作者：夏心愉

来源：愉见财经（ID：fish-finance）

乐视员工在建行信用卡额度被降至1元事件，站在外部视角看，的确挺离奇的。那在热闹也看了、槽也吐了之后，“愉见财经”想带大家换一个视角，我们来从银行信用卡部门的风控机制着手，内行看门道——这离奇的“1元卡”，到底是怎么发生的？

下面，“愉见财经”会扒给您听三件事情：

1，除了“1元额度”过于抓眼球以外，基于所属组织或群体的风险评判变化而“殃及”本身信用状况变化不大的个人，这样的事件，在业内根本不是什么秘密。所以大家不要跟着那些吃瓜小伙伴们瞎起哄，建行并非首创。

2，这背后的信用卡“人群画像”风控逻辑、以及逐渐讲求的事前预警机制。

3，信用卡风控变量都有哪些维度、考量这些维度的优、次排序是怎样的？（根据这些维度我们就可以推测自己的信用卡额度大小咯。）

好，开扒！

几年前，无锡尚德出现了经营危机，“愉见财经”替您打听到，当时就有一家股份制银行在内部对尚德员工的信用卡也悄然上了针对性风控措施，只不过人家那是“悄悄地进村、打枪的不要”，没搞个抢头条的“1元卡”，而只是温和处理，封死这批信用卡的额度只降不升（包括拒绝本可获批的客户正常提额申请），并密切关注这批卡片的大额消费情况。

这也不是个案。在另一家股份制银行，对于一些身处产能过剩行业的员工、尤其是一些流水线操作工种，已办信用卡者续卡、未办信用卡者申卡，银行评审起来都会出现一定“扣分”、甚至拒批。

除了所属公司会波及个人，所属行业、身份证划归地域、甚至所属人群的自然属性（比如“未婚、女性”）等，都会因为群体整体信用表现而波及“无辜”个人。这种波及可能是利好也可能是利空。

比如一张“3522”开头的身份证（属福建宁德地区：钢贸商籍贯集中地），就算这个持这张身份证的人从头到尾就跟钢贸、甚至跟做贸易这事儿就没半毛钱关系，但是：

• 在2011年银行体系对钢贸业务进行风险预警前，他在很多银行办信用卡都比普通人方便、也有更高概率获得更大的信用卡授信额度；

  
  

• 在2012年钢贸危机爆发后的几年间，他在部分银行甚至很难正常办出信用卡、就更不谈额度高低了。

悄悄透露一个，我的一财日报的金融版编辑，就是一个“3522”，你说他好端端名校毕业、主流媒体供职、收入稳定前景向好的，就在咱们发工资用的借记卡那家银行，他网申信用卡都会直接被大数据风控模型秒拒。你说说他冤不冤？连“1元卡”都没。

所以您看，在这些真实发生过的案例里，如果纯粹以客户个体视角植入一根绝对公平的准轴，“叫冤”者真不止所涉乐视员工。

一众信用卡部门人士在媒体采访乐视员工“1元卡”事件时选择缄默，没有人愿意因表示理解他行风控策略“躺枪”。但在“愉见财经”以匿名形式的访谈中，多名卡业务人士均对建行的风控“大方向”和“方法论”——识别该人群风险信号——表示了“认同”或“理解”，不过在手段运用的激进程度上，他们表示了异议。

其中有位在银行信用卡中心管风险的领导跟我说，他们其实也及时捕获到了乐视的风险信号，但仍补充考量了乐视员工本身的情况，才没提前采取措施。

但他进而表示，如果出现问题的企业不是乐视而是某些中低端制造业企业，企业已或有可能发不出薪水，员工多从事偏于弱技术资质的操作型工作，“恐怕采取建行类似的手段是必要的”。

其实在风控尺度把握上，建行对乐视持卡员工也是有基于个体的补充考量的，因而采取了“先堵后疏”：建行方面回应称，对乐视员工信用卡额度进哦行调整，只是暂时的举措，各支行会根据名单情况，对这些信用卡持有人进行一一排查，如果还款正常，就会恢复额度。

