從監管的角度來看，現金貸業務要想繼續經營，將不得不大幅下調貸款利率，降低各種手續費。因此，通過提高風險控制水平，減少壞賬損失，成為保證現金貸業務經營利潤的必由之路。
壹、簡要分析現金貸風險控制體系:點-面-點的過程
第壹個“點”是起點。現金貸風控體系的設計需要以產品本身為出發點。現金貸產品無非是利率(包括各種費率)、期限、額度、目標人群四個要素。對於每個目標群體來說，他們在流動性需求、預期未來現金流、消費觀念、收入水平、信用狀況等維度上具有壹定的規律性和* * *性，進而影響其申請額度、貸款利息接受水平、還款能力和還款意願。因此，產品的合理設計可以有效降低風險控制的難度，實現收益最大化。比如對於白領來說，月薪比較適合壹個月以下的貸款期限。
另外，除了現金貸產品的特點，其推廣渠道也相當重要。如果通過壹個推廣渠道引入大量的非目標人群，不僅會降低推廣成本的使用效率和後期風控過程的判斷準確性，還會產生大量有偏差的數據，不利於風控模型的叠代升級和產品的重新設計。
“面子”指的是具體的風控流程。按時間段區分:風控流程包括貸前、貸中、貸後三個階段。貸前階段是整個風險控制流程的核心階段。這個階段包括三個步驟:申請、審核和授信。形象地說，貸前階段是壹個過濾雜質的階段。第三方征信數據、黑名單、反欺詐規則、風險控制模型，是壹層層孔徑不同的過濾器。貸款中間階段主要是對借款人的個人信息進行跟蹤監控。壹旦產生異常信息，風控人員可以及時發現並聯系借款人，盡可能保證借款安全。貸後階段的工作重點是催收。此外，如果借款人申請貸款展期或續貸，則需要在此階段用歷史數據和行為評分卡重新審核，並進行相應的額度調整和風險池管理。在整個風險控制過程中，要妥善管理貸款的集中度，防止集中貸款和逾期集中貸款導致的流動性不足問題。
第二個“點”是指重點。整個現金貸風控體系有兩個關鍵點。
第壹，防騙。與傳統借貸模式下的風險控制相比，現金貸風險控制是壹種溫和的風險控制。由於其小額、短期的特點，現金貸風控更註重借款人的還款意願而非還款能力。適度逾期不僅會影響平臺的正常運營，還會通過逾期費增加其收益。
所以，反欺詐是現金貸風控的首要課題。目前，網貸詐騙包括代理、團夥犯罪、機器行為、賬戶盜竊、身份冒用、連環交易等。針對這些欺詐行為，常見的反欺詐規則有交叉核對、交叉核對、強特征篩選、風險關系和用戶行為數據分析。
第二，多頭借貸行為的認定。多頭借貸是指同壹借款人在多個貸款機構的貸款行為。目前多頭借貸行為的認定包括兩個方面:(1)獲取多頭借貸數據。由於現金貸的目標人群大多是傳統借貸機構不覆蓋的長尾人群，缺乏完整的央行征信數據，所以壹些從事現金貸的平臺會互相合作，實現貸款申請數據的* * *享受。此外，現金貸平臺在第三方征信機構查詢每筆借款申請記錄時，必然會留下借款申請人的大量身份信息。這些信息經過查詢異常檢測算法過濾後會形成壹個可靠的多頭借貸數據庫。(2)惡性多頭借貸行為的認定。惡性長期借貸行為是指出借人借新還舊或者同時擁有大量長期借款。借新還舊行為的認定可以結合借款申請間隔和借款期限。如果貸款申請間隔明顯短於貸款期限，則意味著貸款申請存在較大的借新還舊風險。
二，挑戰:矛盾與變化
1.詐騙手段多樣化、技術化、互聯網化。
欺詐與反欺詐壹直是借貸行業的主要矛盾之壹。隨著網貸業務的快速發展，基於信息技術的網貸詐騙也愈演愈烈。當騙子也開始玩大數據和機器學習的時候，很多風控人員崩潰是可想而知的。
比如手機驗證就是最常用的在線審核方式之壹。包括短信驗證碼和填寫運營商服務密碼兩種形式。但這種方法也是詐騙團夥的可乘之機。因為他們有壹個技術裝備——貓池。簡單理解，就是壹個簡單的手機，有收發短信的功能。壹臺電腦可以連接多個貓池，壹個貓池可以插8-64張SIM卡。與之相伴的，還有所謂的“收卡”和“養卡”業務。當號碼時間達到壹定標準，就有可能通過手機驗證這種防騙手段。
