谈及信贷风控，最先联想到的一定是人脸识别、大数据应用、反欺诈、准入策略、风控模型、定额定价等字眼。确实，这些技术在各自的细分领域发挥出了相当的作用，以至于大部分咨询公司把信贷风控和模型策略直接划上了等号，大谈数据增益和各类复杂算法，但在各类风控手段及风控技术大显身手之前，最先需要考虑的是顶层的风控流程设计。合格的风控流程设计，防范欺诈风险、信用风险、操作风险的同时，还应具备健壮性以保证各类突发问题产生时流程不会中断，具备灵活性以应对随时需要进行的流程优化和调整。本文就以线上贷款为例，简述其风控流程的设计及常见问题。
一、线上贷款的风控流程设计
_
近年来互联网金融业务快速发展，以银行为例，自营信用贷款的线上化，以借呗、微粒贷为主的联合贷款模式，或是信用卡网申场景，一系列新产品新模式的推出，完全颠覆了传统的信贷流程，资料收集、信息录入、人工审批、放款审核这些传统信贷业务中必不可少的环节已不复存在。
而对于线上贷款的流程设计可以从以下几方面着手：
01
注重流程的全面性
线上贷款的流程设计，首要目标是满足风控的要求，确保风控无死角。由于线上贷款容易涉及各类欺诈风险，流程设计时旨在提高风险识别的时效性、准确性，避免欺诈行为对银行和客户造成经济损失，同时用量化的方式替代人工判断来防范信用风险，维护行方的市场声誉，并满足监管机构对线上业务风险防控的基本要求。
以下图为例，来分析在全流程中所涉及的关键节点有哪些：
1）客户准入：客户身份确认后，最先发挥作用的是行内的准入政策，或者叫刚性政策。所谓刚性即不满足就直拒，多以产品制度、行内黑名单、行内信贷逾期情况以及客户统一授信额度几个方面来考虑。通常准入政策是以行内数据为主进行判断，也是近乎零成本的判断，所以放在流程最前端予以应用。
接下来要对不同的产品甚至不同的客户进行交叉分层。在线上贷款开展的初期，由于数据沉淀不足，一套风控流程是最常见的做法，但随着产品的多元化以及数据积累的程度，对于单产品甚至是不同客群都有着单独搭建风控模型或策略的条件，这也能使得数据的应用更有针对性以及量化风控的结果更为精准。
2）策略和模型的应用：这里会引出一个老生常谈的问题，模型和策略怎么去区分，同样都是以反欺诈为目的，到底哪些指标放在模型里，哪些放在策略里。一般来讲，有较强的区分度或高iv的指标，多数放在策略里应用，而单指标不足以进行好坏判断，但可以通过权重来组合判断的，则可以考虑放在模型中，例如多头类指标。当然模型和策略之间也并非完全独立，模型的结果需要通过策略来应用，例如cutoff值，而策略的权重应用与模型也有相似之处。
申请评分卡，也就是我们常说的A卡，是应用最广泛的评分模型，对于整个开发的过程这里就不赘述了，需要强调的是关于内外部数据的应用。众所周知，线上贷款更多的会应用到外部数据，内外部数据如何应用在模型中，就是在流程设计时应该考虑的问题，如果从A卡效果出发，所有数据打通使用，所有指标合并训练，从模型效果来讲是最优的，但当外部数据需要替换时往往需要对整个模型做调整，所以另一种方案是内外部数据分别做两张评分卡，或者外部数据评分卡在因内部数据不足造成评分过低时用以补充，其最大的优势是两张评分卡独立，确保内部数据评分模型不受影响。
相信大部分的产品在通过A卡和准入策略之后，就可以进行授信了，但从某些角度来看，整个授信准入只考虑了风险的问题，即把坏客户排除在外，但是在需要综合考量产品利润时，比如最常见的信用卡业务，不仅仅要关注风险，还需要关注潜在的收益，即便客户通过了风险准入关，但是站在将来获取收益的维度来看，是入不敷出的，所以在准入时，可在风险评估之后再加入收益评估，进行组合判断。
3）定额定价：在通过所有的准入之后，就到了定额和定价的环节。额度的制定有简单粗暴按照收入倍数来确定的，也有根据结合收入偿债比来制定的，有按照征信信息中信用卡额度来作参考的，也有根据渠道方要求直接确定的，无论何种方式，都可以再叠加评分等级进行二维交叉。总的来说，收入、负债、风险、外部因素都是在定额中绕不开的参考因素。定价环节就更为复杂一些，从风险定价、到考虑风险、收益、资本的RAROC定价、再到考虑市场行动响应的定价模式，当然前提是能够对产品的定价占据一定的主导权，不然所有的定价都不如市场定价来的有效。
