大數(shù)據(jù)“慧眼”談風(fēng)控

凌小山　鐘元癸

[摘要]數(shù)據(jù)貼近了人們的工作生活，已經(jīng)漸漸的作為大家工作生活中的一項(xiàng)型的生產(chǎn)工具。在如今這個信息技術(shù)快速發(fā)展的時代，大數(shù)據(jù)不僅僅是成為了一個熱詞，同時與人們的生活產(chǎn)生了密切的關(guān)系，在文中主要就大數(shù)據(jù)時代的風(fēng)控進(jìn)行探討。

[關(guān)鍵詞]大數(shù)據(jù) 風(fēng)控 消費(fèi)

在大數(shù)據(jù)成為熱詞的那段時間，大數(shù)據(jù)風(fēng)控似乎往往作為互聯(lián)網(wǎng)金融企業(yè)代言詞。就拿“E租寶”這樣的龐氏騙局企業(yè)，在宣傳中也號稱“引領(lǐng)大數(shù)據(jù)在行業(yè)信用管理和風(fēng)控防范之中的應(yīng)用趨勢”。

當(dāng)然，我首先檢討一下，自認(rèn)為我們塔塔數(shù)據(jù)是行業(yè)的引領(lǐng)者，這段時間看到了一家銀行已經(jīng)有“稅E融”也看到了他們組建了大數(shù)據(jù)工作站，開展了大數(shù)據(jù)風(fēng)控的各項(xiàng)探索。已經(jīng)運(yùn)用大數(shù)據(jù)DT引進(jìn)大量外部數(shù)據(jù)，在工商族譜、社交數(shù)據(jù)上做欺詐分析，利用邏輯回歸，支持向量機(jī)（SVM），決策樹等模型補(bǔ)充或替代傳統(tǒng)的打分卡，在更廣泛的數(shù)據(jù)源上開始進(jìn)行建模分析等。在這種背景下我迫切的感受到了壓力，作為數(shù)據(jù)供應(yīng)商與方案解決商我們不能夜郎自大了。

一、行業(yè)內(nèi)對于如何落地大數(shù)據(jù)風(fēng)控存在的疑問

第一，不同的消費(fèi)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)方法的客觀性無法保證。就如針對熱愛社交的年輕群體，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來說，這些人的數(shù)據(jù)就很難獲取了。

第二，目前的信用體系中，貸款審批的衡量、反欺詐能力、額度評估能力與催收手段等等，共同決定了風(fēng)險決策。大數(shù)據(jù)與風(fēng)險決策落地探索依舊是困難重重。也許在不同的場景下，有些可能是反欺詐的決定性更強(qiáng)些，有些可能是額度的評定更強(qiáng)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來運(yùn)用大數(shù)據(jù)風(fēng)控依舊不是很成熟。

第三，算法模型具有一定的適用性和局限性的，還需要通過不斷地實(shí)踐創(chuàng)新內(nèi)測來完善。

第四，傳統(tǒng)的金融產(chǎn)品的風(fēng)控決策也是以數(shù)據(jù)作支持的。人工的風(fēng)控決策是信審人員長期與調(diào)查借款人信息與經(jīng)驗(yàn)的判斷，風(fēng)險控制在大數(shù)據(jù)與DT應(yīng)用初期與信貸專員的經(jīng)驗(yàn)還需要有機(jī)結(jié)合，因?yàn)閾p失性的貸款成本是無法的估量的。

第五，大數(shù)據(jù)風(fēng)控成本。從基礎(chǔ)的設(shè)施投入、系統(tǒng)研發(fā)，大量的外部數(shù)據(jù)成本、再到到昂貴的大數(shù)據(jù)人才聘用，以及不初期出現(xiàn)的損失貸款，這些投入也是無法想象的。

第六，大數(shù)據(jù)風(fēng)控若是沒有高瞻遠(yuǎn)矚可持續(xù)經(jīng)營的理念牽頭人，沒有一幫擁有激情的的人才團(tuán)隊(duì)，是沒有最終的勝利，大數(shù)據(jù)的產(chǎn)出都存在很大的未知數(shù)。這些未知數(shù)讓很多望而止步。

二、讓大數(shù)據(jù)風(fēng)控落地產(chǎn)生價值

如何能讓大數(shù)據(jù)風(fēng)控落地，繼而產(chǎn)生可觀的價值，路漫漫其修遠(yuǎn)兮，我們既然跨出了一大步，我更希望大家永不止步?；谀壳笆紫仍摻⑿Чu估體系，循序漸進(jìn)開展大數(shù)據(jù)風(fēng)控各項(xiàng)工作：

第一，在產(chǎn)品上線的階段，有放貸限額，小范圍測試；而業(yè)務(wù)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。

第二，用量化指標(biāo)進(jìn)行衡量。也就是說，大數(shù)據(jù)風(fēng)控作為風(fēng)控的方法，應(yīng)該用清晰的指標(biāo)來衡量取得的成果。

