摘要：隨著人群代際的變遷、消費觀念的轉(zhuǎn)變、居民收入的持續(xù)增長、消費金融產(chǎn)品的不斷豐富，消費信貸的滲透正在加速實現(xiàn)?；ヂ?lián)網(wǎng)銀行依托電商平臺或互聯(lián)網(wǎng)公司的大數(shù)據(jù)背景，依靠精準(zhǔn)的客戶定位、小額靈活的經(jīng)營方式獲得了爆發(fā)式增長，然而，隨著授信人群的逐步擴大，行業(yè)風(fēng)險也逐漸暴露。本文通過研究規(guī)模最大的消費貸產(chǎn)品“微粒貸”，為全行業(yè)的信用風(fēng)險管理所借鑒。

關(guān)鍵詞：互聯(lián)網(wǎng)銀行；信用風(fēng)險管理；消費貸；微粒貸

隨著經(jīng)濟結(jié)構(gòu)轉(zhuǎn)型升級，銀行業(yè)進入調(diào)整轉(zhuǎn)型期，互聯(lián)網(wǎng)金融加速滲透信貸市場，既給傳統(tǒng)金融業(yè)帶來了挑戰(zhàn)，也為其踐行普惠金融提供了思路與方法?；ヂ?lián)網(wǎng)銀行因其高效便捷、創(chuàng)新普惠及社交和消費類大數(shù)據(jù)等優(yōu)勢，專注長尾市場金融服務(wù)，彌補了傳統(tǒng)金融機構(gòu)的不足，構(gòu)成錯位競爭?；ヂ?lián)網(wǎng)銀行在攜手傳統(tǒng)銀行共同發(fā)展的同時，也在倒逼傳統(tǒng)銀行進行科技創(chuàng)新，推動銀行業(yè)向更高層次完善并發(fā)展。

消費貸是指為個人和家庭提供以消費為目的的無抵押、無擔(dān)保的小額貸款，金額一般在30萬以下，信貸期限在1至20個月。典型的消費貸產(chǎn)品如前海微眾銀行“微粒貸”、網(wǎng)商銀行個人貸款，四川新網(wǎng)銀行“好人貸”、蘇寧銀行 “升級貸”等。作為第一家踐行普惠金融的互聯(lián)網(wǎng)銀行，微眾銀行自開業(yè)以來倚靠互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等在信用風(fēng)險管理方面卓有成就，與此同時，拳頭產(chǎn)品“微粒貸”也開始暴露出相應(yīng)問題，案例具有一定的代表性和前瞻性，本文將深入探索“微粒貸”卓有成效的風(fēng)控方法供其他相繼成立的互聯(lián)網(wǎng)銀行借鑒，同時，挖掘其尚存的不足之處，最后，上升到全行業(yè)層次提出些許建議。

一、關(guān)于“微粒貸”

“微粒貸”定位于長尾用戶，是微眾銀行基于社交大數(shù)據(jù)風(fēng)控的自助小額、循環(huán)使用類貸款，依托互聯(lián)網(wǎng)平臺提供與傳統(tǒng)銀行錯位的差異化金融服務(wù)。其利用股東背后龐大的大數(shù)據(jù)資源、以及高流量的微信、QQ等獲客渠道來充當(dāng)傳統(tǒng)銀行和用戶之間的中介，一方連接長尾用戶，另一方連接金融機構(gòu)，完成資金的輸送和創(chuàng)新科技的共享，從而賺取利差?！拔⒘ＹJ”額度為500—30萬，5秒出額度，借錢最快1分鐘到賬，提前還款無罰金，提供7×24小時服務(wù)。自2015年5月，“微粒貸”上線以來，放款總量幾乎呈指數(shù)級增長。

二、“微粒貸”信用風(fēng)險管控措施

由于互聯(lián)網(wǎng)金融虛擬性的特點，交易雙方只是通過網(wǎng)絡(luò)發(fā)生聯(lián)系，增大了交易雙方在身份確認(rèn)、信用評價方面的信息不對稱。因此，對于一款互聯(lián)網(wǎng)信貸產(chǎn)品來說，風(fēng)控是首要的核心的能力。在信用風(fēng)險的管控方面，微眾銀行的微粒貸有以下獨到之處。

第一，將聲紋識別、人臉識別等生物識別技術(shù)運用于實際業(yè)務(wù)場景，實現(xiàn)“傳統(tǒng)銀行風(fēng)控”與“互聯(lián)網(wǎng)風(fēng)控”相結(jié)合。“人臉核身”技術(shù)，是基于C端用戶環(huán)境、業(yè)務(wù)場景、用戶行為的多維核身風(fēng)控模型，識別并采集多因子（人臉、唇動、聲音），通過逐步添加的“在線視頻補充核身”和“異步審核”流程建立高準(zhǔn)確度的閉環(huán)“遠程人臉核身”服務(wù)，差錯率低于人工識別差錯率8‰。“微粒貸”利用生物識別技術(shù)進行視頻身份驗證運用可自動化實現(xiàn)客戶身份識別和反欺詐，降低風(fēng)險。

