1.2.2　信用风险

1.白名单准入

白名单是信用风险管理的第一道门槛，与整个平台贷款产品的设计和定位有紧密的联系。白名单设立的初衷是圈定目标客户，有了目标客群之后才能更好地进行精准营销，并且使得后续的风控流程利润最大化。同时在贷款产品上线初期，由于缺乏足够的数据积累，难以搭建完善的风控模型，因此白名单也是冷启动阶段较为常见的一种风控手段。白名单的制定通常会从政策要求、风控能力和客户画像3个方面考虑。

首先，政策要求是重中之重，监管部门的相关政策是每个金融从业人员应该守住的底线，在互联网金融机构的信贷业务中，年龄和定价是两根红线。2017年年底出台的《关于规范整治“现金贷”业务的通知》，明确要求金融机构不得为在校学生提供借贷撮合业务，因此目前银行和大型互联网金融机构大多将22岁作为年龄的准入门槛。而对于60岁以上的客户，由于存在较大的不确定性和社会道德压力，一般也会被准入规则排除在外。对于定价，监管条例中规定，现金贷产品的综合年化利率不得超过36%，因此对于前期测算综合成本有可能超过36%的客群，也不应当纳入白名单中。

其次，作为风险管理的一部分，风控能力自然是影响白名单制定的重要因素。与后面的几个信用风控环节相比，白名单部分侧重于硬规则的制定，触碰硬规则的客群由于存在重大风险隐患，也会被风控人员排除在外。例如，大多数平台都会将注册时长和活跃度这两个因素放到准入规则中，理由是如果借款人在平台的注册时间过短或者活跃度过低，一方面平台方无法判断借款人是否是为了骗贷而特意注册开户的，另一方面这类客户在平台侧的数据量太少，给风控模型的信用判断造成了极大困难，因而不被白名单所接受。

最后是客户画像，客户画像规则通常与贷款产品关注的人群有关。对于纯粹的现金贷产品，由于此类产品适用于大多数人群，在白名单中可以不考虑特定的客户画像指标。但是，对于具有特定场景和人群的贷款产品，例如教育分期、医美分期、滴滴司机贷等，抓住这些指向性客群背后的信用规律，并且归纳成规则放入白名单准入环节中，可以大大降低风险，提升产品的运营效率。

另外，白名单的制定不宜过于严格，随着数据和风控能力的逐步提升，白名单的准入策略应该逐步放开，转而更信任之后的贷前识别和贷中管理，这样才能向着全流量风控运营的大方向进发。

2.贷前识别

贷前识别是整个信用风险管理中最重要的一个环节，一套良好的贷前识别体系能够规避70%以上的潜在风险。同时，贷前识别环节具有客户触达人数多、数据维度丰富、信用风险存在规律性等先天优势，是大数据风控模型应用最为成熟的一个模块。如本节开头所述，信用主要包含还款意愿和还款能力这两个方面，大多数信用风险的出现都是由于平台授予的贷款额度与客户这两方面情况不匹配所造成的。因此基于客户申请授信环节准确的信用评估，并且给出最合理的额度和利率，是风控从业者永恒的话题。

对于还款意愿的衡量，行业内通常的做法是搭建申请评分卡（Application Card）。申请评分卡是在有一定存量客户和风险表现的基础上，将客户申请时的多维指标和未来一段时间内是否发生逾期建立关系，从而实现对于新增客户预测风险的目的。申请评分卡出现时间较早，并且已经经历了从专家模型、到评分卡模型，再到大数据模型的三个阶段，贷前识别能力也得到了长足的提升。国内的大型互联网金融机构在前几年线上贷款业务蓬勃发展阶段已经积累了大量的客户样本和逾期表现数据，同时国内相对开放的第三方数据环境，也为这些样本带来了丰富的指标维度，这都是训练出良好大数据模型的必要前提。在业界，目前M1+的模型KS基本可以做到0.35，M3+的模型KS甚至可以达到0.45以上，已经远高于人工审核的准确率。

在贷前识别环节，只是评估客户的还款意愿显然是不够的，风控人员还需要将还款能力纳入评估体系内。这就要用到价值模型（Value Model）。相较于申请评分卡有是否逾期这一明确的目标定义，客户价值的高低在不同平台的定义各不相同，有些平台考虑客户的收入，有些平台则会考虑客户带来的利润，因而价值模型的目标可以根据平台的实际业务需求来制定。模型变量方面，价值模型通常更关注金融属性方面的指标，传统金融机构一般从收入、资产、负债三个角度来选取指标，而对于互联网金融机构来说，则会基于自身数据的特色，加入客户的商品消费习惯和金融场所出行习惯等，一定程度上丰富了价值模型的维度。

