風(fēng)控業(yè)務(wù)背景

多頭借貸（Multiplatform Loan），是指借款人在兩家或兩家以上申請借款的行為。通常，多頭借貸客戶大多是因?yàn)槌霈F(xiàn)資金困難，失去還款能力，被迫只能依賴于“以貸養(yǎng)貸”維持，即多頭負(fù)債。

信貸風(fēng)控核心在于識(shí)別兩個(gè)維度，即還款能力（收入、負(fù)債）和還款意愿。因此，多頭負(fù)債數(shù)據(jù)對于風(fēng)控具有重要意義。本文系統(tǒng)分析了多頭借貸數(shù)據(jù)的采集機(jī)制、加工方案，以及一些分析建模思路。

目錄 Part 1. 多頭借貸數(shù)據(jù)采集 Part 2. 多頭借貸變量加工 Part 3. 多頭借貸人群細(xì)分 Part 4. 多頭借貸數(shù)據(jù)建模 Part 5. 總結(jié) 致謝 版權(quán)聲明 參考資料

Part 1. 多頭借貸數(shù)據(jù)采集

如圖1所示，我們系統(tǒng)梳理了借款人、金融機(jī)構(gòu)、其他輔助機(jī)構(gòu)等多方之間的交互行為，或許能幫助我們分析潛在可用的數(shù)據(jù)源。

整個(gè)生態(tài)系統(tǒng)可以描述為：

• step 1：借款人通過手機(jī)App填寫資料，向金融機(jī)構(gòu)發(fā)起借款申請。

• step 2：金融機(jī)構(gòu)根據(jù)借款人基礎(chǔ)信息，向第三方征信數(shù)據(jù)服務(wù)商查詢借款人借貸信息。

• step 3：第三方征信數(shù)據(jù)服務(wù)商綜合多個(gè)金融機(jī)構(gòu)查詢記錄，加工生成多頭借貸變量。

• step 4：金融機(jī)構(gòu)綜合多頭借貸等數(shù)據(jù)，對借貸人進(jìn)行信用評分，給出放款或拒絕通知。

• step 5：若借款人得到放款，每期還款需經(jīng)過支付通道代扣，形成代扣金額流水記錄。

• step 6：若借款人逾期未還，催收機(jī)構(gòu)將通過短信、電話通知借款人及時(shí)還款。

在清楚整個(gè)流程后， 我們嘗試分析每一環(huán)節(jié)潛在的數(shù)據(jù)源：

step 1：借款行為需要依賴手機(jī)App這個(gè)渠道，那么就可以考慮對App進(jìn)行分類，尤其是借貸App，可參考《手機(jī)App數(shù)據(jù)挖掘?qū)嵺`思路》。

如圖2所示，借貸App集中了借款人可能的借款平臺(tái)。我們就可以思考：安裝借貸App的數(shù)量、平臺(tái)類別、安裝時(shí)間等數(shù)據(jù)的獲取和使用。

step 2：由于存在競爭關(guān)系，各金融機(jī)構(gòu)之間通常不會(huì)共享借貸數(shù)據(jù)，這就會(huì)形成數(shù)據(jù)孤島。中介行業(yè)在信息不對稱的土壤中萌芽??。第三方征信數(shù)據(jù)服務(wù)商則扮演一個(gè)云平臺(tái)角色，將各方數(shù)據(jù)打通整合，形成某種意義上的合作。

數(shù)據(jù)服務(wù)商與各金融機(jī)構(gòu)之間存在著一個(gè)互利共生的生態(tài)關(guān)系。當(dāng)接入機(jī)構(gòu)數(shù)越多、機(jī)構(gòu)查詢越頻繁時(shí)，申請記錄數(shù)據(jù)的行業(yè)覆蓋率將會(huì)越來越高，這幫助金融機(jī)構(gòu)更全面把握借款人的共債信息，提高風(fēng)控能力，繼續(xù)促進(jìn)更多機(jī)構(gòu)接入和調(diào)用。因此，這就形成一個(gè)良性循環(huán)??

數(shù)據(jù)服務(wù)商維護(hù)著金融機(jī)構(gòu)的接入和退出，因此也將動(dòng)態(tài)維護(hù)一個(gè)機(jī)構(gòu)名單分類表，常見類別包括：消費(fèi)金融公司、P2P公司、互聯(lián)網(wǎng)小貸公司、銀行信用卡中心等等。名單庫的意義可參考《信貸風(fēng)控中的名單庫挖掘、使用和維護(hù)》。

step 3：如圖3所示，各金融機(jī)構(gòu)的查詢請求可形成一張申請記錄流水表。這是一塊具有巨大價(jià)值的數(shù)據(jù)，記錄了借款人的借款行為軌跡。

