但無論如何，互聯網金融和金融互聯網最初的爭論都是圍繞信用展開的。我們集中討論信用的話題。信用風險控制體系如何適應時代的變化？今天我們討論風險控制的常見模型策略系統及其二階問題:為什麽是這樣的系統？
2013誕生的寶月，讓貨幣基金這棵老樹開花，引爆整個市場。否則互聯網金融只會是IT圈壹個安靜的子話題。這也是業內普遍將2013定義為互聯網金融元年的原因。
2014年，第壹款互聯網消費金融產品“白條”成立，第壹家互聯網銀行“微眾銀行”獲得監管部門批準。
此時，互貸業務還處於起步階段。風控能做什麽？新模式下，沒有用戶，傳統銀行信貸的績效周期是壹年甚至幾年，標準的數據產品就更少了，更不用說大數據模型，統計模型也無能為力。這時候的信用只能去優質人群，比如信用卡客戶，比如壹些高級品類的電商交易客戶，等等。
這時候的風控可以說是基於客戶的風控，也可以說是基於白名單。這就引出了基於人群的互聯網消費金融，包括大學生分期、藍領/白領分期、農民分期，然後是場景化的互聯網消費金融，比如租房分期、家裝分期、旅遊分期、教育分期、醫美分期等等。
然後隨著P2P、網貸等共同基金業務的快速發展，消費金融市場主體進壹步豐富。與此同時，移動互聯網的全面發展導致數據和信息激增。從某種程度上來說，數據已經成為和石油壹樣重要的戰略資源。在大數據的興起趨勢下，大量的數據公司成立。計算和大數據的發展引發了機器學習的狂潮，風控水平大幅提升。
在17和18的野蠻時期，很多人只要有點錢和勇氣就敢借錢。接入幾個三方數據源，定壹些通用規則，做壹個信用模型，找幾個人收集，就可以開始流量了。
在這壹點上，完整的風控技術已經相當成熟。三方數據覆蓋多個維度，如征信、銀聯、運營商、公安、司法、工商、稅務、公牛等。取什麽樣本，設置什麽標簽，訪問什麽數據，用什麽算法，什麽通過率，做壹個與產品相匹配的模型策略，並不難。真正重要的是產品本身，即金額、定價、期數、還款方式等。
後來壹系列監管政策陸續出臺，行業從高速發展走向規範整頓的新路徑。風雨過後，如何在健康的競爭環境和發展空間中保持穩健而深遠，成為新的命題，行業已經進入並將繼續處於精細化運營時代。
此時，如何在細節上控制風險，如何服務於業務形態的需求，是壹個新的命題。
以產品變化為特征的互聯網時代的變化，似乎更加引人註目。
時間產品經理的工作可能就是畫個原型，把交互做到極致就很厲害了；然後會有策略優化和功能進化。ToC業務的產品經理，從工作內容上來說都是戰略產品經理，也需要了解數據。現在和未來，已經悄然成為業務形態和組織關系下梳理的方案。
說到這，我終於有背景了。行業在變，風控體系也在變。
H
在過去的幾年裏，信貸行業出現了這麽多新的從業者，或者說showstopper，出現了這麽多新的網絡信貸產品以及背後的風控遊戲。
但總結起來，常見的可靠模型策略系統只有三種。
第壹種是以規則為主，模型為輔。大多出現在會展行業的早期，樣本和數據都很少。風險控制主要看專家的經驗，無場景的現金貸和有場景的消費貸也是如此。
展業前期，或者說冷啟動階段，需要逐步積累樣本，需要長時間暴露風險，所以必須嚴格執行信用。在我們知道風險結果之前，嚴格錄取或者寬松錄取的標準都是通過率，所以初期通過率壹般都比較低。
卡的通過率是多少？也許妳有壹個場景。當然，壹張場景數據卡是可以的，但是還不夠。風險是滯後的，畢竟要接入壹些三方數據。根據這些數據，根據妳的場景，根據妳的產品定位，制定相應的政策和規則。
然後隨著還款日的到來，壹批用戶開始執行，新戶的數據肯定在分數上虧錢，妳會想優化。您知道風險與您的產品和支持操作密切相關。妳會覺得標準產品不夠用，還得自己建模。
在樣本有限的情況下，過多的數據訪問是沒有意義的。這個時候模型只能是小數據模型而不是大數據模型。如果妳的產品沒有大的變化，模型開發沒有失誤，這個模型可能會帶來壹些收獲。隨著業務規模的增加，模型頻繁更新優化。
但此時整個風控體系是以規則為主，模型為輔。白名單、黑名單、年齡和地域限制、公牛、公安司法信息、標準產品評分。妳的風險控制是基於行業內壹般的專家規則，模型只是輔助。說白了，妳的安全感來自於各種規則。
