基于大数据技术的消费金融风控策略研究

　　摘要：消费金融公司在简化用户贷款申请材料提高客户体验的同时，也会形成信息不对称，从而导致信用风险发生。本文基于对消费金融行业发展现状、问题以及对大数据技术特点、应用的分析，研究了在传统信用工具缺乏的情况下，大数据技术在消费金融风控策略方面的应用，明确了建立消费金融大数据风控策略模型的重要作用。

　　关键词：消费金融；大数据；风控策略

　　消费金融即为消费而开展的金融服务，是指为满足个人消费行为而发放的贷款。随着社会发展，居民在收入增加的同时，在消费上也有了更高的需求，消费金融行业因势而起，发展迅速。与传统金融相比，消费金融服务对象大部分是次级客群，年轻客群占比较大，工作不稳定，收入水平较低且风险意識薄弱。由于信用工具的缺失，关于此类客户的信用风险很难做出判别，信息不对称成为消费金融公司展业的阻力。而大数据技术特有的多样性、高效性，能够在用户申请阶段通过对用户各维度的信息进行深度挖掘整合，从而很大程度上降低信用信息缺失带来的风险。

　　一、消费金融发展概况

　　随着我国经济的快速发展，居民消费需求与日俱增。由于消费需求和收入分配的期限错配，与此同时传统商业银行对数量庞大的下沉客群无法及时提供贷款服务，因此中国银监会在2009年颁布了《消费金融公司试点管理办法》，正式开始了对消费金融的探索。

　　（一）发展历程

　　2010年消费金融开始小范围试点，作为首批全国性持牌消费金融公司，北银、四川锦程、中银、捷信以普惠金融为宗旨，致力于解决居民消费与收入错配问题。这四家消费金融公司的设立为中国消费金融的发展开辟了新的道路。

　　随着首批试点消费金融公司稳步发展，消费金融公司试点范围被允许进一步扩大，银监会在2013年11月发布最新管理办法中确定了最新的试点城市，同时放开了消费金融公司资本组成结构[1]，并新增消费金融的贷款范围到装修、教育、旅游等。此后至2015年6月，5家试点消费金融公司陆续开业，其中包括兴业、海尔、招联、湖北、苏宁等。

　　2015年6月10日，国务院常务会议决定消费金融可在全国范围内设立，并在后续陆续出台的《国务院关于积极发挥新消费引领作用加快培育形成新供给新动力的指导意见》（国发〔2015〕66号）《2016年政府工作报告》《关于加大对新消费领域金融支持的指导意见》中密集提出推广消费金融试点至全国。以此为背景，2015年11月至2017年6月11家消费金融公司相继获批，依次为2015年的中邮、杭银，2016年的华融、晋商、盛银、陕西长银、包银、河南中原，2017年的湖南长银五八、哈银、河北幸福等，消费金融在此阶段快速发展。2017年4月开始，监管部门开展了一系列金融乱象整治，消费金融公司获批数量也有所下降，2017年至今，上海尚城、厦门金美信、中信、北京阳光、平安、小米等6家消费金融获批，消费金融行业开始稳步前进。此外，2018年10月，消费金融公司自律性组织，中国银行业协会消费金融专业委员会正式成立，对消费金额金融稳健发展具有重要意义。

　　（二）业务规模与发展

　　消费金融公司从试点至今业务规模呈阶段性增长趋势。在试点初期，消费金融整体发展较为缓慢，由于审批政策严格，同时业务以线下为主，获客能力较低，开业的10家消费金融公司贷款余额总规模在500亿以内。随着国家相关鼓励政策的陆续出台，获批消费金融公司激增以及互联网金融的兴起，众多机构纷纷发力线上业务，获客能力的提升及金融科技赋能自动审批放款，消费金融贷款余额规模扩大至千亿元级别，其中2016年末贷款余额1254亿元，2017年末贷款余额达2599亿元，发展速度十分迅猛。由于金融乱象频发，行业整治力度对应加大，同时消费金融公司获客速度下降，存量客户风险爆发等，2018年消费金融贷款余额为3619亿元，增长速度虽保持较高水平，但较历史有所下降。根据《2019年中国消费金融发展报告》推测，我国消费金融仍处于高速增长期，并将持续五年以上[2]。

　　（三）存在的问题

　　消费金融服务强调开放、便捷与低门槛，服务客群广泛，同时去抵押、去担保、简化资信证明文件是消费金融发展的趋势，与此同时信息不对称风险日渐凸显。随着互联网的发展，消费金融具备强大的IT技术支持，可以实现客户全程线上申请，并替代传统的人工审核模式实现自动审批，申请流程便捷，在获客难度及客户体验方面较传统银行具有很大优势。但消费金融公司受行业规范等方面的限制，其服务客群准入门槛较低，缺乏对客户资产状况、身份信息及消费用途等方面的审查追踪，使得消费金融公司无法真正了解客户还款能力及资金流向，从而导致信用风险发生。如何在简便化的变革中扩大消费金融市场占有率的同时还能准确快速的评估用户风险是消费金融公司持续性发展和业务稳定增长的主要问题。

　　二、大数据技术概况

　　大数据技术是指通过各种渠道采集数量庞大的数据，并利用云计算的应用模式和数据处理进行挖掘分析，通过低价值密度的数据来揭示数据变化规律，对信息数据所隐含的价值信息进行归纳和总结，实现数据的增值。

