除了大数据,关于互联网金融风控我们还能说什么

客户、风控，它们与互联网金融的关系，最贴切的莫过于：客户&风控虐我(互金)千百遍，我待他们如初恋了。

无客户、无风控，不互金。但是客户是流量和风险的集合体。风控控得严，陈本就高、生意就少;控得松，风险就高，坏账就多。

真是想说爱你不容易，平衡是个好问题。风控界资深网红、中望金服联合创始人兼首席风险官马斌斌开讲啦，深入浅出跟你说说做互金满足客户需求是有技术含量的;别一提风控就条件反射“大数据”，你得先知道要控的都是啥风险，不同风险有不同招式破解，大数据不是万能的。

客户是核心

我们做风险管理，不论是流程、系统工具、模型，或是别的，都是为了达成一个目标，核心目标很重要，它决定了你的风控是什么样子。举个例子，如果目标是让产品更多元化、能覆盖更多的人群，然后能去帮助更多人，那么你绞尽脑汁去想的，就是如何对这些人群进行风险度量，才能根据不同的风险等级，设计不同的产品来满足不同的需求，客户第一位。如果目标是多挣钱，那肯定是想着那我的绩效怎么去定，老板怎么核实我的绩效，我抵押当中怎么去评估价格更低一些或者更高一些，我拿的利润多一些。

把客户放在第一位，并不是一句尴尬的口号，尤其是在做风控的时候。在风控乃至整个金融生态圈，一件事情上下游有很多方在参与，存在很多利益方，对不同的平台来说，利益方主次有别，但唯一共同的也是最重要的就是客户，客户是这个生态圈的中心。

在这个生态圈当中，还要明确的是，我、合作伙伴、客户等各个参与主体大家彼此存在的价值。不是我有什么、我能做什么，而是我能为客户做什么，能为我的伙伴做什么。确定能为真正有需求的客户解决问题，以及解决好生态圈中其他相关方的关系，这个才是有意义的。做风险管理最早的、也是最大的风险是，客户有没有这个需求。比如，学贷的业务，需要慎之又慎，学生这个群体很简单也很复杂，有些需求它由于种种原因而主观存在，典型的：“别人有，我也想要”，但实际上，这种需求都是假性需求，说白了就是客观上他没有这个需求。

所以有的时候需要我们加以引导，有好的引导才能挖掘他真正的需求。说到金融本质，有人说金融“充满了血腥和肮脏”，受限于时代和具体工种的就是另一个话题了，今天我们必须看到金融尤其是普惠金融在改善生活方面发挥的巨大作用。即便是学贷，有人做得好，有人做不好，甚至不好到触犯法律的地步，所以关键还是看怎么做，关键还是在引导。

确定完这个核心目标之后，我们所有要做的事情才会以此为出发点，来更好的帮助客户解决问题，当然这其中还要处理处在同一生态圈中各个参与方的利益均衡问题，处理关系→解决问题→向前推进，这才是一个良性可持续的运转过程。

接下来讲讲全流程风险管理。

大家比较熟悉的可能还是大数据风险管理，确实，大数据风险管理非常高效，真正改变了很多事情。但它也不是万能的，因为有很多风险单靠大数据是解决不掉的，比如人的风险、操作性风险。

做风险管理首先解决的不是盈利多少，或者是精准去获客，精准去研究客户的风险，或者风险预警，而是先让自己活下来。活下来比什么都重要。在讲活下来的时候，我们首先要看这个市场当中有什么风险。

第一，市场性风险。

学生、蓝领、白领，当我们选择不同人群的时候，他的风险就已经锁定了，所以圈定人群，也就锁定了一定种类的风险，这是做风险管理的第一关。市场性风险是用产品来解决的——为不同风险类别的人群设计匹配不同的产品。

第二，操作风险。

前面所说的市场性风险的选择，很多时候是可以跟风的，就是别人怎么做我就怎么做，不需要创新和研发，市场上有多少家产品是独特的?好像不太多。但这不重要，重要的是这个人群选完怎么去服务的问题，谁来执行、谁来卖这个产品、谁来做产品的风控，这里所涉及的就是操作的风险。

操作风险有意外的，比如客户申请7万，你手一抖批了70万，这就是典型的操作风险。所以我们说操作风险的时候单指工作失误，而不包括恶意欺诈之类的，外部客户的恶意欺诈我们稍后再讲。应对操作风险，就需要一些流程机制的设定，比如设置放贷额度上限，超过某个额度你是批不出去的。

另一个是问题和审批权限相关，还是人的问题。比如流程中有人权限范围很大，那么弄虚作假甚至卷款跑路的后果不堪设想，我们不是不信任自己的同事，只是不希望同事经不住考验。怎么应对呢?我们在系统设计的时候，第一，在一些关键位置，设置一些傻瓜模式。第二，对权限进行切分。第三，权限切分之后，一个人不能同时拥有多个权限，这样可以有效避免操作过程中人为风险的存在。

说到权限，必须还有上下级的关系问题。在我们的系统流程中，所有对外的、管理权限较高的人，都不能有全部的操作权限。流程后续环节中权限级别比较高的人，对前面的意见也不可以做更改。在专业的流程中，每一个人都要有自己的观点态度。可以发表你的观点，可以有你的态度，但是不能改变别人的已操作状态。所以，在外人看来，会觉得中望的信调程序好复杂。要把全部流程看完的话，得十来个人去开通权限，用自己的帐号挨个去对接、去看。我觉得这样非常好，这才是正确的姿势，可以有效防止风险。