第三方征信數(shù)據(jù)服務(wù)商將對申請記錄初步加工，即常見的RFM特征，可參考《時(shí)間滑窗統(tǒng)計(jì)特征體系》。一方面，可簡單統(tǒng)計(jì)數(shù)量，確保在面向下游客戶服務(wù)，保證解釋性；另一方面，也可深度加工處理，輸出信用評分。

step 4：金融機(jī)構(gòu)在通知借款人審批結(jié)果的過程，依賴于某種媒介，比如借款A(yù)pp推送通知、短信。這就同樣會(huì)留下一些記錄。如圖4所示，在不同時(shí)間點(diǎn)，借款人存在不同的審批記錄。

step 5：支付代扣服務(wù)商將對接金融機(jī)構(gòu)，按客戶還款計(jì)劃表，對客戶選定的銀行卡定期劃扣還款金額（本金+利息）。若銀行卡金額不足，將出現(xiàn)劃扣失敗記錄。這些流水?dāng)?shù)據(jù)將有助于我們了解借款人的銀行卡余額和負(fù)債情況。

step 6：若借款人未能按時(shí)履約還款，出現(xiàn)逾期。金融機(jī)構(gòu)將通過內(nèi)部催收部門或第三方催收服務(wù)商對借款人進(jìn)行催收。此時(shí)又產(chǎn)生交互行為。顯然，運(yùn)營商數(shù)據(jù)和手機(jī)本地通話記錄將直接反映出來。當(dāng)然，利用這部分?jǐn)?shù)據(jù)就得考慮如何將催收號(hào)碼與其他正常號(hào)碼區(qū)分開。

需要強(qiáng)調(diào)的是，目前隨著數(shù)據(jù)合規(guī)性的要求，我們必須以合規(guī)的方式來獲取和利用這些數(shù)據(jù)，并更好服務(wù)于金融風(fēng)控行業(yè)。

Part 2. 多頭借貸變量加工

我們以第三方征信數(shù)據(jù)服務(wù)商提供的多頭借貸變量為例，分析使用過程中可能存在的問題，以及解決方案。如圖7所示，根據(jù)申貸流水記錄，我們可以按時(shí)間窗切片，統(tǒng)計(jì)在某個(gè)時(shí)間窗的申請平臺(tái)次數(shù)cnt。因此，可得到以下原始變量：

借款人最近7天、1個(gè)月、3個(gè)月、6個(gè)月、12個(gè)月、18個(gè)月、24個(gè)月的（某類平臺(tái)）借貸次數(shù)/機(jī)構(gòu)數(shù)。

根據(jù)動(dòng)態(tài)維護(hù)的機(jī)構(gòu)分類名單庫，我們既可以整體統(tǒng)計(jì)，也可以分類統(tǒng)計(jì)，比如：消費(fèi)金融公司、P2P公司、互聯(lián)網(wǎng)小貸公司、銀行信用卡中心等等。

那么，我們?nèi)绾胃鶕?jù)這些原始變量進(jìn)一步挖掘信息？??

??縱向維度：例如，最近7天的多頭借貸總次數(shù) / 最近1個(gè)月的多頭借貸總次數(shù)

以此可判斷借款人的時(shí)間維度上的借貸行為分布。該比值越大，代表最近一個(gè)月的申貸記錄集中在最近7天，借款人最近資金短缺。因此，也可以考慮作為用戶提單需求預(yù)測模型的變量。

??橫向維度：例如，最近1個(gè)月的銀行信用卡中心借貸次數(shù) / 最近1個(gè)月的多頭借貸總次數(shù)

以此可判斷借款人在機(jī)構(gòu)維度的借貸行為分布。數(shù)值越大，可認(rèn)為越趨于正面。正面和負(fù)面的參考標(biāo)準(zhǔn)主要來自各金融機(jī)構(gòu)面向客群。通常，銀行客群較好，互金客群較差。

??綜合維度：例如，最近1個(gè)月銀行信用卡中心借貸次數(shù)占比 / 最近3個(gè)月銀行信用卡中心借貸次數(shù)占比

以此可判斷借款人在不同時(shí)間段的借貸機(jī)構(gòu)的變化情況。當(dāng)前期借款人在銀行借款占比較大，說明用戶資質(zhì)較好，但后期若占比變小，可能是因?yàn)榻杩钊速|(zhì)量惡化。我們需要關(guān)注到這種差異性。

對于數(shù)據(jù)服務(wù)商而言，由于擁有原始流水記錄，可挖掘的信息更多。例如：

• 按天粒度統(tǒng)計(jì)，對上述統(tǒng)計(jì)特征進(jìn)行更為細(xì)致的加工衍生，包括CV（變異系數(shù)）等。

• 利用word embedding算法，訓(xùn)練得到各機(jī)構(gòu)的embedding向量，并加權(quán)映射到用戶維度。

• 對機(jī)構(gòu)進(jìn)行更為準(zhǔn)確合理的分類，使得統(tǒng)計(jì)結(jié)果更為真實(shí)、客觀。

Part 3. 多頭借貸人群細(xì)分

分析借款行為軌跡可以幫助提煉不同的用戶畫像。人群細(xì)分，分而治之，可用于優(yōu)化風(fēng)控流程、風(fēng)控模型等。例如，根據(jù)借款次數(shù)和頻率這2個(gè)維度，可以對多頭借貸人群進(jìn)行細(xì)分：

