如何使用非财务类数据降低信贷风险

在全球范围内，有大约50%的成年人还生活在一个没有金融的世界中。他们无法享受到金融及各种信贷类服务带给人们的便捷与福利。本文所提供的方法将帮助放贷人使用非财务类数据来评估那些传统信贷无法覆盖到的人群，在打开这片尚属蓝海市场的同时促进经济发展。

在发展中市场，放贷人对于贷款人的信用评估往往是主观的，低效的，并且昂贵的。一般而言，信贷员会家访贷款人，并和他及他的邻居进行访谈，从而来判断是否可以放贷。征信机构对于贷款人的数据覆盖可能是不完整的，甚至是缺失的。这反映了一个事实，在这些市场中，金融机构仅掌握了很少或完全没有众多消费者的历史信息。在这样的环境中，放贷人只能将更多的精力放在对存量客户的交叉销售以及迎合那些拥有较完善征信数据的客户身上。（当然，这些人往往也更富裕。）其结果便是，那些没有征信记录的客户往往被排除在正规的信贷业务之外，或者不得不接受远高于市场利率的贷款。可想而知，对于这些人中的大多数，由于承受不起高额的借贷成本，最终还是转而向家人及好友借款。

被信贷机构拒之门外的问题在一些高收入的经济体中也普遍存在，其原因也无外乎是征信数据的缺失。甚至，在一些最发达的经济实体中（参见图1），征信机构也仅掌握一部分人群的信息，而其余部分人群的信息则乏善可陈，这些人群包括：无银行账户人群，新进入劳动力市场人群（例如，毕业生），重返劳动力市场的家庭主妇，新移民或外籍人士。

这其中的根本问题在于，无论是在成熟市场还是发展中市场，放贷人对于贷款人的风险评估往往是极度依赖其财务类数据的表现。可是，对于世界上很多人而言，这些传统的财务类数据又是严重缺失的。因此，这一切势必成为了阻碍消费信贷及普惠金融的绊脚石。

然而，一些替代传统信贷风险管理的措施正在不断涌现。例如，预付费手机的相关信息，心理测试数据，社交媒体活动信息和电商行为数据。这些数据的引入为风险评估注入了新的活力。与此同时，本文将基于这些数据介绍四种不同的评估方式来加以说明。

1）预付费手机信息：

据估计，25亿无法享受金融服务的人群中有16亿人拥有手机，而这其中绝大多数都是预付费用户。一些风险管控服务提供商（例如Cignifi,FirstAccess，MasterCardAdvisors等）已经针对这部分人群开发了相应的风控模型，根据这些模型显示预付费用户的付费情况，通话，上网及其他使用情况能够在一定程度上预测贷款人的还款意愿及还款能力（参见图2）。针对一个人几个月的手机使用情况数据便能提供足够的样本量来进行建模计算。

举例来说，发起呼叫的数量（而不是接收呼叫的数量）较多以及通话时长较长这两个维度对于信用度的评估是有正相关性的。相反，在一些模型中，如果在工作时段接听较多的电话或者所通话的朋友圈相对较小，则是低信用客户的特征。

因此，基于预付费手机相关数据的风控建模可以极大的帮助一些缺乏征信数据的发展中市场实现普惠金融的健康成长。

2）心理测试：

心理测试是指利用问卷调查来衡量被测试者的知识，能力，生活态度和个性特征。通过被测试人对于一系列问题或测验的反馈，像VisualDNA，EFL这样的公司便能够预测其还款意愿等风险因素。与此同时，这些结果还能生成一个个人信用风险评分并供贷款人在放贷时参考使用（参见图3）。

例如，某些问题通过衡量对贷款申请人的印象以及贷款人与他人的关系来深入了解其诚信情况及还款可能性。同样，衡量贷款申请人在不利情况下的逻辑思考能力能够帮助放贷人更好的评估一旦贷款申请人的财务状况发生恶化时会做出如何反应。

心理测试在一些国家已经被广泛用于信用评分（参见图4）。这种技术最适合于那些存在大量个人征信数据但其数据严重不全，同时互联网已经高度普及的市场。

3）社交数据：

通常而言，社交媒体使用情况以及其他线上行为可以被统称为“社交数据”。对于像Lenddo，DemystData和Kreditech这样的公司而言，社交媒体拥有大量的数据金矿（参见图5）。

这些解决方案提供商使用超过100个信息来源（公共渠道或私人渠道）所提供的社交数据来建立风控模型。他们发现，对于线上数据的分析有助于评估某个人的身份特点，收入水平及就业状况。解决方案提供商通常会将从多个渠道得来的数据进行交叉匹配，并将其结果与贷款人在申请时所登记的信息进行比对，从而给出评估结果。

在一些模型中，贷款申请人在互联网上采用何种习惯进行贷款申请往往能够显示出其信用指标。对于那些仔细阅读贷款申请说明，并在家中完成贷款线上申请的用户会被认为拥有更低的信用风险。此外，在申请贷款时采用全部大写或全部小写字体进行填写的用户会被认为有更高的信用风险。同样的，如果贷款申请人是网上的”红人”，例如是微博大号，论坛版主等则可以提升其信用评分。

基于“社交数据”的风险建模适用于评估高收入市场中征信数据不全的个体，或者用于对相对不发达市场中的中产阶级进行评估。

4）电商行为：

批发商及电商提供的支付相关数据有益于评估小微企业及企业主的信用状况。阿里金融是一家专门为中国的中小企业提供贷款服务的公司。它通过在阿里巴巴网站上进行电商交易的小微企业的流水情况来评估该公司的信用状况。阿里金融可以接受贷款申请企业将未到期的应收票据作为抵押物来进行放贷，并且其公布的坏账率低于1%。

另一个不同的例子是Kabbage，这是一家向美国及英国中小企业提供贷款的公司。它使用信用评分模型数据来自于亚马逊，UPS和Intuit。用于评分的数据可能包括贷款申请企业的销售量和出货量，甚至是客户对其产品的反馈评级。

介绍完了上面几个案例以后，那么问题来了，如何建立有效的战略从而更好发挥非财务类数据在风控领域的应用呢？

任何放贷人如果想要使用非财务类数据进行风险评分，那么首先需要找一个在使用非财务类数据进行风控建模方面有一定经验积累的解决方案提供商。一个有效的战略将至少包含如下几个步骤：

1）确定市场需要的数据源：

正如在上述案例中所提及的，心理测试和社交数据更适用于互联网普及率较高的市场。

2）建立和完善风控模型：

在样本量较小的情况下，需要构建以规则为基础的风控策略。通过将拥有财务类数据样本人群的风险建模结果与采用手机数据，水电费数据，线上行为数据等其他数据的风险建模结果进行交叉验证可得，非财务类数据的有效性还是比较理想的。而根据这些样本训练出的模型又可以被应用到更为广泛的人群中去。

3）确保数据稳定性：

在一些市场中，接入有效的第三方数据源是具有一定门槛的。对某些移动运营商而言，他们缺乏动力去为了实现风控建模的需要而对现有网络进行改造，例如DPI汇聚，安全把控及数据清洗等大量基础性的工作。

百科狗 baikegou.com