科學的風控評估體系

第一節(jié) 大數(shù)據(jù)風控現(xiàn)狀

目前，大數(shù)據(jù)風控似乎已經(jīng)成為互聯(lián)網(wǎng)金融企業(yè)的必備宣傳點。凡提及自己的風控體系，好像不提大數(shù)據(jù)都不好意思見人。連"E租寶"這樣的龐氏騙局企業(yè)，在宣傳中也號稱"引領大數(shù)據(jù)在行業(yè)信用管理和風控防范之中的應用趨勢"。但除了空洞的宣傳外，行業(yè)內對于如何落地大數(shù)據(jù)風控并沒有給出合理可信的解釋。

在很多情況下，大數(shù)據(jù)風控目前更像一群處男在談論性，大家都沒有做過，大家又表現(xiàn)的好像都做過，大家都在談論它，但其實都不知道到底體驗是什么。

當然，我們也看到了優(yōu)秀的互聯(lián)網(wǎng)金融公司組建了大數(shù)據(jù)團隊，開展了大數(shù)據(jù)風控的探索。比例，利用知識圖譜在社交數(shù)據(jù)上做欺詐分析，利用邏輯回歸，支持向量機（SVM），決策樹等模型補充或替代傳統(tǒng)的打分卡，在更廣泛的數(shù)據(jù)源上進行建模分析等。

第二節(jié) 大數(shù)據(jù)風控落地路漫漫

然而，大數(shù)據(jù)風控建設的道路還很遠。原因有如下幾點。

一、不同的消費場景下，客戶客群的特征是不一樣的，收集到的客戶信息差異可能很大，這些大數(shù)據(jù)方法的有效性前提就受到質疑。比如，針對熱愛社交的80、90后年輕群體，能夠爬取到有價值的社交數(shù)據(jù)，知識圖譜就能發(fā)揮出一些價值。但針對貸款主流群體的60后來說，這些人用社交網(wǎng)絡的非常少，"巧婦難為無米之炊"，這種方法就難有用武之地。

二、在中國目前的信用體系下，貸款審批的衡量是很復雜的。反欺詐能力，額度評估能力與催收手段等綜合起來，共同決定了風險決策的能力。大數(shù)據(jù)在這些能力上的落地探索，還處于非常初期的階段。在不同的場景下，有些可能是反欺詐的決定性更強些，有些可能是額度的評定更強些，有些可能是催收的手段來的更直接。拋開具體的貸款場景談論風控的大數(shù)據(jù)技術，是有失偏頗的。

三、算法都是有適用性和局限性的，不是說看起來炫的方法就一定更有效，有沒有效果，要看療效。但療效到底如何，不做是不知道的。

四、大數(shù)據(jù)算法的難以解釋性，導致了算法落地的困難。比如，用SVM作出的模型可能從歷史數(shù)據(jù)上顯示是更好的，但是為什么會更好卻無法解釋，也無法保證是否在將來的業(yè)務中表現(xiàn)也好。同時，模型對金融產品是有指導意義的，如果模型本身不可解釋，則對也會對產品的設計和推廣帶來障礙。

五，傳統(tǒng)的金融產品，如房貸，車貸等，一定意義上也是大數(shù)據(jù)決策的。人工的風控決策方法，是信審人員長期與不良借款人斗智斗勇的結晶，是人的智慧對大數(shù)據(jù)的總結。數(shù)據(jù)挖掘算法在與人的經(jīng)驗的結合和PK的過程中，難以快速勝出。

大數(shù)據(jù)風控的顛覆性效果，現(xiàn)階段更多的體現(xiàn)在創(chuàng)新型的金融產品上，比如淘寶和京東的分期服務，針對學生的3C分期服務，針對高速場景下貨車的分期服務等。

同時，大數(shù)據(jù)風控的投入，卻是很大的。無論從基礎的設施投入、系統(tǒng)研發(fā)，到昂貴的大數(shù)據(jù)人才的雇用，再到負樣本（壞賬）的積累，都是巨大的投入。當企業(yè)的老板沒有高瞻遠矚到愿意持續(xù)無悔的砸錢投入，當企業(yè)的技術人才沒有過硬到一定能排除萬難取得最終的勝利，大數(shù)據(jù)的產出都存在很大的未知數(shù)。這些未知數(shù)讓很多老板望而卻步。

如何能讓大數(shù)據(jù)風控切實落地，產生實實在在的價值，不僅僅是大數(shù)據(jù)技術專家思考的核心問題，更是金融公司老板所關切的重要問題。

不幸的是，這些老板決策了對大數(shù)據(jù)技術的投資，并承擔了最終的結果（壞賬，以及對技術投資的回報率（ROI）），而他們往往對技術并不能深入的了解。如何高效地在這個領域進行資源的投入，是眼下的當務之急。

第三節(jié)：建立效果評估體系，循序漸進開展大數(shù)據(jù)風控

大數(shù)據(jù)風控是未來，但落地的困境又這么多，扭轉局面的關鍵點在哪里？這個關鍵點，應該是在建立廣泛認可的效果評估體系，然后在效果評估的框架下面，逐步推動大數(shù)據(jù)技術的普及。這個效果評估體系，將具備如下的特征。

一、指標的制定是服務階段性商業(yè)目標的。在產品上線的階段，有放貸限額，小范圍試錯；而業(yè)務成熟階段，則會追求更高的批過率和更低的壞賬率，并尋求兩者之間最佳平衡。

