消费金融问题多：征信孤岛难题短时间难破解

“双十一”刚过，除了买买买之外，今年的双十一也是消费金融的战场。

相信宝宝身边肯定有这样的人满嘴跑火车一到真枪真刀的环节就怂了，怂了但有的人嘴上说不出来却脚踏实地的干活。这让汉子姐想到了如今的消费金融如火如荼的表象背后到底有哪些公司是第一类人呢？

都在强调大数据风控、模型、征信巴拉巴拉。但你的资源在哪里，你的数据在哪里，你的分析能力又在哪里？等大潮退却后又会有谁在裸泳呢？

欺诈风险和多头授信问题让人头疼

消费金融到底有多火？广东省金融消费权益保护联合会副秘书长冼宇航表示，到今年上半年，全国从事互联网消费金融的机构超过100家，预测到2017年互联网金融消费市场将增加到2万亿，到2018年则增加到3.8万亿。

盈灿集团董事长兼总裁网贷之家创始人徐红伟对汉子姐表示,目前消费信贷市场需求大于供给,因此行业中出现了套现,甚至是高利差等现象。他表示，有的现金贷算上手续费等综合年化借贷成本可以高达50%甚至更多。

而在网络中,也充斥着大量的信用贷款“中介”。汉子姐发现,这些借贷中介多以地域建借贷QQ群,一般是北京贷款群、深圳贷款群等,有不少还在QQ群公告贴出条件,比如三个月社保、保单记录、车证房证、营业执照等。

汉子姐在网上随意找到一家普通消费金融平台,以贷款人的身份填写了姓名和电话、有无车房等信息后,几秒钟就接到了借贷经理的电话。

他询问汉子姐是工薪族还是做生意后，又问到公司是国企或私企？机智的汉子姐在并未告诉其真正的身份的情况下,该借贷经理表示，“国企可以做到30多万元,但是私企顶多15万元。”接下来只要带着身份证去公司面签即可放款。

他还表示,还可以从网络中申请该公司的一两万小额借贷可以随时放款。他表示,如果是工薪族利息为6.5%到8.5%之间,如果是做生意的则需要上浮一定比例。

还有其他的中介表示,提供身份证和父母电话号码的话,首单最高可以借3万元,月息二分,借的时候要先付半个月的利息,本金任何时候还都可以。

即使你是贷款黑户(即有不良征信记录),也还可以从中介处成功借钱。有位中介就表示,如果是黑户,只需要身份证就能借50万元,但到手只有25万元,十天内就能到账。

“大部分坏账率,来自内部人员的造假”,曾经在某消费金融公司工作过的小新称,该公司当时就专门给蓝领人群放贷,包括他在内很多员工认为只是在“放高利贷”。因此,他们帮着用户资料造假,共同分贷款获得的钱,“员工完全没有忠诚度”。“大部分公司,根本就没有风控,对于他们来说,就是急速将用户量做起来,用于下一轮融资讲故事”,小新表示。

征信孤岛难题短时间难破解

不仅仅是欺诈风险和多头授信问题,在目前的国内征信环境下,要想做好消费金融的风控可谓是难上加难。央行公布的征信数据显示,我国征信系统中只有3亿多人有信贷数据,5亿人只有简单的身份信息,另有5亿多人不在央行征信系统内。

团贷网新闻中心总监李先全表示,消费金融公司的目标客户群主要集中于中低阶层消费群体,这类群体主要是以年轻人为主,比如刚参加工作不久的上班族,以及收入不高的群体等。“真正需要消费金融服务的这类用户群体,恰恰在央行征信系统中又缺乏个人信贷记录,由此带来的征信难度便可想而知。”

虽然2015年初,央行要求芝麻信用管理有限公司、腾讯征信有限公司等8家机构做好个人征信业务的准备工作,但是8家机构各自为营,数据来源及模型各异,也难从根本上解决征信孤岛的难题。

融之家CEO张建梁对汉子姐表示,征信最核心的就是黑名单数据,“大部分黑名单都是我们交的学费,很多机构不太愿意分享黑名单,因为黑名单是自己发放资金之后产生的一笔学费,能不能把这份黑名单共享,这是目前要做的事情。”

此外,他还表示,目前很多消费金融公司为了防范风险,都会与一些独立的第三方风控和数据公司合作,比如百融金服、诚安聚立、ZRobot等,“但是它们能否独立承担风险,这是很重要的一点。”

如何破局？

1，需从产品设计做起

我来贷中国区总经理陈俊仁表示,欺诈风险是放贷业者一直以来关注的重点。目前,行业中运用大数据技术获取的社交圈信息、多维度的定位交叉、人脸识别、问答印证等技术手段,是防范欺诈申请的有效方法。

“消费金融的风控不是孤立风控,是典型的全民风控。风控不依靠于一个简单的模型,而来源于整个产品的设计。”PPmoney万惠副总裁兼消费金融事业部总经理康德胜表示,从产品的宏观设计上来说,每个细节都凸显出目标客户群体的特点,根据客户提供的资料、身份和购车动机,产品设计上是能够有效阻止套现的出现。

大数据风控、数据模型的建立,以及产品设计上面的诸多细节,都能体现出整体的反欺诈能力和水平。

2，形成行业共享机制

“现在整个行业竞争还在混战期,”徐红伟表示,目前行业内的大公司,如拍拍贷、宜信等没动力与小公司共享信息。“这些公司掌握的黑名单就是核心竞争力,为了维护相对竞争优势,现在难以形成行业共享机制。”

他认为,目前行业公司的数据库还没达到征信级别,还都在粗暴地搜集或者搭建体系阶段,但是等行业发展到一定阶段,会形成行业共享机制。

陈俊仁也表示,目前正处于征信数据纷乱的阶段,征信机构各自拥有自己的特色领域提供不同的判断,虽然大家从更多视角来提供个人信用评判,但是可能形成判断的较大差异,这对任何一个个人信用都会造成混淆和困扰。

“从使用者的角度来看,能够有效地整合这些数据,成为一套有效、具公正力的征信评价,才是我们需要的。或许经过一段时间的运作,这些机构或会优胜劣汰、或会合意整并、或会联合服务。”

如何运用大数据判别授信情况？

很多消费金融公司都会对外宣传自己可靠的风控体系,都会给自己的风控体系堂而皇之的冠以好听的名号,但究竟这些数据如何抓取、数据来源又有哪些、根据什么算法来判断风险等却鲜有宣传。那么,到底如何运用数据的变化来判断信贷风险呢?

读秒CEO周静举例表示,以他们公司为例,接入了40多个数据源,设置了500多个维度、100多个变量。

“举例来说,用户填写的‘收入水平’为变量A,‘工作地点’为变量B,申请时IP地址的‘所处区域’为变量C。”她表示,从A+B的维度来看,倘若用户填写的A月收入有数万元,B却显示在某个偏远山区的修车厂工作,我们或许应该怀疑用户隐瞒收入。

她表示，若从B+C的维度来看,倘若B变量显示用户工作地点在北京,C却显示申请时IP地址在云南,或者频繁更换IP地址去申请,我们或许应该考虑金融欺诈的风险。若结合A+B+C的维度来看,若B变量显示客户在北京国贸工作,A变量显示月入10000元,IP地址、申请地点都在北京,通过三个变量数据的交叉验证,可以初步推断申请人是常住北京的中等收入白领。

周静表示,“数据的使用决定了风控水平的高低,大数据风控的意义也在此体现。倘若再在以上,增加更多变量,用更多维度去看数据的重叠和交叉,更加能验证出数据的可靠性。”