一、汽车融资租赁渴求大数据风控
  汽车融资租赁是汽车消费贷款的一个大类,也是对风控要求最高的一种业务方式。汽车融资租赁是指消费者在购买汽车时以融资租赁的形式向资金方申请货款分期支付的方式。汽车融资租赁公司是银行、汽车金融公司、整车厂财务公司以外的主要汽车消费贷款资金提供方。汽车融资租赁公司由于资金成本相对较高等原因,通常选择资质等级偏低的消费者作为目标客群以获取较高的资金价格,汽车融资租赁公司的这一特质决定了其对客户的贷前风控工作变得尤为重要。
  传统的个人汽车消费贷款风控手段单一、体验较差。传统的个贷风控中,资金方通常会要求消费者提供诸多个人资料,如身份证、结婚证、房产证、车产证、银行卡流水、社保公积金证明、征信记录等,并且审核周期较长、附加必须面签等要求,这些手段要么局限于反映过去或当下的静态状态、要么容易被操纵而导致对风险的低估、要么会降低消费者的消费体验,已经很难适应现代个贷业务对风控的要求。
  瞄准低质客群的汽车融资租赁公司,在风控中更是经常要在有一定逾期记录、甚至有一定犯罪前科的申请者中筛选出风险较低的客户,这就要求汽车融资租赁公司开拓思路、广泛发掘新的风控抓手,以更好地实现对申请者的准确判断。
  大数据风控,在相关技术近年来广泛进步的背景下,也蓬勃地发展起来、并被广泛地应用到金融领域的风险控制工作中。无独有偶,我国汽车融资租赁业务自2012年广泛开展以来,也在近几年获得了长足的发展。这并非偶然,是大数据风控为汽车融资租赁行业拓展了广阔的市场容量。
二、大数据风控简介
  大数据风控,是指构建以大数据为基础的风险评判模型,对借款人进行风险控制。大数据风控并不是一套完全独立于传统风控的全新体系,而是在传统风控的基础上,融合进更多维度的数据由于风险评判。实践中,先利用信用属性较强的金融数据,判断借款人的还款意愿和还款能力,然后再利用信用属性较弱、但更能全面反映借款人画像的行为等数据进行补充。
  大数据风控的应用逻辑是,总结、归纳行为等数据与借款人信用情况之间的关联,把数据间规律性的关系映射到风控模型中,当模型的准确率达到一定的程度,就可以应用到新客的风险甄别中,并且在不断的应用中完成模型本身的优化。行为数据不但能直接反应到信用风险上,多个行为数据间也可能形成关联关系为风险评判提供依据,总之,越多的行为数据被加入到模型中,就越可能全面地反应借款人的实际风险情况。
  大数据风控能够在身份核实、反欺诈、信用评级、用户画像等方面,大大提高金融机构的效率和风控能力。计算机视觉和生物特征的识别,即利用人脸识别、指纹识别等活体识别来确认用户身份;反欺诈识别,智能风控利用多维度、多特征的数据预测用户的欺诈意愿和倾向;正常用户的还款意愿和能力的评估判断;对于交易、社交、居住环境的稳定性等用户行为数据,运用神经网络、决策树、梯度算法、随机森林等先进的机器学习算法进行加工处理。

具体说来,大数据风控在汽车融资租赁领域主要有以下应用。

三、大数据风控在汽车融资租赁的应用
  由于汽车融资租赁公司直接开展面向购车者的融资业务成本较高,因此融资租赁公司一般通过广泛分布于各地乃至全国的ServiceProvider(简称SP,主要是汽车4S店、汽车贸易公司等)获客。这导致大部分的客户融资申请都是在SP的指导下、远程线上完成,融资者、SP与融资租赁公司之间基本不存在当面交流的可能,融资租赁公司的风控依据主要是融资者在线上所提供的证件照片、所填写的资料信息、融资者对融资APP的授权以及信审员的电话核实等内容。

1验证融资者身份
 验证融资者身份的要素包括姓名、身份证号、驾驶证号、银行卡号、手机号。租赁公司可以采用国政通等平台的数据来验证姓名、身份证号,运用交通安全综合服务管理平台网站来验证姓名、驾驶证号,借助银联数据来验证项目、银行卡号,利用运营商数据来验证姓名、身份证号、手机号。

  此外,为了核实人、证符合性,还需融资者在融资APP上进行人脸识别操作。人脸识别是通过人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别等技术流程,实现真人信息与身份证所有者在公安系统预留信息的比照,验证融资者是否为持证者本人。

再辅以融资者持证拍照,作为持证者融资申请的佐证。

2分析融资者提交的信息来识别欺诈
  欺诈是目前汽车融资租赁公司的主要损失来源,因此各公司均把欺诈作为风控的首要对象。

  为了从多个角度交叉验证融资者所填信息的真实性,通常融资租赁公司会要求融资者填写多维度的信息。例如融资者的实际居住地址、家庭成员情况、工作单位的名称、地址和电话、工作年限及现公司服务时长、工作职务及主要业务职责、联系人信息等,欺诈者通常很难耐心地填写完整、而改用一些简单的地址名称或者数字字符串,即使填写完整也难以保证关联信息间的逻辑性、极易在后续的机器审核和人工电话核实中穿帮。

  比如,融资者所填写的工作单位名称、地址和电话会在企查查等及爬虫数据库中进行比对,如果出现异常、审核系统就会提示风险,同样,对于实际居住地与工作单位地址的距离,以及实际居住地与手机经常活动地址的差异等均可设置为审核系统的风险提示项。

