银行风控解决方案要银行审核吗(银行风控解决方案可以拿出现金)

某银行风控解决方案提供商为银行提供全流程、一体化智能风控解决方案，包括反欺诈、反洗钱、反恐怖融资、反逃税等领域。目前，公司已与中国人民银行征信中心、百行征信、芝麻信用、腾讯征信等机构达成合作，共同打造金融科技生态圈。未来，公司将继续加大在金融科技领域的投入，不断推出新产品和服务，为用户提供更好的金融服务。同时，公司也将积极参与国家政策的制定，为国家的经济发展做出贡献。

编者简介：互联网金融发展时间不长，但影响规模却不小。最初关于互联网金融和金融互联网的争论是围绕信用展开的。在我们的日常生活中，信用的使用还是比较普遍的。信用卡、花呗等都与我们的生活息息相关。本文围绕信用这一话题，分析信用风险控制体系如何适应时代的变化。我们一起来看看吧。

互联网金融仅仅持续了十年。虽然时间不长，但无论是影响还是规模，都是一个巨大的变化。这从名字上就可以看出，它被广泛称为互联网金融，而不是许多专家学者曾经激烈争论的金融互联网。传统的金融互联网化确实不足以形容这场撼动中国金融体系的巨大变革。当然，互联网金融不仅限于信贷，还包括银行担保、信用担保等新业态。是名副其实的“金融业颠覆者”。

但无论怎样，互联网金融与金融互联网最初的争论都是围绕信用展开的。我们重点讨论信用这个话题。信用风险控制体系如何因应时代变化而发展？今天我们讨论风险控制有哪些常见的模型策略系统，以及它们的二阶问题：为什么这是一个系统？

01

2013年“余额宝”的出现，让货币资金这棵老树开花，引爆了整个市场。否则，互联网金融只会成为IT圈一个不那么热闹的小话题。这也是为什么业界普遍将2013年定义为互联网金融元年。

2014年，互联网消费金融产品“白调”成立，首家互联网银行“微众银行”获监管机构批准开业。

目前，相互金融信贷业务还处于起步阶段。我们如何做好风险控制？新模式下没有用户，传统银行信贷的履约期限为一年甚至几年，没有标准的数据产品。别说是大数据模型，就是统计模型也无能为力。此时只能对优质群体进行授信，比如信用卡客户群体、某些高端类别的电商交易客户等。

此时的风控可以说是基于客户群体的风控或者基于白名单的风控。这也催生了大众化的互联网消费金融，包括大学生分期、蓝领/白领分期、农户分期等，进而催生了场景化的互联网消费金融，如租房分期、家装分期等。旅游分期、教育分期、医疗分期。分期等

随后，随着P2P、网贷等互助金融业务的快速发展，消费金融市场主体数量进一步丰富。与此同时，移动互联网的全面发展带动了数据信息的激增。从某种程度上来说，数据已经成为像石油一样重要的战略资源。随着大数据的兴起，一大批数据公司成立。算力和大数据的发展引发了机器学习热潮，风控水平大幅提升。

在17、18年的野蛮时期，很多人只要有足够的资金和勇气就敢借钱。他们连接了几个第三方数据源，建立了一些通用的规则，做了一个信用模型，找了几个人做催收，然后就可以创业了。

此时，整套风控技术已经相当成熟。第三方数据涵盖信用信息、银联、运营商、公安、司法、工商、税务、公牛等多个维度，抽取什么样本、设置什么标签、接入什么数据、什么算法使用什么，通过率设置什么，创建与产品相匹配的模型策略并不困难。真正重要的是产品本身，即额度、定价、期数、还款方式等。

此后，一系列监管政策相继出台，行业从快速发展走向规范整顿的新路子。风雨过后，如何在良性的竞争环境和发展空间中稳步前行，成为新的命题。行业已经进入并将持续进入精细化运营时代。

此时，如何让风控更加细化，如何服务于业务形势的需要，就是新的命题。

互联网时代的变化，似乎更形象地体现在产品的变化上。

App时代产品经理的工作可能就是画原型，把交互做到极致是很厉害的；之后就是策略优化和功能进化。ToC业务的产品经理从工作内容上来说都是战略产品经理，同时也是战略产品经理。你必须了解数据；现在和未来，你已经悄然开始负责根据业务形态和组织关系来梳理计划。

风险控制也是如此。从赛马时代到策略优化、模式迭代，如今已经在解决方案的业务形态上迈出了半步。这不，最近腾讯财报一出来，ToB业务（金融科技和企业服务板块）已经超过了游戏板块营收，大家发现腾讯已经成为一家ToB数据技术服务公司。

说了这么多，终于介绍一下背景了。行业在变，风控体系也在变。

在这些不同的阶段、不同的平台、不同的业务场景中，风控的模型和策略是如何实施的？

02

这几年，信贷行业出现了那么多新的从业者，或者说颠覆者，那么多新推出的信贷产品，背后还有那么多的风控花招。

但综上所述，常见且可靠的模型策略系统只有三种。

一是以规则为基础，以模型为补充。大多出现在业务发展初期，样本较少，数据较少。风险控制主要依靠专家经验。无场景现金贷和有场景消费贷都是如此。

在业务发展初期，或者说冷启动阶段，需要逐步积累样本，风险需要较长时间才能暴露，必须严格授信。在得知风险结果之前，严格或宽松进入的标准是通过率，因此初始通过率一般较低。

通过率是用来计算的？也许你有一个场景，场景数据卡当然可以，但还不够。风险是滞后的，你最终将不得不访问一些第三方数据。根据这些数据，根据你的场景，根据你的产品定位，制定相应的政策和规则。