二、用量化指標進行衡量。也就是說，大數(shù)據(jù)風控作為風控的方法，應該用清晰的指標來衡量取得的成果。

三、指標的物理含義是一般人都能理解的。只有讓為投入買單的老板們理解了大數(shù)據(jù)風控的衡量指標，他們才能作出決策以開展持續(xù)的技術投入。

四、指標是完備的。比如，實施了一種大數(shù)據(jù)風控技術，可能帶來壞賬率的下降，但同時也可能帶來批過率的下降。雖然壞賬少了，但業(yè)務量也降低了。但從"得"的指標上衡量，是沒有意義的。要"得"與"失"結合起來，根據(jù)企業(yè)不同的發(fā)展階段，選擇不同的技術。

在該評估體系下，老板們將能清晰地衡量具體的風控技術來帶的ROI，然后決策該采用什么樣的技術手段。在有清晰的產出預期下，大數(shù)據(jù)風控的投入就可以有循漸進的執(zhí)行。企業(yè)將不再困惑于各種難以理解的模型算法，而是把它們當成工具，然后選擇最優(yōu)的算法即可。也就是說，在有邏輯回歸，支持向量機，深度學習等多種方法候選的情況下，任何一種方法都可能有自己適用的人群。方法之間沒有優(yōu)劣之分，只有誰更適合。

第四節(jié)：建立模型評估體系

基于大數(shù)據(jù)的思想，人們提出了很多模型（支持向量機，邏輯回歸，深度學習等）來做風控系統(tǒng)。同一種模型用不同的模型參數(shù)又可以橫向衍生出很多新的模型。 那么在眾多的數(shù)學模型中，怎樣知道應該使用那一種模型呢？ 模型評估體系的建設就顯得尤為重要。 通常評估一個模型的好壞應該從模型的三個屬性去評估。他們分別是模型的

a.精確性：在預測狀態(tài)變量時，模型必須有一定的精確性

b.穩(wěn)健性：模型應該對于目標總體中的所有樣本都有效，而不僅僅是對開發(fā)測試樣本有效

c.合理性：模型表現(xiàn)出來的趨勢對于觀測到的行為必須有意義。

在這里我們主要講講模型的精確性。KS值、洛倫茲曲線（ROC）是被廣泛使用的模型精確性評估指標。在統(tǒng)計學中，KS值是用來衡量模型的區(qū)分能力。通俗來講就是模型區(qū)分好客戶與壞客戶的能力。好客戶是指守約客戶，壞客戶是指違約客戶。KS值越大，模型的識別能力就越強，反之，就越弱。ROC曲線的作用是衡量信貸模型的目標累積強度。這里的目標是指違約客戶，通俗來講ROC曲線的凸度大小反應了模型識別壞客戶的能力。凸度越大說明模型越優(yōu)秀如：在20%的總體人群中就能夠辨別出60%的所有違約人群。ROC曲線凸度大小和KS值大小是正相關關系。ROC曲線的凸度越大，相對應模型的KS值就越大。這些指標有助于多個模型甄別，模型參數(shù)優(yōu)化的情況。即便對于當前來看不錯的模型，我們也應該定期檢驗模型的重要評估指標。評估體系的建立固然重要但同時也要充分認識模型的局限性。在利用模型制定信貸策略時，我們應該信奉‘實踐是檢驗真理的唯一標準’。

第五節(jié)：行業(yè)內公司現(xiàn)狀及未來展望

北京數(shù)云普惠科技有限公司致力于向消費金融公司普及大數(shù)據(jù)技術，提供標準化、模塊化、易用的大數(shù)據(jù)風控系統(tǒng)以降低消費金融企業(yè)客戶使用大數(shù)據(jù)技術的資金成本和技術門檻。其創(chuàng)始人海歸博士孫林和首席科學家海歸博士付亞博認為，困擾企業(yè)進行大數(shù)據(jù)技術投入的因素，不僅包括技術的難度和領導者的判斷，更多的來自于技術本身對既有業(yè)務管理體系和決策層知識結構的挑戰(zhàn)。它像一把雙刃劍，如果用的不好，可能會對企業(yè)的業(yè)務帶來混亂和災難。明確的效果評估體系，能給大數(shù)據(jù)風控技術落地帶來有效的指導和管控，把業(yè)務的開展統(tǒng)一到一個目標體系上來。當大數(shù)據(jù)風控的應用能夠達到投入即能改善業(yè)務效果時，公司的發(fā)展就能進入一個良性的循環(huán)。當企業(yè)的業(yè)務都管理在一個大數(shù)據(jù)系統(tǒng)中的時候，企業(yè)的客戶資源，數(shù)據(jù)資產等都不再受限于某一個員工角色，人員流失等對企業(yè)的影響就會越來越小，也會減輕管理的難度。

優(yōu)信金融作為優(yōu)信拍旗下二手車消費金融公司，在大數(shù)據(jù)風控應用上有長期的積累和探索，其CRO倪驥先生認為當前使用大數(shù)據(jù)進行風控還有很多困難。1，目前大數(shù)據(jù)還不夠大。很多數(shù)據(jù)在覆蓋率上能達到50%已經(jīng)是驚喜了。2，傳統(tǒng)的風險模型都需要違約數(shù)據(jù)的積累，中小型互聯(lián)網(wǎng)金融機構在時間成本和資金成本都難以承受。因此，互聯(lián)網(wǎng)金融企業(yè)相當需要與征信服務公司和數(shù)據(jù)提供商的多方位合作以提升在數(shù)據(jù)積累和建模等多方面的能力。

未來，在“談消風聲”公眾號里，我們將推出一個系列的文章，通俗易懂地講解大數(shù)據(jù)風控的效果評估指標。第一篇，我們將從“混淆矩陣”開始講起，具體內容，在“談消風聲”公眾號里回復“混淆矩陣”即可獲得。

生成海報

免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。