第二，“白名單”邀請制。白名單是“微粒貸”風(fēng)控的第一環(huán)，結(jié)合了傳統(tǒng)信用評級方式和AI風(fēng)控體系?！鞍酌麊巍毖堉圃谫J前進行反欺詐識別，即時預(yù)測風(fēng)險、實時調(diào)整風(fēng)控模型，扭轉(zhuǎn)“微粒貸”被動風(fēng)控的局面，有效降低了小額貸款服務(wù)中的信用風(fēng)險和欺詐風(fēng)險。雖然白名單未像螞蟻借唄直接標(biāo)出硬條件（芝麻信用分600以上），但“微粒貸”采用了央行個人征信數(shù)據(jù)和騰訊信用評分兩種數(shù)據(jù)，其中，騰訊信用評分來自于騰訊的用戶互聯(lián)網(wǎng)行為數(shù)據(jù)，包括在線使用、財產(chǎn)、消費支付、理財行為等。

第三，用戶畫像。信用風(fēng)險的識別運用了社交大數(shù)據(jù)與央行征信的數(shù)據(jù)，在騰訊征信的大數(shù)據(jù)模型中提取233500個數(shù)據(jù)項，云計算進行分析歸檔后利用10個預(yù)測分析模型，從基本社會特征、交易網(wǎng)、社交圈、行為特征、人行征信5個維度對客戶綜合評級，以快速識別信用風(fēng)險，得到最終的消費者信用評分，從而真實地了解客戶的過去，分析未來。

第四，“微粒貸”以大數(shù)據(jù)為核心，構(gòu)建風(fēng)險規(guī)則，創(chuàng)建新型風(fēng)控體系，引入決策樹、隨機森林、神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)方法，建成包括征信、互聯(lián)網(wǎng)、反欺詐等七大類風(fēng)險模型，以及信用風(fēng)險策略、反欺詐、撥備、征信、風(fēng)險參數(shù)等五大工具箱；將人行征信和公安等傳統(tǒng)數(shù)據(jù)，與互聯(lián)網(wǎng)和行為等新型數(shù)據(jù)相結(jié)合，更全面地評估信用風(fēng)險；引入第三方電子存證管理、機器人客服和機器人催收、數(shù)據(jù)訪問安全體系，控制全流程線上操作的潛在風(fēng)險，有效地發(fā)揮了風(fēng)險防控作用。

三、“微粒貸”信用風(fēng)險管理存在的問題

（1）目標(biāo)客戶下沉加劇信用風(fēng)險

“微粒貸”目標(biāo)客戶群體包括自由職業(yè)者、工薪階層、進城務(wù)工人員及普羅大眾，近65%的客戶為25-35歲，近71%的用戶為藍領(lǐng)服務(wù)業(yè)、制造業(yè)等，70%的提款客戶是大專以下學(xué)歷，“微粒貸”目標(biāo)客戶下沉到三、四線，甚至農(nóng)村市場，客戶越是下沉，征信數(shù)據(jù)越缺乏，客戶資信情況越弱，微粒貸所面臨的信用風(fēng)險越高。

（2）大數(shù)據(jù)風(fēng)控需長時間實踐檢驗

截至2017年年末，微眾銀行撥備覆蓋率912.74%、資本充足率16.74%和不良貸款率0.64%，具有較高資產(chǎn)質(zhì)量，遠高于同業(yè)水平和一般標(biāo)準(zhǔn)。微眾銀行如此優(yōu)秀的數(shù)據(jù)不可否認(rèn)受益于大數(shù)據(jù)風(fēng)控，但由于目前業(yè)務(wù)只開展了3年，部分潛在的不良貸款還未體現(xiàn)。隨著用戶基數(shù)增大，微眾銀行的不良貸款率由2015年0.12%，到2016年0.32%，2017年0.64%，其資產(chǎn)質(zhì)量有逐年下滑的趨勢。

（3）缺乏貸后資金用途追蹤

微粒貸依托網(wǎng)絡(luò)平臺進行用戶資料審核，完成用戶開戶操作，并進行信貸發(fā)放，但并未對用戶的貸款資金用途進行明確的規(guī)定限制，同時缺乏相應(yīng)的機構(gòu)人員對貸后的資金流向進行追蹤。微粒貸貸款審批過程中雖然都有電話核實的步驟，但是具體貸款資金用途并沒有嚴(yán)格限制與監(jiān)控，所以在客戶后續(xù)貸款資金使用的風(fēng)險上，大數(shù)據(jù)風(fēng)控則愛莫能助。