這種體系不僅出現在會展行業的早期，很多平臺也在這個階段徘徊了很久，甚至消亡了。其代表場景是發薪日貸款，以及由此衍生的壹系列網貸，風險高，通過高定價、短周期來彌補資金損失。
二是以模型為主，策略為輔。在樣本相對豐富之後，模型的重要性會逐漸增加，尤其是行業的介入和客戶質量的下沈之後，精準識別變得必要。
在最初的專家中，
除了經驗性的壹系列規則外，還有壹些可變的規則在不斷調整。有了這些規則之後，如何基於模型做出更精細化的決策？
壹種方式是讓模型盡可能有效，然後大家可以通過這個模型進壹步篩選。為了足夠有效，模型的復雜度會變高，缺陷是妳無法說出為什麽這個人被通過，那個人被拒絕。無論解釋工具在做了某件事之後如何運作，本質上都無法彌補這個缺陷。
另壹種方法是讓模型足夠好，足夠可解釋。為了追求可解釋性，我們可以對數據也就是特征進行分類，根據每壹類特征建立相應的模型，比如逾期模型，比如多頭模型，比如交易模型等等。同壹維度的特征組合保留了該維度壹定程度的可解釋性。通過串聯的各款，可以判斷用戶逾期表現不佳，或者多頭嚴重，或者銀聯交易評分有風險。
在這種風控體系中，妳的安全感來自於模型。只要模型的AUC和KS保持在高位，那麽無論妳每天借多少錢，妳都會更放心。
在這種體系中，模型很重要，策略靠模型來做差異化。壹個基於模型的風控團隊最終會走向這種方式，很多銀行也會走向這種方式。因為真正的戰略人才比較稀缺。
三是戰略為主，模式為輔。註意第壹個和第壹個的區別。第壹個說規則為主，這裏說策略為主。基於規則的規則是簡單的、通用的、經驗的和連續的。
這個階段樣本非常豐富，場景中不斷挖掘用戶數據，接入各種有效的三方數據。大數據模式效果不錯，也在不斷追求更好。模型很重要，就像“工欲善其事，必先利其器”這個工具很重要。
這個時候，模型就充當了戰略的工具。模型可以不追求解釋，策略為主，策略保持決策可解釋。
決策應該是可解釋的，因為未來可能不像現在，我們無法承受極端情況的傷害。就像投資壹樣，妳可以把壹組決策數字化，避開所有熊市，找到所有牛市，但例子不多。妳現在還敢用它們嗎？決策必須盡可能簡單。它可以犯錯，但錯誤要小，收益要大。
策略的本質是聚類，年齡是聚類，收入是聚類，多頭是聚類，模式是聚類，風險是聚類。無論是授信還是貸款管理，無論妳對用戶做什麽，妳希望用戶做什麽，都要區分用戶。
這種系統的標誌是決策系統中有許多重要的子群，即決策分支，並以模型作為最後的保障。模型作為策略的工具，需要多少就用多少，壹個工具可以大範圍使用，也可以小範圍使用。
決策分支是指策略對模型的使用並不統壹，並不是所有低於600分的用戶都會被拒絕。
妳的安全感來自於策略，更確切的說是策略分組。
在行業的強力監管下，非持牌機構不斷倒下，只有巨頭才能勉強生存。越來越多的風險控制是這個系統。沒別的，只是細化要求。
我們上面的討論已經涵蓋了這些系統開發的背景。不同階段、不同平臺、不同業務場景下，風控體系是不壹樣的。
為什麽會開發出這樣的系統？看來這個二階問題的答案是數據。樣本的數量、數據維度的數量和特征的數量決定了底層模型和策略之間的關系。
然而，這並不是問題的本質。我認為問題的本質在於風險收益比。
如果玩“714”高射炮之類的遊戲，設置幾個規則，讓錢出去換利息，是最賺錢的。周期短，流動性強。年化利率幾倍甚至十幾倍，風險是壹筆本金，不是問題。目標客戶中沒有高素質的人，那我們還能做什麽來精準識別車型呢？
當這個遊戲不再合法，風險收益越來越低，銀行的客戶定價壹般在每年18%以內，消費金融公司基本在20%出頭。要想在這個範圍內盈利，風險壹定要穩定可控，服務對象壹定要針對優質客戶。沒有大數據模型，是不可能的。當然不缺優質流量巨頭光學白名單就夠了。
後來流量越來越貴，客戶不斷被多個平臺滲透。做好股票很重要。省壹個流量算壹個流量，增加壹點余額算壹點余額，開始把每壹個用戶挖掘到極致。客戶分組化、精細化運營成為當前趨勢。
但是，這種挖掘和運營是客戶需要的嗎？
擡頭看地方，大多是坑坑窪窪的。回頭看，所有的路都是平坦的。
題圖來自Unsplash，基於CC0協議。
相關問題和答案: