1.前言
风控管理是金融活动的核心，我国的金融产业的发展表现出很强的信贷驱动属性。亿欧智库预测2020年金融科技市场规模将达到245亿元，其中智能风控75.9亿元，占比31%。智能风控市场规模巨大，是未来金融科技公司集中发力的市场。
2.智能风控发展现状及背景
金融科技产业经历了电子化、信息化、网络化、移动化时代，随着机器学习等技术的发展，各类智能金融应用出现，金融科技逐步进入智能阶段。电子化和信息化为金融科技的基础设施升级提供了条件，网络化和移动化为金融科技的渠道及实现带了革新。央行2011年颁发第三方支付牌照是金融网络化的标志事件。
传统的风控环节存在信息部队称、成本高、时效性差、效率低等问题，已经无法满足旺盛的信贷增长。金融科技极大促进了智能风控的发展，目前，贷前审核、贷中监控、贷后管理等环节存在不同的痛点。
智能风控与传统风控的互补与革新主要体现在两个方面：1）技术：运用互联网、大数据、人工智能等技术手段，通过数据驱动实现智能化风控；2）应用：实现贷前、贷中、贷后全链条自动化的同时，促进风控管理差异化和信贷业务的人性化，实现降本增能提效。
3.风控业务--个人篇
个人信贷单笔数额小，数量大，需要投入大量的人力物力。传统风控主要通过客户历史信用信息和个人消费情况进行风险评分，而金融数据一般呈现分散化、碎片化等特定，真实有效的信息往往难以获取，信息不对称性难以消除。
个人信贷业务流程图
3.1 贷前
贷前风控是整个信贷流程的基础，直接影响信贷业务质量。信贷风控旨在解决信息不对称性，首先体现在贷前的信息收集与整合过程，收集的信息越充分，越有利于做出正确的决策。贷前风险管理主要包括审核、身份认证、反欺诈、征信、授信五个环节。
审核：传统的贷前审核依赖人工审核和专家经验，在特征工程上重劳力，而当下高维、非结构化、高度分散的数据环境下，知识图谱等技术的应用可以加速筛选，甚至完全实现自动化审核和评估，有效减少风险。
身份认证：传统线下身份认证依据提供的身份资料进行实名制认证，随着线上信贷业务发展，基于生物特征识别等技术模型的应用，实现身份的自动识别。
反欺诈：贷前欺诈主要是案件欺诈，利用人工难以实现规避。反欺诈已成为金融机构待解决的核心问题，通过与数据商或第三方机构合作，实现数据与技术的互补，提高欺诈案件的识别率。
征信：按照一定规则合法采集企业、个人的信用信息，加工整理成个人的信用报告。国外个人征信企业启示：数据、技术和分析能力会成为影响征信机构的核心竞争力；技术是企业商业模式能否成立和获利的决定性因素，甚至成为企业壁垒；将有限的资源利用到特定的市场中，以减少不必要的损失。国内个人征信机构发展困难：央行征信报告获取难度大：目前主要是银行和一些持牌金融机构能够查询，非持牌金融机构不能查询；互联网金融公司客群与银行的差异较大，这些用户没有征信报告；小额分散的信贷需求需要快速响应，传统风控技术无法支持你，失效性差和手续复杂严重影响用户体验。
授信：依据征信信息，信贷机构为借贷人提供信用担保，按期限分为短期授信和长期授信。
3.2 贷中
贷中风控实现对在线交易进行防冒和欺诈识别，对借款人进行实时监控，有效防范和控制欺诈交易等贷中风险威胁。贷中风险控制主要包括信用评分、风险定价、审批、交易监控和交易反欺诈五个环节。
信用评分：以一套相关指标体系为考量基础，标示出个人偿付贷款能力和意愿的过程。传统金融机构使用FICO评分衡量用户信用风险，随着大数据对征信体系的补充，信用评分模型实现差异化。
风险定价：通过放贷成本和基准利差建立风险定价体系。传统风险定价主要参考征信、流水等线下数据，智能风控应用可以线上线下相结合，个性化定价，提升边际效益。
审批：依据借款人信息、放贷机构的贷前审批意见和信用报告等报告决定是否放款。
交易监控：对贷款流程中潜在或者已经发生的风险进行监控，以预防坏账和交易欺诈。
交易反欺诈：交易欺诈是针对信贷业务发生时的第三方欺诈，以往交易反欺诈系统由于数据库技术限制，只能实现事后风险识别和管控，时效性差。利用机器学习等技术构建反欺诈模型，可以识别可疑交易、降低欺诈损失。
3.3 贷后
4.风控业务--企业篇
（未完待续。。。）
网友评论