（4）社交大數(shù)據(jù)金融屬性較低

騰訊為微眾銀行天然帶來良好的群眾基礎(chǔ)，為其開展個人金融業(yè)務(wù)帶來顯著優(yōu)勢。但社交數(shù)據(jù)本身而言金融屬性較低，面對龐大的數(shù)據(jù)庫存提取征信信息具備復(fù)雜性和困難度。微眾銀行目前正在完善數(shù)據(jù)轉(zhuǎn)化平臺，但依據(jù)社交大數(shù)據(jù)建立起的征信體系是否可信可靠，使用社交數(shù)據(jù)確定個人征信信息的效率究竟多高，這是微眾銀行在進行風(fēng)控過程中需要考慮的問題。

四、對互聯(lián)網(wǎng)銀行的一般建議

本文由典型個例的信用風(fēng)險管理上升到全行業(yè)的風(fēng)險啟示，對于互聯(lián)網(wǎng)銀行提出以下建議。

第一，擴充信用數(shù)據(jù)獲取途徑，持續(xù)積累央行、公安、學(xué)歷和法院四大征信數(shù)據(jù)，實現(xiàn)與核心數(shù)據(jù)源直連，以降低信用風(fēng)險，彌補央行征信不完善帶來的影響。還可選擇與“信聯(lián)”合作，打破現(xiàn)金類貸款“弱風(fēng)控、高不良、高利率”的惡性循環(huán)，減少信息孤島構(gòu)成的平臺間“共債”發(fā)生，降低放貸成本。另外，應(yīng)積極與合作銀行及第三方電商平臺實現(xiàn)客戶信息共享，充分利用對方的客戶資源，拓寬信用數(shù)據(jù)來源，而非僅僅充當(dāng)連接者。

第二，利用股東的大數(shù)據(jù)優(yōu)勢，將電商平臺積累的金融屬性較高的消費數(shù)據(jù)、信貸數(shù)據(jù)、社交數(shù)據(jù)庫進行轉(zhuǎn)化，獲取目標(biāo)群體的信息，創(chuàng)造高質(zhì)量內(nèi)部“白名單”列表，控制貸前信用風(fēng)險。

第三，吸納金融創(chuàng)新、金融工程領(lǐng)域人才，嘗試創(chuàng)建新型風(fēng)控體系，引入決策樹、隨機森林、神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)方法，建立健全風(fēng)險模型、信用風(fēng)險策略、反欺詐、撥備、征信、風(fēng)險參數(shù)等工具。同時，建立全鏈條線上風(fēng)控模型，將其應(yīng)用于信貸產(chǎn)品的貸前、貸中、貸后全周期以及交易支付等領(lǐng)域，實現(xiàn)全流程的信用風(fēng)險管理。力求授信，借款、還款過程全交由機器完成，無人工干預(yù)。利用大數(shù)據(jù)、AI等技術(shù)，創(chuàng)造一種高固定成本、低變動成本的結(jié)構(gòu)模式，得以實現(xiàn)快速復(fù)制和規(guī)模效應(yīng)，降低操作風(fēng)險、信用風(fēng)險等。

參考文獻：

[1] 羅玉輝，侯亞景.我國互聯(lián)網(wǎng)銀行發(fā)展戰(zhàn)略及政策監(jiān)管——基于微眾銀行和網(wǎng)商銀行的案例分析[J].現(xiàn)代經(jīng)濟探討，2016（07）：42-46.

[2] 陸岷峰，虞鵬飛.互聯(lián)網(wǎng)金融背景下商業(yè)銀行“大數(shù)據(jù)”戰(zhàn)略研究——基于互聯(lián)網(wǎng)金融在商業(yè)銀行轉(zhuǎn)型升級中的運用[J].經(jīng)濟與管理，2015，29（03）：31-38.

[3] 龐淑娟.大數(shù)據(jù)在銀行信用風(fēng)險管理中的應(yīng)用[J].征信，2015，33（03）：12-15.

[4] 張智，傅曉軍，王騰飛.對征信中心個人信用評分產(chǎn)品開發(fā)的思考[J].征信，2012，30（03）：25-28.

[5] 中國金融四十人論壇互聯(lián)網(wǎng)銀行課題組，張曉樸，姚勇.互聯(lián)網(wǎng)銀行風(fēng)險管理：基于傳統(tǒng)銀行的比較研究[J].新金融評論，2017（02）：95-118.

作者簡介：

林燁晗，女，1994年3月23日出生—，四川成都人，漢族，碩士，研究方向：風(fēng)險管理，工作單位：四川天府金融租賃有限公司，郵政編碼：610011。