蒋韬：信用卡网申风险管理之道

　　近年来，消费对于经济的拉动作用越来越明显，超前消费的观念日益普及，适应消费升级趋势，提供多元化的消费信贷产品成为市场发展的源动力。虽然有越来越多的机构涌入消费信贷领域，但市场并未进入饱和状态，数据显示，截至2016年底，国内消费信贷占消费支出的比例仅为19.7%，而美国为29.5%，我国消费信贷市场仍有较大的发展空间。

　　信用卡作为广义消费信贷中非常重要的产品，面临的国内市场环境不断变化，求新求变成为新常态，其服务客群更丰富，获客渠道更多元，定价自主性更强，支付场景和信贷诉求也在不断推陈出新。以网申为例，银行除了通过行内自有的APP、网页等方式获客，还通过与外部机构合作引流获客，如大型APP平台、DSP以及垂直互联网渠道营销等，多种线上渠道综合利用正成为普遍趋势，同时也对网络反欺诈管理及信用风险评估带来了较大的挑战。根据我们对欺诈数据的分析，网申与非面对面交易欺诈案件的增幅均处于所有欺诈案件增幅的前列。

　　幸而，科技进步与行业互联互通带来了更多的网络风险防控手段，我们将就信用卡网申环节的风险管控分享同盾科技智能风控的一些经验与体会。

　　信用卡网申风险管理能力成核心竞争点

　　从客户角度而言，与线下申请渠道相比，信用卡网申渠道具有极大的便捷性，可满足客户的即时消费需求和信息安全诉求。客户体验对于互联网、移动终端渠道获客至关重要，申请页面是否简洁明了，填写体验是否轻松愉悦，审批速度是否高效快捷，进展交互是否及时有趣等，都可能影响客户的申请以及后续使用的意愿。

　　对于网申渠道本身来说，比如对DSP平台带来的流量的真实性和有效性的评估，也是重要的一方面。如何防止平台的引流点击作弊、评估流量的有效性是银行需要解决的问题。解决了这些问题，就可以极大地提高引流的转化效率，帮助银行把有限的营销、审批资源投入到关键的地方。

　　从银行角度来看，在客户数据进入系统之前，银行对申请者完全不了解，对客户挑选的主动性远远低于线下场景，再加上审批的时效性要求，对风险管理构成了极大挑战。可以说，在网申场景下，对线上客户的风险管理能力成为竞争的主要核心，其风险的高低直接决定了银行的盈利空间。

　　信用卡网申风险管理之道

　　1．贷前审核

　　（1）欺诈识别：静态数据和动态数据相结合

　　传统的贷前真实性审核主要依赖人工，包括营销人员的亲核、亲访和亲签的“三亲”制度，审批人员的资料核查与电话照会等。由于没有一线人员的引导与把关，网申信息的填写意愿相对更差，尤其是优质客户更容易因为要求填写的内容太多而放弃申请。此外，网申很难保障填写资料的完整性和准确性，也更易出现欺诈伪冒案件。所以，对于网申的在线填写场景，设计内容不仅要考虑便捷愉悦的客户填写体验，还要有足够的手段识别风险。

　　我们可以引入更多的外部数据及技术来辅助判断申请人的真实性，包括申请人是否存在身份冒用、个人地址和电话是否正确等。除了静态的数据验证，还可以通过多种技术手段对客户的申请行为进行辨识。第一，借助同盾跨行业的全局海量数据，从客户在不同平台的申请行为、所处地理位置等进行交叉判别，判断申请人的信贷需求紧迫性与不同平台申请资料的一致性；第二，可借助设备指纹技术，对设备进行唯一性标识，及时反映设备的活动轨迹，通过数十亿计的设备指纹数据库，可以方便地关联出其他维度信息，从而寻找出可疑申请，识别欺诈活动；第三，对代理IP进行检测，通过技术手段，找出欺诈分子通过技术手段隐藏起来的真实IP，从而掌握其行为特征，找出高风险客户。

　　不管是静态信息还是动态行为信息，均可以通过复杂网络技术分析来找出众多申请信息中的共同点，使得表面上毫无关联的客户通过同盾后台的海量数据分析得以联结，发现欺诈团伙的蛛丝马迹，使得欺诈团伙无所遁形。

