你了解现金贷风控模型吗？
从监管的角度来看，现金贷业务要想继续经营，将不得不大幅下调贷款利率，降低各种手续费。因此，通过提高风险控制水平，减少坏账损失，成为保证现金贷业务经营利润的必由之路。
一、简要分析现金贷风险控制体系:点-面-点的过程
第一个“点”是起点。现金贷风控体系的设计需要以产品本身为出发点。现金贷产品无非是利率(包括各种费率)、期限、额度、目标人群四个要素。对于每个目标群体来说，他们在流动性需求、预期未来现金流、消费观念、收入水平、信用状况等维度上具有一定的规律性和* * *性，进而影响其申请额度、贷款利息接受水平、还款能力和还款意愿。因此，产品的合理设计可以有效降低风险控制的难度，实现收益最大化。比如对于白领来说，月薪比较适合一个月以下的贷款期限。
另外，除了现金贷产品的特点，其推广渠道也相当重要。如果通过一个推广渠道引入大量的非目标人群，不仅会降低推广成本的使用效率和后期风控过程的判断准确性，还会产生大量有偏差的数据，不利于风控模型的迭代升级和产品的重新设计。
“面子”指的是具体的风控流程。按时间段区分:风控流程包括贷前、贷中、贷后三个阶段。贷前阶段是整个风险控制流程的核心阶段。这个阶段包括三个步骤:申请、审核和授信。形象地说，贷前阶段是一个过滤杂质的阶段。第三方征信数据、黑名单、反欺诈规则、风险控制模型，是一层层孔径不同的过滤器。贷款中间阶段主要是对借款人的个人信息进行跟踪监控。一旦产生异常信息，风控人员可以及时发现并联系借款人，尽可能保证借款安全。贷后阶段的工作重点是催收。此外，如果借款人申请贷款展期或续贷，则需要在此阶段用历史数据和行为评分卡重新审核，并进行相应的额度调整和风险池管理。在整个风险控制过程中，要妥善管理贷款的集中度，防止集中贷款和逾期集中贷款导致的流动性不足问题。
第二个“点”是指重点。整个现金贷风控体系有两个关键点。
第一，防骗。与传统借贷模式下的风险控制相比，现金贷风险控制是一种温和的风险控制。由于其小额、短期的特点，现金贷风控更注重借款人的还款意愿而非还款能力。适度逾期不仅会影响平台的正常运营，还会通过逾期费增加其收益。
所以，反欺诈是现金贷风控的首要课题。目前，网贷诈骗包括代理、团伙犯罪、机器行为、账户盗窃、身份冒用、连环交易等。针对这些欺诈行为，常见的反欺诈规则有交叉核对、交叉核对、强特征筛选、风险关系和用户行为数据分析。
第二，多头借贷行为的认定。多头借贷是指同一借款人在多个贷款机构的贷款行为。目前多头借贷行为的认定包括两个方面:(1)获取多头借贷数据。由于现金贷的目标人群大多是传统借贷机构不覆盖的长尾人群，缺乏完整的央行征信数据，所以一些从事现金贷的平台会互相合作，实现贷款申请数据的* * *享受。此外，现金贷平台在第三方征信机构查询每笔借款申请记录时，必然会留下借款申请人的大量身份信息。这些信息经过查询异常检测算法过滤后会形成一个可靠的多头借贷数据库。(2)恶性多头借贷行为的认定。恶性长期借贷行为是指出借人借新还旧或者同时拥有大量长期借款。借新还旧行为的认定可以结合借款申请间隔和借款期限。如果贷款申请间隔明显短于贷款期限，则意味着贷款申请存在较大的借新还旧风险。
二，挑战:矛盾与变化
1.诈骗手段多样化、技术化、互联网化。
欺诈与反欺诈一直是借贷行业的主要矛盾之一。随着网贷业务的快速发展，基于信息技术的网贷诈骗也愈演愈烈。当骗子也开始玩大数据和机器学习的时候，很多风控人员崩溃是可想而知的。
比如手机验证就是最常用的在线审核方式之一。包括短信验证码和填写运营商服务密码两种形式。但这种方法也是诈骗团伙的可乘之机。因为他们有一个技术装备——猫池。简单理解，就是一个简单的手机，有收发短信的功能。一台电脑可以连接多个猫池，一个猫池可以插8-64张SIM卡。与之相伴的，还有所谓的“收卡”和“养卡”业务。当号码时间达到一定标准，就有可能通过手机验证这种防骗手段。
