来源：消费金融一刻钟

数据显示，截至2016年9月初，央行征信系统收录的自然人数量已经超过9亿，但拥有信贷记录的仅4.1亿人。没有征信记录的5亿“小白”人群，其金融需求如何得到满足，是一个亟待解决的问题，也是新的市场机遇。基于互联网大数据技术的风控，就是从近10亿未被央行征信数据所覆盖的人群中，挑出“坏人”。大数据风控能够过滤掉绝大多数带恶意欺诈目的“坏人”，也能动态监控到没有欺诈意图，但实际还款能力和还款意愿出现波动的客户。即使出现违约和失联情况，大数据还能重新挖掘到借款人的关联信息，挽救不良。那么，消费金融大数据风控到底是怎么玩的？

旅游场景的风控重点

       欺诈风险：用户信息是否被盗用或虚假注册；

       信用风险：是否存在多头借贷、居所存在不真实和不稳定等问题；

       渠道风险：有时候渠道有帮助用户套现的冲动，可以通过横向比较、纵向比较发现某个渠道的异常数据。

3C电商场景的风控重点

       3C产品流通好、易变现，需要谨防刷单和套现风险；可以监控用户的购买频率，重点关注高频使用的设备和频繁购买的用户，并且通过对过往账户数据的检查发现异常黑名单或灰名单账户；如发现异常，需要和电商平台合作，在发货前及时拦截。

医药分期场景的风控重点

       如癌症类药品，用户还款能力会受病情的影响，需要让患者的家属或朋友作为共同借款人，病情通过医生核对病人实情，确认其购药行为的真实性。

现金贷风险防控的逻辑

       现金贷最大的问题是资金的去处不易把握，相对于有场景的消费行为，缺乏有效的风控抓手。在反欺诈和防范信用风险上，除构建严密的风控模型外，对较高风险的用户只做小额、短期放款，对低风险客户可做大额、长期放款，并根据还款情况动态调整用户的额度和期限。

关注资产方合作伙伴的信息披露问题

       国内线上、线下的小贷平台有各类消费类资产，一方面需要资金支持，另一方面却不完全开放自身数据，比如A轮、B轮融资的资金实到情况、资金使用情况，对方是不愿意开放给贷款资金方看的，因为创业公司一开始很多都是烧钱的。而对于贷款资金方来说，看不到这些数据就无法判断该平台的经营持续性和风险兜底能力。

多方合作中的劣币驱逐良币效应

       如果一个资产生成平台和多个P2P资金方合作，而大家的风控标准差异较大的话，这家平台很可能被风控较松的P2P公司拖下水。如果这个平台承担了太多兜底压力，借款人因为渠道平台（中间链接）的倒掉而不需要还钱，其他风控严格的P2P一样会遭殃。

门店的道德风险

       借助合作渠道获得客户，特别是有很多门店的合作渠道，其门店管理中往往存在一定的道德风险。渠道的渠道，下线的下线，为了业绩激励和提成等伪造或粉饰原始资料。

传统模型与大数据模型的比较

       金融机构通常使用以央行征信数据为主的金融数据建模，大概10-20个强变量，以与金融机构发生借贷关系的数据为主。但是，全国75%无借贷记录的用户得不到有效地信用评估，并且这些强变量中任何一个变量的缺失，都会导致模型失效。

       大数据公司正尝试使用非金融数据建模，大概50万个强弱结合的变量，其中有很多数据与金融毫无关系。例如，用户日常的阅读、消费、社交、旅游、娱乐等，这些数据刻画出的人是完整的人，不会因为某些领域的作假而改变。

       总的来说，消费是相对较强的变量，阅读社交较弱一些，把多种强弱变量结合起来风险建模，部分变量的缺失对模型的稳定性影响会很小。

对欺诈风险的防范

       恶意欺诈用户一般不会采用真实身份借款，身份真实性识别是反欺诈的核心。身份证、银行卡、姓名、手机号四要素如果无误，欺诈概率是其他群体的1/3左右。

       通过大数据储存用户与各种ID对应的数据库，在用户进行借贷时进行身份匹配，能够及时辨别潜在的欺诈嫌疑用户。这些数据库包括：姓名、身份证号的实名ID，手机号、地址、银行卡号等准实名ID，QQ号、微博号、设备指纹(PC或手机硬件设备编号)等的匿名ID。

对信用风险的防范

       主要指还款能力(经济实力)与还款意愿(道德风险)。大部分用户在申请阶段并非恶意，这就考验借款人对信用风险的判断，而行为数据挖掘是信用风险防范的核心。

       要预测借款人的信用风险，更多地需要依赖于分析海量用户的行为数据(强弱变量)，从中挖掘出可以多次复用的规律。

       数据显示，坐过商务仓以上或一年乘坐飞机四次以上的客户违约率较低；在本地生活方面花钱越多的人违约率越低；访问财经媒体天数越多，违约率风险越低；同一手机号使用九年以上的用户违约率大概仅为6‰；而三四线城市打游戏花钱较多的人违约率比较高。

贷中管理及不良催收

       贷中管理方面，通过及时监测借款人信用的变化、共债的新增、流水的异动、联系状态的异常等数据，采用全自动的风险识别流程，提早识别风险，提高人工处理效率。

       消费金融不良资产，主要由道德水平不高和还款能力不强造成。据统计，70%-80%的不良资产是因为债务人失联导致，大数据网络可重新建立起与债务人的联系，通过关联匿名ID、联系家人朋友追回欠债，从而降低整体不良率。

辩证看待消费场景的风险

       场景能便捷有效地获取客户，在风险控制上，将资金支付给商家比给用户更安全。但现在通行的认知是默认有场景就是低风险。殊不知，除了商家在操作上存在道德风险外，线下场景也容易发生销售人员的道德风险。

       其次，倘若获取的资产完全依赖场景，最终会限制自身的获客渠道，大场景几乎都是自己作消费金融，中小场景受到资金方竞相追逐，导致获客成本不断高企。

       此外，基于场景获取的新客户，风险难控、不良率较高，一些消费金融公司的盈利模式是通过向优质老客户二次营销，发放现金贷获利。