國外的競價利率和債券轉讓等模式發展了O2O模式、第三方擔保模式、宜信模式等。截至2019年3月底，全國網貸平臺數為6617家，相比2014年增長了259.90%。累計成交量高達8.33萬億元，全年成交量在2016年和2017年快速增長，因當時正常運營平臺數較多，且客戶群體逐漸攀升。貸款余額從2013年的268億元增加到了2017年的12245.87億元，因P2P網貸行業的監管細則和規劃化處理，2018年有所下滑降到7889.65億元。網貸行業客戶平均的借款期限為15.48月，可見網貸交易集中于1—2年。網貸行業被客戶群體認定為暴利行業，投資理財人群也逐漸上升，其綜合收益率在2013年為21.25%。但新行業發展面臨產業結構升級、行業調整、政府監管等，以致收益率逐漸下降。近幾年一直維持在9%—10%的合理區間，不再是原有的20%左右的暴力行業。

2019年網貸市場中正常運營平臺為1023家，占比為1546%。全國網貸平臺主要的類型是民營，占比7674%。但大多企業的目的不是為了實現真正的普惠金融，而是為自籌資金謀出路或是構建資金池等。全國6000多家平臺中累計停業轉型的2877家，問題平臺2717家。停業及問題平臺逐年上升，2019年更是達到了84.54%。網貸行業需要在政府政策、行業自律、平臺自檢和投融資人群理性投融資下保持生態化可持續發展。

（二）網貸風控的基本情況

網貸行業的發展出現了市場資金混亂、套路貸、裸貸和現金貸等問題后，政府出臺了一些系列措施規范市場發展。如2016年互聯網金融行業協會成立，為網貸行業搭建了一個共享平臺機制以保證信息和自律規范共享。2017年銀監會針對第三方支付資金存管業務出局了存管業務指引，明確了商業銀行的具體職責。且針對信息不對稱問題要求各業務機構定期公布相關信息作為政府、平臺和投資者的消息來源。2018年全國全方位開展掃黑除惡行動，互聯網金融協會提供了自查自糾清單，要求各協會和平臺積極配合自檢，且開展有效的非現場檢查工作。網貸行業的風控主要分為兩類：一是傳統風控機制，風控團隊對客戶基本情況進行線下和線上資料審核。這類風控人工成本很高，且易出現客戶資料造假情況，從而出現了大量的借款人跑路或是逾期還款等現象。二是線上數據風控，這是當前眾多網貸平臺所推廣的方式。部分平臺借用自身的數據優勢構建模型或是體系，數據信息比較完整且真實，用客戶的行為數據衡量客戶的信用等級，從而判斷其融資資金額度，如螞蟻借唄等。大多平臺借用有資質的第三方平臺的大數據對客戶進行信用等級衡定。總體而言，我國網貸行業因征信體系不完善造成很多群體征信空白或是信息不全，部分平臺未對接央行征信體系，或是客戶在央行征信體系中沒有數據。這些問題造成風控難以把握，風險較大。

二、國外大數據風控在P2P網貸平臺中的運用

依據數據的發展做大數據風控，建立數據核心、數據價值、關注效率以及可預測分析的風險防控體系是網貸行業的必然選擇。大數據可覆蓋網貸行業的各個流程，建立“貸前、貸中和貸后”全方位、全流程的風險防控體系。如圖1所示，包含貸前的客戶獲取與身份驗證，構建關聯度分析模型從而確定信用等級。貸中的交易反欺詐和貸后的跟蹤管理與智能催收，做到最大化的大數據風控。