下面该说说此中“门道”了——

越是小额、分散的授信，除了对客户个人一对一的资信评估以外，就越是需要辅助进行以大数据为基础对客户所属群体进行诸如“人群画像”的风险评估，并不断就新的风险因子表现再修正风控模型及对此群体的策略。

这样，在“大数法则”运算之下，不良率就可控在一定标准之内。而这正是银行信用卡业务风控的题中之意。

有一句玩笑话，所谓“大额贷款做得好，拼客户关系；小额授信做得好，看模型建设。”

那么信用卡风控建模具体看哪些变量呢？

最传统的操作是看“四大维度”：自然属性、收入情况、财富情况、在其它金融机构的风险表现。这些数据绝大多数在客户的央行征信报告、该行内部账户信息、及客户办卡提交材料中都有体现。

自然属性是指客户的性别、年龄、学历、户籍地域等。

收入情况则是看公司行业、公司规模、职位、年收入等，这一点在风控的逻辑里被视为客户负债后的“还款来源”。

财富情况是看客户的拥车、拥房、以及在该家银行的存款、理财等。

客户在其它金融机构的负债情况、信用表现、有无逾期也是一大考量。此外，多家风控严格的银行信用卡中心还会对客户实行“刚性扣减”，亦即对卡片申请人的总负债额度进行评估，并减去客户已在其它银行获得的非抵押类授信额度。

除了这些传统操作，随着金融科技及大数据运用的发展，信用卡风控的评审模型中又添加了来自移动运营商、互联网公司等提供的客户行为数据，当然调取这些数据需在客户充分授权的前提下。这些行为数据可包括客户的移动设备定位、线上支付结算和流水等，也可据此推测部分客户的消费能力和习惯，为银行更精准的营销及风控提供辅助参考。

以上维度，在银行建模考量中的优先等级不同。再来看图：

从最优开始排列，依次为客户已有用卡行为数据、客户总负债水平、客户自然属性基本面、客户工作受薪及财富情况、客户工作行业前景等。其中无征信参考、或没有丰富历史用卡行为数据的客户，银行会更多依赖此排序中的后三类信息；而对于该行存量客户，则更依赖前两项及客户在该行既有业务使用信息。

门道看完、框架搭完，现在大家不难理解，如果银行判断客户的公司真会出现什么大问题，那对照上头这个考量项目，有两个大项不就直接受影响了嘛。

上头我匿名采访的那位管风控的领导就表示，银行有所动作或反应，从方法论的角度本身无可厚非。但他也说，反映过于激烈未必有必要，因为还要综合评估其它几大项，那些变量并没有受到影响。

他们行综合考量下来，觉得乐视员工的个人资质属性基本面是偏中高的。一般而言持卡人个人基本面越好，银行风控逻辑里，其受企业、行业等外部指标连累的程度就越低。

值得多提一笔的是，客户个人资信行为变化，比如在任意一家系统内银行的用卡发生频繁或中度延滞缴款，明显的消费金额、频次或用途不合理产生套现嫌疑等，都会高级别地触发银行风控的敏感神经，引发信用卡被降额或停卡。

此外，也有银行人士提及对信用卡风险的事前预警机制。顾名思义，这是指不等群体风险指标出现异常而进行的事先干预，一般用作针对宏观经济变化及局部行业地区性变化，动态风险监测与预警机制也通常会配套事后恢复机制。

关于乐视那透心凉的“1元卡”，银行视角的个中原委就给大家聊到这里了。“愉见财经”下一期，我们会接着这个话题做个实用性延伸，听愉记来跟你说说用卡中的各种小Tips和Tricks。

就举其中一点，我发现有很多朋友在信用卡还款逾期这事儿上有不少疑问，有人以为账单上写的最后还款日就是银行要上送征信给你拉黑名单的还款逾期日了，我曾有一个朋友就晚了一天还款，还打电话到我这里来求，让我跟银行说情去，不要上征信。你知道我这朋友的误区在哪里吗？

下期告诉你。