　　基于机器学习和深度学习的算法，我们的模型在持续快速交互的过程中不断积累经验，形成自学习、自适应学习、半监督学习和对抗学习，识别欺诈的能力也在持续快速提升。比如，通过生成对抗神经网络（Generative Adversarial Networks，GAN）的方法，利用判别模型和生成模型之间形成对抗学习，实现两个神经网络模型的互信息均衡，来部分解决欺诈样本不完备和不平衡的问题，提高对线上申请欺诈的识别精度。通过利用基于时间序列的LSTM/CNN卷积神经网络，可以有效“记忆”短期的欺诈前续行为，避免产生大量的衍生变量计算，实现欺诈模型的真正实时计算，提高识别的时效性和准确度。

　　（2）信用信息补充：跨行业联防联控，实现对人行征信的有效补充

　　目前，银行主要基于人行征信报告来考察客户的历史信用状况，对于中低风险受信人士、既有往来客户、高净值人群等厚信用记录客户，有较为丰富的征信信息可供判断参考；而对于网申渠道而言，吸引的客户与银行此前服务的人群有较大差别，客群结构会进一步下沉，具体表现就是更加年轻、学历偏低、人行征信信息不足等，这些客户属于薄信用档案人群，甚至是无信用记录或此前无法获取银行信贷服务的客户。有效评估这类客户的信用状况为银行带来很大挑战。出于网申渠道的特性，银行一般都会给予客户相对较低的初始额度，让其逐步积累信用记录。但这种做法往往带来激活率偏低、客户使用意愿不强的后续问题，沉没成本过高，也给后续动态的额度调整带来更大压力。

　　而基于同盾科技较早引领的 “跨行业联防联控”理念，以客户提供的数据信息为基础，通过Saas云服务，利用海量数据与智能模型的关联分析，我们可以帮助银行对网络申请人的风险和信贷倾向作出更多的信息评估，运用于授信及客户定价，为银行提供更精准的信贷决策方案。

　　2．贷后管理

　　（1）贷后风险预警：谨防多头借贷

　　基于同盾平台，我们可以协助银行对存量客户进行贷后的风险预警工作，对于发现负面信息、在其他平台出现大量借贷申请或出现一定程度逾期的客户，我们可以第一时间发出预警信号，提醒银行关注，避免风险敞口的进一步扩大。以多头借贷为例，客户在不同平台的借款行为在一定程度上反映了客户的资金饥渴状况，尤其是客户从一些低利率平台向高利率平台转移的趋势，可以认为是风险恶化的风向标，同时，在这个过程中，如果能有效识别风险，向这部分客户推荐分期产品，可以大大提高收益。在贷后场景中，这些信息服务可以更好地帮助银行对客户的风险状况进行趋势判断，基于自己的风险容忍度，设置差异化的管理手段、调额策略和分期产品促销策略，在将风险管理举措前移至客户尚未逾期的同时最大化收益。

　　（2）逾期管家：选择最优和最佳

　　催收的目标是以合理的人力物力最大程度地收回坏账，减少损失。银行能采取的措施也是多种多样的，前期催收中会较多地运用短信、微信、电话、信函等手段，后期催收则多数需要通过上门或司法途径解决，而在催收渠道上，有总行统一催收、分支行催收或委外催收等。

　　在没有引入数据分析的时候，银行可能会挨个拨打所有逾期客户的电话。而基于大数据技术，同盾科技可协助银行以更低的催收成本取得相同甚至更优的早期催收成效。根据客户不同的风险水平，我们灵活运用各种自动化交互渠道，设置差异化的催收策略和话术，对于一些低风险客户可以先运用短信进行提醒，而自动语音外呼工具可以帮助我们及时触达那些中高风险的客户。通过冠军挑战者的对比模式，我们还可以基于滚动率、催收乘数、缴款率等指标对不同的催收手段、催收策略、致电时间、运用话术的效果进行评估，从而帮助银行寻找出最优决策。

　　网申虽只是目前信用卡的推广渠道之一，但作为对新生代族群的重要引流抓手，网申渠道已经越来越成为各银行信用卡中心关注的焦点和发展的重点，可以说是兵家必争之地。如果没有自动化、智能化、实时化的风险管理措施，网络引流在带来客户规模高速增长的同时，也会带来风险的大大提升。加强对渠道风险的管理，通过大数据技术补充客户画像，持续提升网申渠道获客的有效性，不断降低获客成本，合理控制风险成本，无疑成为针对年轻族群实现盈利的关键。同盾科技将运用行业先进的技术，在消费信贷快速发展的时代，为银行提供行之有效的一体化智能风控服务。