（一） 貸前信息審核與授信

貸前的客戶群體獲取是網貸公司的第一步，通常平臺會采用一些智能營銷和客服的方式吸引客戶，國外一般以機構投資者為主。如德國的Kreditech貸款評分公司、香港Lenddo網絡貸款公司以及Connect.Me、TrustCloud等機構聯合，facebook社交平臺的網站活動記錄設計構造大數據信用平臺，分析客戶的信用。歐洲因前期寬松的監管制度以致其80多家的信用評級機構中近50%左右由美國的三個征信機構控股。美國的網貸行業根據傳統的FICO和大數據技術，Zest Finance公司構建出客戶對應的征信分，對客戶信息進行交叉驗證以此確保數據有效。美國網貸行業基本采用三大征信局的數據和第三方服務商，但不局限于擔保行業，以此確保數據和審核的精準度。其中Trans Union（全聯）征信機構數據資產包含傳統的信用數據、巴西最大的替代數據庫資源、公共記錄和自身的專有數據庫，定期更新審核以保證數據的鮮活度。全聯利用已有的平臺技術匹配和整合客戶關聯人、資產或是相關業務等之間的關系，以此提供貸前的盡職調查、身份驗證和信用等級。甚至是開發了新技術可針對貸款組合構建模型，如Credit-Vision 產品可對客戶近兩年多的數據分析客戶風險變化的速度和嚴重程度等。

美國Lending Club的決策引擎和常用的評分卡體系將借款人分為25個等級，每個等級確定一個利率和放款服務，再篩選界定借款人等級以確定貸款額和利率，各方面數據預測借款人的違約機率。Zest Finance融入大量的非傳統性數據作為信用考量因素，為授信提供決策依據。且用預測模型對數據進行關聯度分析，以此整合變量輸入模型確定借款人的信用分數。OnDeck公司的數據指標從500個增加到了800個，不同模型對不同的企業風險評估，已提供了60億美元的貸款。評級后借款人的借貸信息形成標的，投資者對借款人進行相關提問獲取驗證。或是劃分了信用等級的用戶可分類市場，企業對其進行精準個性化的營銷，綜合考核模型評分給予對應的審批以獲取授信額度。此外，英國的Wonga平臺導入客戶的6000—8000個碎片化信息構成信息網絡進行風險評估，美國的Capital One建立了大數據還款概率系統預判客戶的情況，提高還款率。

（二）貸中監測

網貸全周期性管理和事中監控機制能實現時時預警，形成 “監測—識別—評估報告—處置改進”閉環的管理流程。第一，平臺的數據挖掘分析準確預測客戶的行為，識別與處理潛在風險。如大數據貸款Kabbage公司為小金額大規模的網絡賣家提供豐富的貸款資金，其綜合貸款平臺以大數據為基礎為客戶組織配置，監測數百萬客戶，自動審查數以千計的客戶數據點，以便持續提供準確的承保和融資信息，做到實現“小微出險，極速洞察”。其次，做到動態監測，提高識別能力與準確率。Kabbage的自動化技術、用戶體驗和服務，短期內提供額外收入以便擴大規模，以提供滿足每個組織獨特需求的統包解決方案，最后以數據合作方式進行大數據監測。英國純線上的Zopa公司則是針對投資人收費，且其出借利率若是低于市場上銀行的最佳貸款利率，投資人需額外支付一筆費用給予債權受讓人，以做到投資人和借款人兼顧監測。

（三）貸后逾期與催收管理

Zopa首創了網貸安全保障基金，由P2PS Limited獨立運作，以賠付投資人因借款人逾期超4個月的本息損失。其2017年收入增長了40%，高達4650萬英鎊，更是融資4400萬英鎊為數字銀行做籌劃工作。而Funding Circle用預估壞賬率指標來衡量資產質量，外加生命周期違約率衡量壞賬。同時與桑坦德銀行建立合作關系，為銀行提供現金與存款管理服務。Lending Club 和web Bank進行非標資產的證券化，引入Foliofn進行逾期賬款催收。集聚風險的英國網貸行業則利用銀行領投融資以提高投資人的資金保障。以企業票據為核心業務的MarketInvoice平臺獲得了多家金融機構合作的2600萬英鎊B輪投資和巴克萊銀行的3000萬英鎊債務融資。各國政府嚴格要求網貸平臺對平臺動態和客戶的信息進行及時披露，保障客戶的權利。