　　（一）大数据的特点

　　大数据顾名思义其最直观的特点就是数据量大，随着信息时代移动智能的发展，信息质量及信息数量不断增大，国际领先的数据统计互联网公司Statista预测，全球数据量在2020年可达50.5ZB[3]。互联网技术的发展实现了通过各种渠道获取数据，数据的多渠道来源使得大数据具有多样性。除了收集用户日志等结构性信息之外，图片、音频、视频等非结构性数据也在分析用户行为等方面产生积极的作用。大数据的第三个特点就是高速。如今人们在生产生活中已经离不开互联网，在应用互联网产生大量数据的同时还需要平台给与及时反馈，因此对大数据处理速度有了更高的要求。大部分平台为达到实时分析目标，都购置了大量服务器资源用来对数据进行分析处理。

　　（二）发展规模

　　据统计，中国大数据产业发展迅猛，其规模在2018年达到4384.5亿元，并预计将在未来3年实现成倍增长突破8000亿元[4]。而在大数据市场收益方面，IDC预测中国在2019年可实现96.0亿美元收益，并在未来五年以23.5%的年均增长率持续上涨，增长速度在全球平均水平之上[5]。

　　当前，贵州、京津冀、辽宁、内蒙古、上海、河南、重庆、珠三角等8个国家级大数据综合试验区正在迅速发展，同时与试验区相邻的省份也在大力推进大数据建设，未来我国大数据建设范围将持续扩大。

　　（三）应用领域

　　目前大数据技术集中应用在金融、政府和通信行业。大数据技术海量、高效的特点使其在金融风险管理、贷款审批、额度管控、逾期催收、反欺诈识别、市场精准营销等业务方面具有重要意义。在数据政府建设中大数据技术深入民生领域，较多应用于公共安全、交通、气象等产业。在电信行业，由于三大运营商用户几乎涵盖所有境内居民，使其拥有庞大的用户信息，通过大数据技术对用户通信记录、个人位置、网页访问等信息进行挖掘分析，进而实现精准营销、信用评估等。

　　三、如何进行大数据风控

　　（一）数据获取

　　作为大数据分析的基础条件，数据获取是信用风险监管过程中最重要环节。大数据具有的多样性特点，使其不仅涵盖客户信用属性数据，同时还包括客户的非信用信息如设备信息、购物信息、通讯信息等。消费金融公司在数据的获取方式上主要有两种模式，一是直接数据获取，即在用户申请过程中通过用户授权收集客户的设备信息、位置信息、社交信息、购物信息、结算信息、银行流水信息等；二是接入外部数据源，如传统的央行征信信息、公检法系统身份信息、学信网学历信息等以及第三方征信公司如同盾征信、前海征信、鹏元征信、京东征信、蚂蚁征信等。

　　（二）风险指标池构建

　　在风险指标池的构建中，可将数据按照数据不同类别进行整合，如客户基本信息，包括客户年龄、性别、学历、工作单位、工作年限、住址、婚姻状况等；客户资产信息，包括房产类型、收入、社保缴纳、存款、贷款记录等；客户设备信息，包括设备类型、设备品牌、设备型号、网络运营商、是否是虚拟机等；客户社交信息，包括通话记录、分享记录、社交软件使用频率等；客户交通信息，包括出行方式、出行频率、常用往返地点等；客户生活信息，包括水电位、物業费、网络费、煤气费等；客户网购信息，包括订单信息、物流信息、浏览历史、评价等。

　　（三）风险模型构建

　　对风险指标进行预处理，结合存量客户的还款表现的风险等级分类，运用线性回归、逻辑回归及分类树等统计方法或者类神经网络、基因算法及专家系统等非统计方法构建风险识别模型。模型的构建以数据为基础，因此首先需要对指标池数据进行特征工程加工。通过对指标进行特征构建，然后对不同特征组进行特征提取，最后使用IV、GBDT、随机森林、逐步回归、相关系数等方式进行特征选择。特征工程做完后对数据进行清洗，剔除异常值后开始建立模型。在实务运用上，更多的消费金融公司选择逻辑回归构建评分卡，该算法比较成熟稳定、成本较低且速度较快，其他一些算法比如决策树、随机森林、神经网络等等也可根据公司需要进行应用。模型建立完成后，可通过KS值对模型效果进行判断。如果模型效果不好，可考虑是否有重要的变量没有衍生出来、或者是较好的变量没有选择到模型中去、或者是用的算法不适合这种场景，通过对模型持续优化使其具备应用价值。

　　（四）风险模型应用

　　风险识别模型验证完成后即可应用于用户信用风险验证。在用户申请阶段，通过采集用户授权信息及第三方来源数据，利用大数据技术的高效性对数据进指标加工，将整理的指标输入到风险识别模型，自动生成风险等级判定，并对用户申请作出通过、降额、转人工、拒绝等操作，实现缩短用户申请等待时间、提高用户体验度的同时，降低信息不对称带来的信用风险。

　　四、结语

　　综上所述，大数据在消费金融风险策略应用中作用明显。在征信体系尚不成熟、监管手段匮乏、法律法规不健全的宏观环境下，充分利用大数据技术建立风险识别模型，做好信用风险的事前把控，对消费金融平稳健康发展具有重大意义。

　　参考文献：

　　[1]中国银行业协会消费金融专业委员会.中国消费金融公司发展报告2019[R].2020.

　　[2]国家金融与发展实验室.2019年中国消费金融发展报告[R].2019.

　　[3]中国信息通信研究院.大数据白皮书（2019）[R].2019.

　　[4]大数据产业生态联盟，赛迪顾问.2019年中国大数据产业发展白皮书[R].2019.

　　[5]国际数据公司.全球半年度大数据支出指南，2018H2[R].2019.

　　作者简介：李 旭（1996—），男，广东广州人，在职研究生，主要从事风控研究。