此外，一些模拟器的使用可以帮助诈骗分子轻松修改手机的IMEI、MAC、IP、GPS等设备和环境信息。在这层伪装和包装下，利用设备和环境信息的反欺诈手段显得有些苍白无力。而且一些个人信息，比如身份证信息、社会账号、银行卡账号甚至u盾，都可以被诈骗团伙在网上买到，或者被搜索引擎搜索到。很多时候，一些反诈骗措施之所以有效，并不是因为无法破解，而是因为破解成本高，导致诈骗团伙放弃了这种方法。
2.风控模型冷启动
“冷启动”是大数据风控模型构建要面临的首要问题。尤其是对于一些初创的现金贷平台，数据积累是一个从零开始的过程。在数据积累的前期，势必要付出很大的代价。一方面，平台除了保证正常的风控流程，还需要投入大量的人力成本来收集数据、建立模型、回测数据；另一方面，平台要投入很高的资金成本购买第三方数据。相对于央行近6543.8+0亿的信贷数据未覆盖的长尾用户总数，现金贷的客户群仍然有限，大部分平台都面临着“冷启动”的问题。
目前解决数据冷启动问题的常用方法是从外部数据入手。由于缺乏借款人的历史信用记录和个人信用数据，风控模型失去了直接考虑借款人违约风险的基础。因此，如果能够将用户行为等外部数据与Eigentaste等协同过滤算法相结合，就可以最大限度地识别和过滤欺诈风险高的人群。但目前的情况是，大部分平台缺乏处理外部数据的动力和能力，往往采用人工审核辅以一些简单的反欺诈规则。
3.用户体验与反欺诈的矛盾
在现金贷的用户看来，用户体验体现在借款速度和申请的难易程度上。但是反欺诈需要用户提供各种个人信息，这就大大降低了用户体验的质量。以前很多平台坚持“高收益覆盖高风险”的原则，过于注重流量。而且市面上有各种各样的现金贷产品。为了保证流量，很多平台都打出了“只需身份证和手机号”、“申请后XX分钟”等口号。但随着监管的收紧，“高收益、高坏账”的运营模式将被逐步淘汰。为了控制坏账，现金贷平台不得不再次面对用户体验和反欺诈的对立问题。一方面，平台需要优化反欺诈模型，尽可能降低录入数据的维度，缩短风控模型的审核时间；另一方面，从客服、还款便利等其他角度优化用户体验，也是缓解用户体验与反欺诈矛盾的可行方法之一。
第三，发展方向
1.非结构化数据的使用
个人征信数据等结构化数据的稀疏性将在未来很长一段时间内存在于现金贷行业。相应的，非结构化数据泛滥。由于个人基本信息的严重泄露、窃取和贩卖，使得常规结构化数据的反欺诈效率大打折扣。与结构化数据相比，人的行为数据更难被模拟，可以更全面地描述贷款申请人，对降低反欺诈模型的错误率有明显作用。
从非结构化数据的应用来看，它们之间的逻辑难以统一，数据异常、冗余、缺失问题严重，难以处理。因此，寻求大数据公司、传统互联网巨头等第三方的合作，将是中小现金贷平台的首选。目前，市场上已经出现了一些通过提炼非结构化数据为金融服务的产品，比如某商务短信语义分析服务。此外，作为BAT之一的腾讯也与钱牛牛合作推出了纯模型云风控系统——“方圆”。这个系统最大的特点就是引入了腾讯的海量社交数据。
2.差异化定价
差异化定价也可以理解为精准定价。现金贷差异化定价的本质是对每个贷款申请人的信用和欺诈风险进行准确定价。目前各现金贷平台定价标准过于简单，基本采用利率加杂费的方式。有些平台会对续贷的用户调整费率。也有少数平台在申请时参考了出借人提供的个人信息维度。但总的来说，目前的定价标准并不适合未来现金贷行业的“低费率”特征。平台之间所谓的价格优势会微乎其微。精准定价下的定制化小额信贷需求可能成为平台的亮点。
大数据风控模型的构建为差异化定价的实现提供了技术保障。基于大量网络行为数据、用户交易数据、第三方数据、合作伙伴数据等。，通过自然语言处理、机器学习、聚类算法等。，模型可以为每个贷款申请人建立多维度的数据画像，包括个人基本信息、行为特征、心理特征、经济状况、兴趣爱好等。有了这些维度特征和大量历史贷款记录，针对不同贷款人、不同额度、不同期限的差异化定价策略将成为现实。
摘要
行业洗牌的背后，是现金贷平台为了生存而做出的努力。如何保证合规，如何获得低成本的资金，如何用技术替代人力，如何在风控成本和坏账率之间找到平衡点，都是平台未来需要思考和解决的问题。我相信，在行业政策的探照灯下，金子总会发光到最后。