三、構建P2P網貸大數據風控體系的必要性

產業結構、貧富差距等促使網貸行業可持續發展，依靠網貸實現普惠金融拉動經濟、縮小貧富差距。網貸行業的監管細則出臺，金融風險防范呼聲越來越大。P2P網貸平臺約束自身運營機制適應市場變化，同時著手大數據風控體系構建勢在必行。

（一）大數據思維是P2P網貸風控體系構建的趨勢

數字化經濟帶來了場景化、多元化、技術化的金融發展，同時網絡詐騙、信息泄露等日益嚴重。P2P網貸行業屬于數據密集型產業，資金池、支付轉移等風險頻發，大數據思維構建風控體系有效防止資金轉移，做到資金動向監控，降低違約風險。大數據推動了市場，也帶來了“精準詐騙”。上游機構非法獲取信息的倒買倒賣，中游融資企業或是平臺各類手段騙貸或是自融，下游企業利用支付漏洞洗錢等，形成了網貸市場的黑色產業鏈。網貸平臺的跑路、倒閉或是非法集資等形勢對大數據風控體系構建提出了新的要求。大數據思維將網貸平臺原有的功能價值轉變成數據價值，將隱蔽、時滯的問題轉化為明確預見性。貸前的大數據信息收集與數據的整理，精準定位客戶的投資需求與傾向，利用機器學習與預測算法提升風控防控，大數據提高了網貸審批的速度。貸中的授信、客戶大數據監控等優化監測流程，貸后的異常客戶與還款及時性等降低違約，且可通過大數據平臺識別客戶的異常行為，作出預警信號。大數據可增加網貸平臺的客戶群數量，提高了服務質量，挖掘新客戶和留住舊客戶。如《紙牌屋》電視基于精準的大數據廣告投放，精選演員以收益互聯網行為客戶。且改變了原有的尋求精準度到現今的放貸高效率，從因果關聯到相關性研究，確定性到概念性，實現各類數據的完整與容忍，優化貸款全流程的中央式風控。如西太平洋銀行借助SAS工具打造數據營銷平臺重塑客戶關系。網貸行業呈現的全樣化、容錯性和相關性思維，給予了網貸平臺的強有力支持，也是網貸行業可持續發展的方向。

（二）大數據征信是普惠金融發展的基礎

中國的消費信貸規模持續攀升，2015年為19萬億，同比增長23.3%。消費金融市場的變化帶動了全國經濟的發展。據統計，我國近70%左右的中小微企業和中低收入者未享受或是足夠享受金融服務，網貸的發展活化了中小微企業和中低收入者的融資渠道。空白群體的征信體系建設迫在眉睫，市場對征信數據庫的覆蓋度提出了高要求，小額分散的融資方式推動了大數據技術滲透于風控領域。多維度、動態和種類繁多的數據擴展了征信體系的數據范疇。大數據征信完善了基礎設施，數字化技術可滿足長尾市場的借貸需求，減低信息不對稱成本，大數據征信市場規模在2017年達到了140億美元。依托互聯網可獲取客戶有用信息，輻射更多的征信人群，大數據應用加速可助推覆蓋長尾效應80%的中低收入者，形成大數據核心競爭力。信息技術的更新促進數據處理和挖掘能力的提升，大數據與金融領域的融合擴展了服務邊界，場景化服務做到個性化定制，覆蓋面極大，呈現了網貸的去中心化、長尾和普惠特點。信通貸的“普惠金融+征信大數據服務”平臺項目兩年內撮合了107424筆貸款業務，成交人次達3.29萬，征信數據累計過百萬條。截至2017年，該項目為企業實現了23679.68萬元的產值。