3分析融资者线上申请行为来识别欺诈
  正常融资者与欺诈融资者在融资申请的行为上也有诸多差异。

  欺诈者可能出于多种原因提出融资申请,例如,无业游民被幕后指使者威逼或利诱成为“枪手”。这类欺诈者通常会在唆使者经常出没的区域(唆使者经常出没的区域可以通过相似的融资申请信息、经常性的无关联客户申请行为、车辆拆改回收聚集地等发现)操作融资APP完成融资申请,而这些区域不属于欺诈者的经常性活动区域;类似的,多个申请者在同一地址、同一时间段操作融资APP完成融资申请、且填写内容雷同,也基本可以判断为团伙欺诈。
  欺诈者也可能为自主意志诈骗。此类诈骗者由于欺诈目标明确,因此并不会在意车型的限定、颜色的选择、融资义务条款的规定等等,他们的关注点主要在于首付款是否足够少、车价是否足够高、提车是否足够快等,因此极可能在车型、颜色上选择与融资者体型、性别不太匹配的车辆,并在极短时间内确认同意融资义务条款或警示内容等,即使这并不能作为欺诈判断的决定性因素,但也为欺诈判断提供了一个可参考的信息。
  欺诈者还可能是专业人士。他们会使用一些“养机”设备,购买真实身份信息,“养护”手机号长达半年--由“养机”设备控制各手机号完成日常的拨打电话、收发短信等拟人动作,以欺骗资金方的风控系统。这种风险一般较难以人工核查方式发现,只能以系统筛查各手机号的拨打时间、通话时长、主叫地点、联系人等规律,以及探测主叫手机的设备类型、设备号及所装APP的类型、版本特点等因素发现。

总之,欺诈融资者的行为特点可以从多个维度与正常融资者区分开,针对性的风控提示项需要风控人员加入较多的思考和程序化的实现。

4利用互金黑、灰名单识别风险
  2007年,我国互联网金融的一个标志性业务形态--P2P网贷,以“拍拍贷”的成立正式确立诞生,发展至今,互金行业已累计了十余年的历史数据。互金一般作为融资者在银行信贷、抵押贷款、民间借贷之后的一种融资补充,面相的通常是层级较低的客户,这一点上,互金具有与汽车融资租赁公司类似的特点,因此互金黑、灰名单对于汽车融资租赁公司的风控具有很强的参考价值。近期,国家发文支持p2p网贷机构接入央行征信和百行征信等也是对互金信贷数据价值的一种侧面认可。
  互金行业头部公司的黑、灰名单,可以通过与多个互金公司直接的数据库共享或者经由大数据服务提供商归纳整理后,再为汽车融资租赁公司的风控系统所用,应用后风控系统可在很大程度上筛查出潜在欺诈者。
  此外,融资者在互金平台上的近期申请行为也是风控的重要参考因素。如果融资者近期在多家互金平台上频繁提出融资申请,合并其他可知的每期还款额超过其个人每月收入水平,则可判定融资者近期出现较大资金需求、并可预期未来出现还款缺口,如不能获得进一步资产证明或紧密联系人的担保,则应谨慎审批--例如变更所申请车辆的型号以压低车价,或直接选择限定相对保值且易转售的车型、颜色。

除了互金黑、灰名单的运用,类似的,还可获取同行业公司、民间借贷、信用卡公司、催收公司等的历史违约用户,这些对于汽车融资租赁公司的风控也都具有很高的参考价值。

5利用融资者的关系网络来评估风险
  关系网络首先是识别欺诈的重要抓手之一。在获取融资者对手机通讯录及通话记录的授权后,可以提取出有敏感词汇的联系人,比如“收车”、“拆GPS”、“车托管”等,一旦高频出现、或近期新增较多此类联系人,并且如有近期多次与此类联系人的通话记录作为佐证,则融资者有高危欺诈风险。此外,融资者二级联系人,即融资者直接联系人的经常联系人--可通过存有此号码的融资者、与此号码有过通话记录的融资者等方式发现,的身份特征也是判断融资者是否存在欺诈风险的因素之一,如果融资者通过传话人与敏感词汇联系人联系,也可推测融资者的欺诈可能。需要注意的是,即使以上均没有通话记录也不能排除欺诈风险,因为融资者可能通过微信等工具与此类联系人保持联系。

  关系网络也是勾勒融资者人物画像的有效手段。融资者的联系人名称通常会以“爸爸”、“老婆”、“老板”、“客户王XX”、朋友绰号等形式命名,可以通过抓取融资者的高频通话记录、或者经常性通话对方类型等来推定融资者的生活或工作状态。例如,若融资者工作职能为销售类,则其通话记录应匹配数量较多、但频次一般的客户类联系人,若这一特点不甚匹配,融资者又不能在后续的电话核实中自圆其说,则可基本拒绝该融资申请。

  事实上,大数据风控在汽车融资租赁领域的应用还远不止此。融资者的年龄结构、贷款次数、家庭构成、出行规律、所在城市及区域等等,均可以做为风控的指标项。如果获得额外的授权,融资者在电商网站的消费记录、在公共事业缴费平台的缴费记录、在航空公司的飞行和舱位记录等,也都是可以归纳整理成为供参考的要素。

四、结语
  总之,大数据风控在很多层面上,补充了传统风控方法的不足。大数据风控不但在一定程度上纠正了依托融资者信用历史来判断将来的后视性偏差,还用多元化地手段把融资者的行为数据和社会属性数据加入到风控模型当中,有助于汽车融资租赁公司的风控人员更准确的识别欺诈和评价融资者的风险水平,为汽车融资租赁公司的业务发展打开了新的市场空间。

参考文献:

  [1]葛仁余.大数据风控技术在普惠金融中的探索与实践[J].江苏银行股份有限公司,2019

  [2]公正.金融科技在汽车融资租赁风控中的应用[J].长安汽车金融有限公司,2019