五、反欺詐成為信用風(fēng)險防范的主戰(zhàn)場
依據(jù)幾家互聯(lián)網(wǎng)金融公司的數(shù)據(jù)，在統(tǒng)計的信用風(fēng)險損失事件中，惡意欺詐占了60%的比例。惡意欺詐防控成了所有互聯(lián)網(wǎng)金融公司的主要風(fēng)險管理任務(wù)。市場上常用的防范惡意欺詐的方式有三種。
第一種是利用黑名單機制，來拒絕一些惡意欺詐人獲得貸款。但是道高一尺，魔高一丈，黑名單共享機制時效性越來越差，并且惡意欺詐的人頻繁使用其他人信息進(jìn)行欺詐，黑名單機制在一定程度上很難幫到金融企業(yè)預(yù)防欺詐。并且很多平臺不太愿意共享自己的黑名單，因為黑名單在一定程度反映貸款平臺風(fēng)控管理水平，過多的黑名單會影響平臺的聲譽，甚至影響平臺融資。另外黑名單覆蓋率較低也是一個挑戰(zhàn)，目前領(lǐng)先的反欺詐企業(yè)，其黑名單覆蓋率也不超過30%。
第二種是利用共享貸款數(shù)據(jù)機制，第三方企業(yè)或者大的P2P，防欺詐聯(lián)盟共享貸款平臺的貸款記錄。其他貸款平臺可以依據(jù)申請人在其他平臺的貸款記錄來決定是否提供貸款，降低欺詐風(fēng)險。這種方式效果比較好，但是對于最先受理惡意欺詐的貸款平臺是無效的，原因是沒有其他平臺的貸款記錄，無法識別出貸款者是否屬于惡意欺詐。
第三種是借助于平臺自己的風(fēng)控模型，依據(jù)壞種子歸納出來的規(guī)律，識別出惡意欺詐申請者。這種方式正在成為主流，其中基本采用信息驗證，特征匹配，行為分析等方式來識別出貸款用戶是否屬于惡意欺詐用戶。常見的方式有驗證用戶的工作地點，生活區(qū)域，查看手機應(yīng)用安裝，社交活動軌跡，設(shè)備聚集點，是否經(jīng)常換手機卡，是否刻意隱藏個人信息，是否短期內(nèi)故意暴露個人信息等方式。企業(yè)利用風(fēng)險評分卡來對用戶進(jìn)行評估，依據(jù)評分結(jié)果來決定是否貸款給客戶。
移動大數(shù)據(jù)可以幫助金融企業(yè)防范惡意欺詐，例如可以通過手機的位置信息來驗證申請人的居住地和工作地；依據(jù)App安裝列表來驗證用戶是否在活躍在多家借款平臺；依據(jù)數(shù)據(jù)識別用戶是否在幾天內(nèi)不停更換手機卡；依據(jù)手機App裝載和使用情況來辨識用戶是否安裝了很多惡意軟件例如密碼破解器，偽裝號碼軟件；客戶是否僅僅使用貸款軟件，沒有安裝常用軟件。借助于移動大數(shù)據(jù)和用戶行為信息，金融企業(yè)可以識別惡意欺詐用戶。國內(nèi)領(lǐng)先的移動大數(shù)據(jù)服務(wù)商TalkingData，正在為互聯(lián)網(wǎng)金融公司提供移動大數(shù)據(jù)來防范用戶的惡意欺詐，數(shù)據(jù)的查得率超過了50%左右，具有成熟的數(shù)據(jù)商業(yè)應(yīng)用場景。
六、Zest Finance 如何利用大數(shù)據(jù)實施風(fēng)險控制
市場上最熱的大數(shù)據(jù)風(fēng)控公司就是美國的ZestFinance。其技術(shù)來源于Google，正在為15%左右的美國客戶提供信用評估服務(wù)，并且也服務(wù)很多傳統(tǒng)金融企業(yè)，共有400萬美國人直接通過ZestFinance申請信用評分，另外在銀行等金融機構(gòu)通過ZestFinance模型獲得信用背書的人數(shù)則遠(yuǎn)遠(yuǎn)大于該數(shù)。
ZestFinance公司的CEO介紹了他們公司在大數(shù)據(jù)風(fēng)控領(lǐng)域的經(jīng)驗，很值得傳統(tǒng)企業(yè)借鑒。歐美傳統(tǒng)銀行通常采用對所有人都適用的線性回歸模型，其中包含性別、出生地等20個左右變量，對每個人都簡單化處理，以打分卡的形式評分ZestFinance采用的變量則多達(dá)70000個，采用的算法也不是線性回歸模型，而是來自Google的大數(shù)據(jù)模型。
FICO信用評分參考的數(shù)據(jù)變量只有不到50個，很多人摸清了FICO關(guān)注的變量后，就可以“模型套利”增加自己的信用評分，例如一個人可以每天反復(fù)在圖書館借書還書“刷信用”。
銀行往往采用200個一下變量和幾個模型，從模型數(shù)量而言，傳統(tǒng)征信評分通常采用一個模型，ZestFinance采用十個模型，從不同角度進(jìn)行計算。十個模型從不同角度衡量申請人的分?jǐn)?shù)，其中兩個是進(jìn)行身份驗證防欺詐的，一個是預(yù)測提前還款概率的，其余都是評判還款意愿和能力的。最后會用一個決策模型將十個模型的結(jié)果整合在一起，得到最終的結(jié)果。
Zest Finance發(fā)現(xiàn)模型越多，準(zhǔn)確率越高。有兩個模型，對利潤的提升分別是16.9%和9.4%，可能第二個模型往往會被棄用。但如果把這兩個模型放在一起使用，利潤會提升了38.3%。每個模型平均半年就會誕生一個新版本，替代舊的版本。新版本通常會加入更多的變量和數(shù)據(jù)源。每個新版本模型都以開發(fā)者的名字命名，從而紀(jì)念付出勞動與智慧的工程師。
ZestFinance模型中大部分信號都是通過機器學(xué)習(xí)找到的。例如，一個人在網(wǎng)上填表喜歡用大寫還是小寫就是一個信號。ZestFinance模型發(fā)現(xiàn)，填表喜歡全部用大寫字母的人違約率更高。在月收入經(jīng)過驗證的情況下（ZestFinance有一些渠道可以大概獲知一個人的收入狀況），收入越高，違約率越低。然而，在月收入沒有經(jīng)過驗證的情況下，自己填寫月收入7500美元的人違約率是最低的，填寫7500美元以上則數(shù)字越大違約率就更高。
很多人將社交數(shù)據(jù)視為神器，但是ZestFinance 不這么認(rèn)為，主要還是采用結(jié)構(gòu)化和類結(jié)構(gòu)化的數(shù)據(jù)，例如交易信息、法律記錄、租賃信息等，來源主要是從數(shù)據(jù)代理商處購買。
ZestFinance的先進(jìn)之處并非數(shù)據(jù)來源，“我們有的數(shù)據(jù)銀行都有”，區(qū)別在于，銀行的人有數(shù)據(jù)卻不會用，就好比坐擁大量礦藏卻不會冶煉。相反，ZestFinance最大的優(yōu)勢就是“數(shù)據(jù)冶煉”，同樣的數(shù)據(jù)到了ZestFiance手中，就可以碰撞產(chǎn)生無數(shù)有價值的信號。
作者：鮑忠鐵
聯(lián)系客服