（三）大數據風控是 P2P網貸的必然保障

大數據的資源可有效幫助P2P平臺做到“精準鎖定、精準融資、精準投資”，利用以芝麻信用和騰訊征信為代表的互聯網個人征信機構和以安融征信和91征信為代表的第三方服務類機構聚焦客戶群體的電商交易、QQ和微博社交、網絡行為、政府類公共部門等數據，廣泛運用于金融、生活、催收等場景。以此搭建平臺精準鎖定P2P網貸平臺的客戶群體。如梧桐理財網根據市場調研推出符合中產階級客戶需求的理財產品，主要是較高的收益率（8%—10%）和較低的起點（2萬）符合大眾的投資傾向。大數據分析技術能做到為平臺精準定位和精準營銷。利用用戶模型監測客戶的APP瀏覽痕跡，開展產品的優化推薦與投放。數據庫挖掘已有或是潛在的借款人，做到精準、嚴謹和高效的借款人審核。如阿里的大量交易支付數據和賣家的銷售數據、銀行流水、水電繳納等數據原料，可作為客戶的網絡行為評分模型資源。再者，通過資源庫預測與分析客戶群體的投資意向。基于原有的產品服務跟蹤客戶詳盡的數據，提供合適合理的服務，做到精準投資。

（四）數據化風控模型是網貸風控的核心

小額分散、風控體系是P2P網貸平臺的標配宣傳詞，小額分散運營模式的特征是借款人與投資人群眾多，借款人的還款能力與意愿難以用傳統的審核方式確定違約風險與程度，造成網貸偏離了原有的小額貸款初衷。利用數據分析方式建立風控模型和決策引擎可預警客戶違約以及流失情況，并時作出相應的對策。且根據客戶需求更新創造新產品，提高評級的及時和準確性。宜人貸擁有一套信審數據模型用于客戶風險識別與篩選，有助于提高審批決策的自動化程度，降低平臺與客戶、投資人與借款人之間的信息不對稱，以及平臺運行的成本和邊際成本。目前大多平臺都在積極推動數據化風控模型的建設。如神州融大數據風控“微金融信貸管理云服務平臺”借貸國外信貸工廠的理念涵蓋貸款的審批、賬務、催收等多個系統。博金貸的風控管理部分為現場勘查、大數據中心和風控技術，布局金融科技領域研發了博金云風險系統（如圖2）。多維度數據如異常還款賬戶、關系人核查、多重借貸和關聯分析等進行身份、信用、負面、還款、行為和社會等挖掘形成報告，通過各類評分風控模型進行評估，其中個人和企業信用數據分別為180多項和300多項。以此完成“數據收集分析——白名單行為——主動營銷獲客——調查評級——合同簽署放款——貸后管理”風控流程。數據化風控模型有助于加強平臺與企業和社會的關聯度，根據數據報告采集，從而斷定風險情況，提高風險評級準確度。

四、總結

面對互聯網金融行業的發展浪潮，構建網貸的大數據風控體系需要關注以下問題：1. 注重大數據征信體系搭建，網貸平臺對接央行或者第三方征信機構，做到盡可能確保客戶擁有相應的征信數據，且針對征信、大數據等制定相關法律制度。2.平臺大數據使用中注意數據的維度、提取與真實性問題。3.網貸風險管理問題，尤其是客戶信用等級和互聯網技術問題。針對網貸行業大數據風控體系構建中存在的問題，可從以下方向著手：1.完善制度，推行征信機構許可和大數據技術運用，關注客戶信息的銜接與維度。2.共享機制平臺建設，數據來源渠道和征信機構多樣，為實現客戶信息的統一和真實，多家協調與共享。

[參考文獻]

[1]蔡豐慶，郭春松，陳詣之.大數據思維在金融學研究中的運用[J].經濟學動態，2015（3）：104-114.

[2]巴曙松，候暢等.大數據風控的現狀、問題及優化路徑[J].金融理論與實踐，2016（2）：23-26.

[3]朱大磊. 大數據風控助力普惠金融[J].中國金融，2017（11）：56-57.

[4]黎寧.大數據在互聯網金融企業風險控制下應用研究[D].廣西大學，2018（6）.

[5]黃碩等.基于大數據下互聯網金融的風控研究[J].農村經濟與科技，2019（1）：110-111.

[6]王冬吾.國外P2P網貸大數據風控管理與經驗借鑒[J].西南金融，2019（2）：90-96.

[7]陸登強.立足金融科技，大數據智能風控助力普惠金融[J].中國金融電腦，2018（8）.

（責任編輯：顧曉濱 梁宏偉）