搭建兼具准确性、区分度和稳定性的申请评分卡和价值模型，是智能时代的风控从业者们必须面对的挑战和课题，在这两个模型基础上，风控人员才能判断借款人的申请是否可以通过，并且给出相匹配的额度和利率。由于贷前识别是整个信用风险管理中最核心的部分，本书之后的章节会大多围绕贷前环节展开，关于申请评分卡的搭建和应用，也会在后面相关章节中具体阐述。

3.贷中管理

借款人一旦在贷前环节通过了授信申请，就进入了贷中管理环节，这个环节主要是监控和调整，对于贷前识别的结果进行查漏补缺。目前市面上的互联网金融贷款产品额度授信方式主要分为一次性额度和循环额度两类，不同的授信方式带来的贷中管理策略也会有很大的不同。

首先解释下一次性额度和循环额度的区别。一次性额度，就是在客户的贷款申请通过后，机构主动地、一次性地将全部额度打到客户的银行账户上，解决客户短期内的燃眉之急，常见于银行的房贷、经营贷等大额商业贷款。而循环额度是指客户在贷款申请通过后获得预授信的额度，在需要的时候由客户主动发起支用，并且在客户偿还账单后额度可以实时恢复，例如银行的信用卡业务就是一款非常典型的循环额度产品。对于一次性额度的产品，由于全部金额已经在第一时间打到客户的账户上，贷中管理主要集中在风险的监控和预警上，一旦客户出现连续几期的逾期，就需要进入贷后催收的环节。而对于循环额度的产品，由于初始只是预授信，机构完全可以借助更多贷中行为的数据，通过支用拦截和额度管理等贷中手段，压降潜在的风险。同时对于借款人来说，循环额度类的贷款即需即用，随借随还，给客户提供了更好的产品体验，客户完全可以根据自己目前的资金现状选择支用和还款的时间节点，减少不必要的账期带来的贷款利息，符合国家普惠金融的大方向，也是目前市面上大多数消费贷款的产品模式。

对于循环额度类的产品，搭建行为评分卡（Behavior Card）是一种常见的技术手段。与申请评分卡一样，行为评分卡的预测目标也是客户在未来一段时间内是否会发生逾期。不过模型指标在申请评分卡的基础上，又多了贷中行为这一大类数据，通过加入客户支用、还款、逾期等数据，行为评分卡可以更好地刻画出客户近期的还款能力和还款意愿，帮助机构做出相应的支用和额度策略的调整。

4.贷后催收

目前市面上头部的互联网金融机构，由于贷款业务起步较早，时至今日已经积累了较大规模的贷款余额，并且在经济周期处于低谷的大环境下，整个行业逾期率走高，形成了较多的贷后资产。针对这些已经逾期的账户，平台侧必须采取贷后催收的手段，才能尽可能地收回账款，在控制整体逾期率和不良率的同时，最大限度减少经济上的损失。

相比于贷前识别和贷中管理，贷后催收更重运营，如何在可控的成本范围内，根据逾期案件的严重程度，为不同账户分发不同的催收方式和催收团队，是贷后管理环节的风控人员需要考虑的问题。同时，在互联网金融野蛮生长的前几年，暴力催收案件屡见不鲜，对社会和整个行业造成了极大的危害，引发了监管部门的高度关注。从2018年年底开始，监管部门联合各地公安机关，查处了许多涉黑的催收公司，暴力催收的行为也被整个行业严厉杜绝。在整个行业合规的大环境下，精细化和智能化的贷后运营成为了提高催回率最有效的方式。

为了实现精细化的分案，主要的方法是利用催收评分卡（Collection Card）衡量客户逾期的严重程度，根据严重程度分发给不同力度的催收方式和团队。催收评分卡基于已经发生逾期的样本群体建立，目标是预测这些样本是否会在未来一段时间内发生更严重的逾期。相比于贷前和贷中的特征，催收评分卡又多了与催收相关的贷后特征，比如进入催收队列的持续时长、催收阶段成功还款的金额等，这些特征都提升了模型对于贷后人群的区分能力。根据业务的需求，在样本量满足条件的情况下，还可以根据客户所处的贷后阶段，进一步将通用模型拆分为早期催收评分卡、中期催收评分卡和后期催收评分卡。

贷后环节也是当前AI技术探索较多的环节，机构希望通过更智能的算法和模型，降低单纯人力的运营成本。目前像失联修复、语音自动外呼、催收机器人等技术都已经有了正式落地的案例，随着这些AI系统的进一步成熟，整个催收行业也会更加合规和可控。