互联网定价方案可参考《关于线上信贷业务定价的深度思考》一文。
02
确保流程的健壮性
信贷流程确定之后，看似面面俱到，该考虑的都考虑了，该防范的都防范了，姑且先不论客群的变动或市场的走向所带来的模型及策略偏差，单单数据源的变化亦或是数据调用的失败都可能造成流程的意外终止，甚至导致整个业务的连续性受到影响。
以征信信息的调用为例，征信的停服或改版多放在周五晚间，本意是尽可能减少对传统业务办理带来的影响，而线上贷款几乎是7*24小时存在的，无论时间地点时时刻刻都在发生，那么在征信信息无法调用时，到底是提前公告暂停服务、还是所有客户都直接拒绝、或者流程挂起待服务恢复时重发？这都需要在流程设计时予以考虑。这方面的设计同时也和客户的体验紧密相关。
除征信之外，各类外部数据源也是线上贷款授信准入时非常倚重的资源。例如数据核验类的、黑名单类的、多头借贷类的、收入类、综合评分类等等，若整个流程设计的耦合度过紧，没有容错机制，就极容易出现系统性的风险。以收入为例，收入数据的来源如果出现调用失败，理应有备选方案无缝衔接上，而这一点在流程设计之初就要有所准备。虽然数据效用会降低，但业务连续性不会受影响，也能争取到更多的时间去寻求更好的解决方案。
03
提升流程的灵活性
策略及模型的调整司空见惯，而流程运行后也并非一成不变，随着各类数据源的深入应用、模型及策略的结果不断的调整、数据采购成本的不断变化，整个流程的前后顺序尤其是策略规则的调用顺序经常会发生调整。例如，当前序流程数据调用成本不断高企，从经济成本考虑则完全可以将此类策略后移，让低成本的判断优先进行。
流程优化及调整的前提是基于数据分析，能够准确把握每一道风控关卡的作用，每一条策略规则的效果，每一个量化模型的表现。同时，数据的存储方式、底层数据的加工、ETL过程等，都将直接影响到分析工作的效率和及时性。在同盾的诸多咨询服务项目中，模型及策略的服务占有相当的比重，但每一次的项目实施，由于取数慢、逻辑错误、存储覆盖、底层数据汇总等等问题层出不穷，无一例外都需要在前期的数据梳理上耗费大量的时间。数据处理的时间加长难度增大，会导致在模型策略调优时需要更长的时间，且极有可能错过了最佳时机。这也是为什么数据中台越来越被津津乐道的原因，数据创造价值的能力将是体现数据驱动最好的路径。
流程的灵活性还体现在决策流的设计和应用工具上，线上贷款的业务流程相比传统的信贷流程更灵活，迭代周期短、响应要求高，因此灵活的配置工具、流程节点的监控能力、ABtest、灰度发布、热部署等常用功能都必须包含在内。
二、线上贷款流程设计的常见问题
_
01
如何做好数据成本和风控效果之间的平衡？
从理论上来说，外部数据应用的越多，主观上风控的信心就越足，至于是否真的有效，那还得用数据来说话。在讨论这个问题之前，我们先假设介入的数据都具备一定的有效性。外部数据的应用主要有两大类方式，即串行和并行。所谓串行就是所有的外部数据调用按照固定的流程进行调用，例如先走行内黑名单、再走反欺诈多头判断、再调人行征信等等，只要触发了准入规则，则流程中断，后续数据不再调用；而并行是指不管三七二十一，在客户完成所有授权并发起业务时，把所有的能调用的外部数据全部调用一遍，即便客户最终无法通过，但是所有的数据都已经积累了，对于后续的数据应用、模型策略调优、拒绝回捞甚至是可能的交叉销售，都带来了一定的机会。这两类方式的优缺点显而易见，串行模式兼顾了成本和效率，但是数据积累上不足，而并行模式则为了积累更多的数据而为一个无法准入的客户承担了更多的数据成本。在曾经为一家互金公司做项目时，客户提出了单笔成本的要求，也就是说数据成本除了要覆盖放贷客群，未放贷客群的成本也必须考虑纳入，通过率过低则会直接影响到单笔放贷的成本。所以究竟选择哪种方案，取决于各机构的实际情况以及对数据的渴望程度。
02
如何确保基于外部数据源的风险模型的稳定性？