第三，指標(biāo)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(fēng)控的衡量指標(biāo)，他們才能作出決策以開展持續(xù)的技術(shù)投入。

第四，完備的指標(biāo)。比如，實(shí)施了一種大數(shù)據(jù)風(fēng)控技術(shù)，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(wù)量也降低了。但從“得”的指標(biāo)上衡量，是沒有意義的。要“得”與“失”結(jié)合起來，根據(jù)企業(yè)不同的發(fā)展階段，選擇不同的技術(shù)。

在該評估體系下，決策者將能清晰地衡量具體的風(fēng)控技術(shù)來帶的ROI，然后決策該采用什么樣的技術(shù)手段。在有清晰的產(chǎn)出預(yù)期下，大數(shù)據(jù)風(fēng)控的投入就可以循序漸進(jìn)的執(zhí)行。人們將不再困惑于各種難以理解的模型算法，而是把它們當(dāng)成工具，然后選擇最優(yōu)的算法即可。

三、大數(shù)據(jù)風(fēng)控系統(tǒng)評估

基于大數(shù)據(jù)的思想，人們提出了很多模型來做風(fēng)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(xué)模型中，怎樣知道應(yīng)該使用哪一種模型呢？模型評估體系的建設(shè)就顯得尤為重要。通常評估一個模型的好壞應(yīng)該從模型的三個屬性去評估：

第一，精確性：在預(yù)測狀態(tài)變量時，模型必須有一定的精確性。

第二，穩(wěn)健性：模型應(yīng)該對于目標(biāo)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。

第三，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。

在這里我們主要講模型的精確性。KS值、EVA、洛倫茲曲線（ROC）是被廣泛使用的模型精確性評估指標(biāo)。在統(tǒng)計學(xué)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(qiáng)，反之，就越弱。ROC曲線的作用是衡量信貸模型的目標(biāo)累積強(qiáng)度。這里的目標(biāo)是指違約客戶，通俗來講ROC曲線的凸度大小反應(yīng)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(guān)關(guān)系。ROC曲線的凸度越大，相對應(yīng)模型的KS值就越大。這些指標(biāo)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(dāng)前來看不錯的模型，我們也應(yīng)該定期檢驗(yàn)?zāi)Ｐ偷闹匾u估指標(biāo)。評估體系的建立固然重要但同時也要充分認(rèn)識模型的局限性。在利用模型制定信貸策略時，我們應(yīng)該信奉“實(shí)踐是檢驗(yàn)真理的唯一標(biāo)準(zhǔn)”。

目前芝麻征信關(guān)于企業(yè)征信的產(chǎn)品已經(jīng)在做內(nèi)測，其他已經(jīng)取得或者已經(jīng)備案的企業(yè)征信大數(shù)據(jù)公司和我們塔塔數(shù)據(jù)致力于向消費(fèi)金融公司和各大商業(yè)銀行普及大數(shù)據(jù)技術(shù)，提供標(biāo)準(zhǔn)化、模塊化、的大數(shù)據(jù)風(fēng)控系統(tǒng)，以降低消費(fèi)金融企業(yè)客戶使用大數(shù)據(jù)技術(shù)的資金成本和技術(shù)門檻。但是作為數(shù)據(jù)業(yè)類人來說我覺得更多的來自于技術(shù)本身對既有業(yè)務(wù)管理體系和決策層知識結(jié)構(gòu)的挑戰(zhàn)，它的應(yīng)用也是雙面的，可能會對企業(yè)與銀行的業(yè)務(wù)帶來混亂和災(zāi)難。明確的效果評估體系，能給大數(shù)據(jù)風(fēng)控技術(shù)落地帶來有效的指導(dǎo)和管控，把業(yè)務(wù)的開展統(tǒng)一到一個目標(biāo)體系上來。

綜上基于在大數(shù)據(jù)不夠大，數(shù)據(jù)來源的客觀性、信息傳播的擊鼓傳花特性以及傳統(tǒng)的風(fēng)險模型都需要大量的模型實(shí)踐積累的高昂的損失貸款成本、時間成本和數(shù)據(jù)引入成本。

因此在大數(shù)據(jù)時代初期階段，我們在風(fēng)控應(yīng)用上應(yīng)做好有長期的積累與探索的思想準(zhǔn)備，在信息不對稱性與共享的信息經(jīng)濟(jì)中，DT更多的是作為新型的生產(chǎn)工具，在各大銀行消費(fèi)型貸款業(yè)務(wù)、P2P互聯(lián)網(wǎng)金融業(yè)務(wù)中都應(yīng)需要與征信服務(wù)公司和塔塔數(shù)據(jù)提供商進(jìn)行多方位戰(zhàn)略合作從而提升在數(shù)據(jù)積累和建模等多方面的能力以面對新經(jīng)濟(jì)形勢帶來的機(jī)遇與挑戰(zhàn)。