万亿级消费金融处风口考验大数据风控新手段

随着2016年P2P网贷的退潮，被业内认为规模达万亿元级的消费金融市场正在开启。从目标用户的特点来看，消费金融的客群极大，消费场景繁多而呈个性化；而另一方面，采用传统金融机构征信手段难以覆盖消费金融的目标人群，同时风控系统和审批流程也难以应对消费金融产品需要与不同场景、不同渠道合作方的快速对接，从而为用户创造愉快的应用体验的需求。

大数据风控，因而成为消费金融领域必然的解决之道。面对消费金融领域客户风险较高、客户信用信息不全、恶意欺诈或薅羊毛现象、客户违约成本低、债务收回成本较高等诸多新的挑战，消费金融必须利用大数据风控丰富传统风控的数据纬度，利用多维度的数据、算法和模型来实现快速识别借款人风险。

在消费金融兴起的大潮中，无论是互联网系、电商系、银行系消费金融，都在积极布局大数据风控，而各家的商业模式、资源优势不同，应用的状态和优势也各异。

蚂蚁金服旗下芝麻信用，利用梯度提升决策树、随机森林、神经网络、分群调整技术、增量学习技术等在内的机器学习算法，可以为缺少信贷记录的人群做出客观的信用评价。

京东金融形成了由多种大数据机器学习模型构成的弱分类组合预测模型，借助随机森林、lasso回归等算法，参考数千个预测变量，借此评估用户的还款意愿和还款能力。

相比依托场景化信贷的大型电商所布局的大数据风控，对于互联网消费金融公司来说，其大数据风控的模式和能力则更加重要。以马上消费金融为例，平台在运用传统客户身份识别手段的同时，增加活体识别、人脸比对等新兴技术手段，进一步增强客户身份识别精准度、有效防范控制第三方欺诈风险。在此基础上，马上消费金融以央行征信数据为基础，但又不局限于央行征信数据，充分挖掘并利用客户的其他信贷数据、消费数据、互联网痕迹数据等，生成高达几万个的风险变量，并分别输入不同的预测模型，例如欺诈模型、身份验证模型、还款能力模型、还款意愿模型等，更为精准细致的评估客户的信用风险和欺诈风险。

在构建模型的过程中，马上消费金融引用了先进的机器学习、随机森林、人工智能技术，以科技手段武装风控能力，来提高大数据风控的实效。据银监会公开数据，目前消费金融行业的不良率为4.11%，马上的不良率只有1.36%。

另一方面，大数据模型与自动化审批是相辅相成、相得益彰的。基于大数据模型的自动化审批，能不断优化信审流程、提升业务量，同时有效控制风险；而高速发展的业务也为大数据模型积累了更为有效的训练样本，使得模型可不断迭代更新，真正实现数据和技术驱动的信贷决策。也正是基于大数据模型的自动化审批，使得马上能够为广大用户提供审批速度达到秒级的消费贷款服务。