此外，壹些模擬器的使用可以幫助詐騙分子輕松修改手機的IMEI、MAC、IP、GPS等設備和環境信息。在這層偽裝和包裝下，利用設備和環境信息的反欺詐手段顯得有些蒼白無力。而且壹些個人信息，比如身份證信息、社會賬號、銀行卡賬號甚至u盾，都可以被詐騙團夥在網上買到，或者被搜索引擎搜索到。很多時候，壹些反詐騙措施之所以有效，並不是因為無法破解，而是因為破解成本高，導致詐騙團夥放棄了這種方法。
2.風控模型冷啟動
“冷啟動”是大數據風控模型構建要面臨的首要問題。尤其是對於壹些初創的現金貸平臺，數據積累是壹個從零開始的過程。在數據積累的前期，勢必要付出很大的代價。壹方面，平臺除了保證正常的風控流程，還需要投入大量的人力成本來收集數據、建立模型、回測數據；另壹方面，平臺要投入很高的資金成本購買第三方數據。相對於央行近6543.8+0億的信貸數據未覆蓋的長尾用戶總數，現金貸的客戶群仍然有限，大部分平臺都面臨著“冷啟動”的問題。
目前解決數據冷啟動問題的常用方法是從外部數據入手。由於缺乏借款人的歷史信用記錄和個人信用數據，風控模型失去了直接考慮借款人違約風險的基礎。因此，如果能夠將用戶行為等外部數據與Eigentaste等協同過濾算法相結合，就可以最大限度地識別和過濾欺詐風險高的人群。但目前的情況是，大部分平臺缺乏處理外部數據的動力和能力，往往采用人工審核輔以壹些簡單的反欺詐規則。
3.用戶體驗與反欺詐的矛盾
在現金貸的用戶看來，用戶體驗體現在借款速度和申請的難易程度上。但是反欺詐需要用戶提供各種個人信息，這就大大降低了用戶體驗的質量。以前很多平臺堅持“高收益覆蓋高風險”的原則，過於註重流量。而且市面上有各種各樣的現金貸產品。為了保證流量，很多平臺都打出了“只需身份證和手機號”、“申請後XX分鐘”等口號。但隨著監管的收緊，“高收益、高壞賬”的運營模式將被逐步淘汰。為了控制壞賬，現金貸平臺不得不再次面對用戶體驗和反欺詐的對立問題。壹方面，平臺需要優化反欺詐模型，盡可能降低錄入數據的維度，縮短風控模型的審核時間；另壹方面，從客服、還款便利等其他角度優化用戶體驗，也是緩解用戶體驗與反欺詐矛盾的可行方法之壹。
第三，發展方向
1.非結構化數據的使用
個人征信數據等結構化數據的稀疏性將在未來很長壹段時間內存在於現金貸行業。相應的，非結構化數據泛濫。由於個人基本信息的嚴重泄露、竊取和販賣，使得常規結構化數據的反欺詐效率大打折扣。與結構化數據相比，人的行為數據更難被模擬，可以更全面地描述貸款申請人，對降低反欺詐模型的錯誤率有明顯作用。
從非結構化數據的應用來看，它們之間的邏輯難以統壹，數據異常、冗余、缺失問題嚴重，難以處理。因此，尋求大數據公司、傳統互聯網巨頭等第三方的合作，將是中小現金貸平臺的首選。目前，市場上已經出現了壹些通過提煉非結構化數據為金融服務的產品，比如某商務短信語義分析服務。此外，作為BAT之壹的騰訊也與錢牛牛合作推出了純模型雲風控系統——“方圓”。這個系統最大的特點就是引入了騰訊的海量社交數據。
2.差異化定價
差異化定價也可以理解為精準定價。現金貸差異化定價的本質是對每個貸款申請人的信用和欺詐風險進行準確定價。目前各現金貸平臺定價標準過於簡單，基本采用利率加雜費的方式。有些平臺會對續貸的用戶調整費率。也有少數平臺在申請時參考了出借人提供的個人信息維度。但總的來說，目前的定價標準並不適合未來現金貸行業的“低費率”特征。平臺之間所謂的價格優勢會微乎其微。精準定價下的定制化小額信貸需求可能成為平臺的亮點。
大數據風控模型的構建為差異化定價的實現提供了技術保障。基於大量網絡行為數據、用戶交易數據、第三方數據、合作夥伴數據等。，通過自然語言處理、機器學習、聚類算法等。，模型可以為每個貸款申請人建立多維度的數據畫像，包括個人基本信息、行為特征、心理特征、經濟狀況、興趣愛好等。有了這些維度特征和大量歷史貸款記錄，針對不同貸款人、不同額度、不同期限的差異化定價策略將成為現實。
摘要
行業洗牌的背後，是現金貸平臺為了生存而做出的努力。如何保證合規，如何獲得低成本的資金，如何用技術替代人力，如何在風控成本和壞賬率之間找到平衡點，都是平臺未來需要思考和解決的問題。我相信，在行業政策的探照燈下，金子總會發光到最後。