然后随着还款日期的到来，一批批的用户开始表明，新用户的数据从经济分析上肯定会亏本，你就会想要优化。您知道风险与您的产品和支持运营密切相关。你会认为标准产品还不够，你必须自己建模。

样本有限，访问太多数据没有意义。此时的模型还不能说是大数据模型，只能是小数据模型。如果你的产品没有发生大的改变，模型开发也没有错误，这个模型可能会带来一些收获。随着业务规模的增大，模型可以经常刷新和调优。

但无论怎样，此时整个风控体系都是以规则为基础、以模型为补充的。无论是白名单、黑名单、年龄地域限制、多头仓位、公安司法信息，还是标准产品评级，你的风控都是基于行业通用的专家规则，模型只是辅助。说白了，你的安全感来自于各种规则。

这类体系不仅出现在业务发展的早期阶段，很多平台都处于这个阶段很长一段时间甚至直至消亡。其代表场景是发薪日贷款及由此衍生的一系列网络贷款，风险较高，利用高定价、短周期来弥补资金损失。

03

第二类以模型为主，策略为辅。当样本相对丰富之后，模型的重要性就会逐渐提升，尤其是行业涉足、客户群体素质下沉之后，精准识别就变得十分必要。

除了原有的一系列专家经验规则外，一些可变规则也在不断调整。有了这些规则之后，如何根据模型做出更精细化的决策呢？

一种做法是让模型尽可能的好，然后每个人都可以通过这个模型进一步筛选。为了让效果足够好，模型的复杂度就会变高。缺点是你无法说出为什么这个人通过了，那个人被拒绝了。无论事后有多少解释工具，这个缺点都无法从本质上弥补。

另一种方法是让模型足够好并且足够可解释。为了追求可解释性，可以对数据即特征进行分类，根据每一类特征构建对应的模型，比如过期的模型，比如多头模型。比如交易模型等。同一维度的特征组合保留了该维度一定程度的可解释性。依次通过各个模型后，可以判定用户逾期表现不好，或者多仓严重，或者银联交易评分存在风险。

在这种风控体系中，你的安全感来自于模型。只要模型AUC和KS保持在高水平，无论你每天的贷款周转量是多少，你都会感到更安心。

在这类系统中，模型非常重要，策略依靠模型进行差异化。一个专注于模型的风控团队往往会这么做，很多银行也会这么做。因为真正的战略人才非常稀缺。

04

第三种是以策略为主、模型为辅的。注意第一类和第一类的区别。第一种是基于规则的，这里是基于策略的。基于规则的规则简单、通用、经验、串行且不相交。

现阶段样本非常丰富，场景中不断挖掘用户数据，接入各种有效的第三方数据。大数据模型运行得很好，而且还在不断追求更好。模型的重要性非常高，就像工具的重要性一样：“工欲善其事，必先利其器”。

该模型可以作为战略工具。该模型不再追求可解释性，而是关注策略，使决策保持可解释性。

决策需要是可解释的，因为未来可能与现在不同，而且我们无法承受极端情况的伤害。就像投资一样，你可以利用数据做出一系列决策，避开所有熊市，找到所有牛市，但例子就这么多。你现在还敢用它们吗？决策必须尽可能简单。错误是可以犯的，但错误要小，获得的利润要大。

策略的本质在于分组，年龄是分组，收入是分组，多头是分组，模特也是分组，都是风险分组。无论是授信还是贷款管理，无论是你对用户做什么还是你想让用户做什么，你都要区分用户。

这类系统的特点是决策系统中有很多重要的子群，即决策分支，并以模型作为最终保证。作为战略工具，模型可以根据需要以多种方式使用。一种工具可以大范围使用，也可以小范围使用。

决策分支的含义是策略对模型的应用并不是一刀切的，并不是所有分数低于600的用户都会被拒绝。

你的安全感来自于战略，更具体地说，是战略分组。

在行业的强力监管下，无牌机构不断倒闭，只有巨头才能勉强生存。越来越多的风险控制都是基于这个系统。仅此而已，只是细化的要求。

05

我们上面的讨论已经涵盖了这些系统的开发背景。不同阶段、不同平台、不同业务场景的风控体系是不同的。

为什么要开发这样一个系统？看来这个二阶问题的答案就是数据。样本数量、数据维度数量和特征数量决定了底层模型和策略之间的关系。

但是，这并不是问题的本质。我认为问题的本质是风险回报比。

资料来源：招银国际证券

如果像“714”高炮那样玩，遵循几条规则，让钱出去，赚取复利，更有利可图。周期短，流动性强。年化利率是几倍甚至十倍。不管风险有多大，只要一个本金就不是问题。目标客户中没有高质量的人，那么用什么模型可以准确地识别他们。

当这种玩法不再合法、风险收益越来越低的时候，银行的客户定价普遍在年化利率的18%以内，消费金融公司的客户定价基本在20%以上。要在这个范围内盈利，风险必须稳定且可持续。控制和服务目标必须针对高质量的客户群体，如果没有大数据模型，这是不可能的。当然，对于不缺优质流量的巨头来说，光是白名单就足够了。

后来流量越来越贵，客户不断被多个平台渗透。拥有良好的库存至关重要。保存一部分流量算作流量的一部分，增加余额算作余额的一部分，开始把每个用户挖掘到极致。客群精细化运营已成为当前趋势。

但是，这样的挖矿和运营是客户所需要的吗？

无论你走到哪里，你都会发现许多障碍。回望我们走过的路，一切都是平坦的路。

本文最初由@雷伟发表在《人人都是产品经理》上。未经许可禁止转载。

题图来自Unsplash，基于CC0协议