模型最常见的稳定性检验指标是PSI，体现的是测试样本或者生产数据与开发样本评分的分布差异。模型的稳定性可能受到客群变化的影响，也可能受到市场变化的影响，当然也会有建模数据源变动带来的影响。外部数据源如果发生了变化，包括中断、波动、甚至是新数据源的增加，都可能影响原模型的稳定性，能够采取的措施主要有以下几点：一是在入模之前，优先对各指标线的稳定性进行评估；二是做好备用数据源的准备；三是基于模型的开发周期普遍长于策略，部分数据可以在策略端进行应用，而阈值的调整更有利于业务的理解；四是随时做好监控和调优准备，毕竟线上贷款的调优频率比传统线下贷款要更高。
03
拒绝回捞是指从拒绝的客户中再来选择满足一定条件的客户，既然这样，为什么不对模型进行重新迭代呢？
这个问题可以从两个角度来理解。第一，拒绝回捞模型一般会在原先的数据基础上叠加额外的数据进行重新判断，从成本角度判断，不用每次都调用额外数据；
第二，基于模型管理的要求，大部分的模型从开发、验证、到上线、监控都有一个完整的审定流程，例如对于一个产品的A卡模型，从重要性来看十之八九需要有类似风险管理委员会之类的管理机构来审核模型结果，而模型的迭代和调整也就绕不开严格的管理机制。如果拒绝回捞完全可以通过模型甚至策略的方式来执行，对主模型不做调整，也就争取了足够的时间和空间进行客户的回捞。
04
线上贷款的拒绝原因，要不要展现给客户？
首先，贷款被拒绝未必是因为某一个或两个原因造成的，单一强规则的拒绝可能较好把握，而若是模型拒绝则无法准确给出原因。通俗来讲，一名学生在全年级的综合排名靠后，可能是因为英语单科不及格造成的，也可能是语数外成绩都不理想造成的，原因很难给出。
第二，也是更为重要的一点，如果把拒绝原因反馈给客户，容易被客户甚至是欺诈团伙所洞察，轻则存在客户修改信息绕过政策，带来个体欺诈风险，重则被欺诈团伙摸清准入策略，面临团伙欺诈风险，这也是线上贷款最该防范的。综上所述，笔者建议所有的拒绝原因对外都可以“不符合现阶段准入要求”为由予以拒绝，尽可能避免定位到具体规则，当然内部的每一笔拒绝贷款都应该有拒绝原因代码，用来分析模型或策略的准确性。对于传统线下贷款，给到分支机构或客户经理的拒绝原因也建议尽可能的粗略，以避免客户经理或客户利用虚假信息突破量化策略。
05
线上贷款的准入策略被个案所挑战时如何应对？
线上贷款的量化驱动模式，基于的是大数法则，也就是说所涉及的策略或模型对绝大部分人来说是精准的，但是对极个别的个体而言可能存在偏差。例如在产品上线初期对重要客户的试用，如遇到拒贷往往会很尴尬，甚至会带来“模型策略不准，那么优秀的客户怎么可能被拒贷”之类的言论。在此，对于重要客户的试用，可以提前设置红名单避免尴尬。
06
线上贷款一旦出了风险，到底是谁的责任？
相信是很多银行系的人员问得比较多的一个问题，传统贷款业务的流程上有客户经理负责贷前调查、资料的完整性和真实性，有审批人员依据自己的多年经验作出专业判断，但线上贷款既没有客户经理，也没有审批人员的直接参与，那么出了风险谁担责任？这个问题需要辩证的去看，我们常说尽职免责，是指发生责任事件后，责任人应当承担相应的责任，但由于相关责任人已在职责范围内做出并做好应做的事，可以部分或全部免除其责任，即不实际承担责任。如果线上贷款走的是白名单模式，而白名单在产生的过程中出现了数据不实的情况，毫无疑问是客户经理的责任，尽职调查不够审慎全面；但如果是客户自主发起的流程，产生了大量的逾期甚至不良，则需要对整个信贷流程进行排摸，到底是策略没有起到应有的作用，还是模型出现了偏差，亦或是其他非人为原因，这就需要看整个开发的过程是不是有严格的模型验证流程并已付诸实施。若整个开发过程没有问题，而是因为市场或客群的变化带来的影响，则建议尽职免责。
具体的模型管理可参见《美国模型风险监管体系介绍以及同盾的建议》一文。
总之，风控流程设计的覆盖面非常广，除了贷前，还会涉及到贷中管理，如预警、调额、用信、触达，贷后管理的处理流程，当然除了线上贷款业务，还有受众更广，有大量人为因素干预的线下流程设计，因小文篇幅有限，不在此过多赘述，有任何需求，可与同盾分析咨询团队交流讨论。部门邮箱：
?end?
服务咨询|400-068-9796