第三，信用风险。

信用风险讲的是是客户的违约概率、违约风险的问题。这个跟场景和产品也有关系，但是它不是直接的，所以很多人说我也做车贷你也做车贷，为什么风险不一样，这个信贷类为什么比抵押车贷风险还要低，实际是一个问题，因为人群不同，做信贷的人群是一类，做车贷抵押的是另外一个人群。比如做抵押车贷的更多是经营性人群，与信贷的工薪白领相比，虽然有抵押，可是他风险依然更高。

还是根据人，同一个人，不管他在什么场景，他的违约概率是趋同的，比如我去买车我去买房和我做信用贷款，因为我本身是不变的，所以风险是一致的。这里比较典型的有个例子，大家会说我按照某某贷进件要比某某贷容易批，这个问题我觉得不能怪销售，要怪就怪你们产品和政策，他们没有很好地进行风险度量。因为面对同样一个人，面对同样一套材料，难道因为你给他贴的标签不一样，风险就会发生变化吗?一定不是。所以，在信用度量的时候，要抛开产品抛开场景对一个人进行度量，这样才会很客观，才会知道原来是什么样。

到底是先有产品再去做它的风险定价、做风险评估，还是先对人群进行风险评估、然后给他匹配不同产品?我人为，正确的姿势是先确定服务人群，然后对这类人进行风险的度量和评估，再去想他有什么样的风险，我选择什么样风险的客户来满足他的需求产品，接下来才涉及到风险策略：怎么既满足他的需求，又能控制我们的风险，可能有风险补偿，比如说费率高一点，可能有风险转嫁，我需要找合作伙伴、保险公司或担保公司帮我解决这个问题，当然还有很多风险方法。

信用风险当中有很多工具，比如进件评分、决策树、时间序列，还有这模型那模型一堆模型，很多高科技很好用的东西，但多没用，关键是你得明白为什么用、怎么用。不能说我拿到一个很牛的公司的模型，肯定能让我的风控上一个台阶。别人的模型和你的目标不同、应用环境不同，所以拿到也白搭。

举个栗子，我们都说芝麻分，它有一个信用评分，700分以上的就是他家比较优质的客户。可是你说700分以上意味着什么，他考核的维度是什么，700分以上对你的平台来说就一定也好吗?他的场景和你的场景不一样，他的人群和你的人群也不一样，道不同不相为谋啊。所以还是乖乖选择你的人群，选择你的方法，然后对这个人群进行风险度量，之后再去做风险策略。

第四，多头负债，还有欺诈的风险。

多头负债和欺诈风险，是大数据应用比较多的。我们最熟悉的大数据应用应该是精准营销了，它会知道你的需求，比如说我们去在网上，或在某宝上浏览了什么内容，他们马上推荐给你相关的页面啊产品啊服务啊等等。另外一个应用是分析，可以获取很多信息。但是因为大数据更多反应出的是相关性，而不是因果关系。比如一个很知名的例子，说大数据分析说啤酒和尿不湿放在一起卖非常火爆，因为一般都是妈妈买尿不湿，顺带买啤酒。它俩是一种相关性的关系，不是因果关系。所以很多所谓的大数据风控更多的是一种数据服务，它也帮你建模，可是并不一定有效。

第三个应用，它能更精准的提升一些包括PDS解读、机器学习、人脸识别等的效率，所以除了所谓的数据功能，大数据还应该有一些人工智能解析的功能，所以这个现在被应用在在风险控制中。还有第一类应用是在催收当中，我们叫失联修复，通过技术手段找到断了联系的客户信息。当然还有很多应用，这一些都是提升效率和让我们识别率更高的。

回来说多头负债，确定多头负债有几个方法，第一是看央行征信报告，对一些银行系统或者传统的金融机构，主流的金融机构是要的。还有一类是大家所熟悉的所接入的，就不做广告了，大家会说我有多少家，我是分布式访问还是数据共享或是其他方式，其实这些都不重要，只是一个途径而已，关键你要去想人群和你的人群匹配度怎么样。

第三类是一些三方支付公司，这条路我们需要考虑：第一，数据能不能出来;第二，这个数据准不准确;第三，和你的匹配度怎么样。还有一类是电信的运营商，银行通过它发短信提醒，几月几号需要还什么款，还哪张卡，它有这些信息，所以它可以帮你抓取。

还有一些设备的供应商，假如说某手机，我加班到9点半以后，它就会提一个条幅横出来说，夜深了你该回家休息了，它知道我不在家，还在单位。这样的信息我们会抓取。当然还有一些其他的路径，但是哪个更有效，哪个是不是重复，要你自己去选择。

多头负债并不意味着一定是过度负债，我们主要解决过度负债的问题。当然多头负债或者多次查询，它是多头负债的一个转换指标，就是说我查询得多，我就可能贷的多，贷的多我就负债得多，负债的多可能还不上概率大，有这样一个逻辑关系。至于如何划线确定，是拍脑袋出来，还是我要根据海量数据分析出来，这个就仁者见仁了。