??借款次數(shù)：

如圖8所示，在相同的借款頻率下，客戶A比客戶B（每天）借款次數(shù)更多。通常而言，多頭借貸次數(shù)較高的客戶風(fēng)險(xiǎn)較高，因?yàn)楣矀湕l更長，系統(tǒng)越復(fù)雜，崩潰的可能性也就越高。曾見過不少借款老哥在小紙條上記錄不同機(jī)構(gòu)的負(fù)債金額、還款日，但仍是記不過來，最終導(dǎo)致逾期。

??借款頻率：

如圖9所示，（每天）在相同的借款次數(shù)下，客戶A的行為上不規(guī)律，偶然會(huì)集中性借款，大部分時(shí)間處于靜默狀態(tài)。這種客戶的風(fēng)險(xiǎn)往往更大，因?yàn)轱L(fēng)險(xiǎn)來自于不確定性。而客戶B則有規(guī)律地持續(xù)借貸。顯然，金融機(jī)構(gòu)會(huì)更喜歡客戶B，這是因?yàn)椋?/p>

• 始終保持旺盛的借款需求，通?？梢詾槲覀儙碜銐虻睦麧櫴找妗?/p>

• 借款行為有規(guī)律，還款資金有保證，以貸養(yǎng)貸鏈條齒輪銜接穩(wěn)定。

那么如何量化呢？我們可以考慮計(jì)算兩條申貸記錄之間的間隔時(shí)間，得到一個(gè)關(guān)于時(shí)間的分布，提取該時(shí)間分布的特征，如均值、最大值、最小值等。

結(jié)合以上分析，可以考慮細(xì)分為4個(gè)人群。高低、多少等定性定義，具體需要結(jié)合實(shí)際數(shù)據(jù)來制定合理的閾值。

• 借款頻率高、 借貸次數(shù)多

• 借款頻率高、借貸次數(shù)少

• 借款頻率低、借貸次數(shù)多

• 借款頻率低、借貸次數(shù)少

Part 4. 多頭借貸數(shù)據(jù)建模

??1. 違約風(fēng)險(xiǎn)預(yù)測模型

違約逾期風(fēng)險(xiǎn)（PD）模型用以預(yù)測在放款后借款人的逾期表現(xiàn)。例如，是否在前3期出現(xiàn)逾期行為？可參考《貸中行為評分卡(B卡)模型》。

由于多頭借貸變量涉及到共債信息，與還款能力掛鉤，對于違約逾期風(fēng)險(xiǎn)的識(shí)別效果通常較好。為保證風(fēng)控模型具有強(qiáng)穩(wěn)定性，我們在建模中需考慮到一些因素影響：

金融市場環(huán)境影響：

前文提到，數(shù)據(jù)服務(wù)商維護(hù)著金融機(jī)構(gòu)的接入和退出，沉淀一個(gè)機(jī)構(gòu)名單庫。因此，在使用這些變量時(shí)，需考慮接入的金融機(jī)構(gòu)數(shù)的變化。若接入機(jī)構(gòu)數(shù)在增長，名單庫在擴(kuò)大，機(jī)構(gòu)命中率將升高，大盤人群的多頭借貸指數(shù)也會(huì)往高分段偏移；反之，往低分段偏移。因此，我們需考慮剔除大盤的影響，也就是不使用絕對值，而使用相對值。

風(fēng)控流程策略影響：

模型重，策略輕。某些時(shí)候來不及做模型，策略可能就會(huì)使用一些多頭變量來快速調(diào)整。那么，在做模型變量篩選時(shí)，我們就要考慮到該因素的影響。盡量不使用同類變量，避免策略調(diào)整對模型穩(wěn)定性產(chǎn)生強(qiáng)干擾。有時(shí)你會(huì)發(fā)現(xiàn)，策略往往選用區(qū)分度強(qiáng)的變量，而其他變量不足以讓模型有一個(gè)好的表現(xiàn)。因此，如何協(xié)調(diào)和改善這一流程，是我們需要思考的業(yè)務(wù)問題。

數(shù)據(jù)服務(wù)變動(dòng)影響：

數(shù)據(jù)服務(wù)商可能存在多家，我們不可強(qiáng)依賴于一家，避免在黑天鵝事件下受到影響，因此可以考慮對接多家數(shù)據(jù)服務(wù)商。這就會(huì)涉及到外部數(shù)據(jù)的測算、降級(jí)、分流、校準(zhǔn)等，可參考《外部數(shù)據(jù)風(fēng)控建模評估分析》。

??2. 多頭借貸預(yù)測模型

有道是，放款前，金融機(jī)構(gòu)是爸爸；放款后，借款人是爸爸??。因此，如果我們能提前預(yù)估到借款人貸后的多頭借貸情況，那么在貸前就可以采取相應(yīng)的措施，防患于未然。也就是說，貸中管理只是減少損失，但貸前管理能避免損失。

多頭借貸與逾期風(fēng)險(xiǎn)之間的關(guān)系非常微妙。?? 對于貸后多頭借貸較高的情況：如果借款人資金緊張，則在催收時(shí)就可能遇到“哪家催得急，就優(yōu)先還哪家”的情況，造成逾期；反之，可按時(shí)還款，并帶來利潤。在某些時(shí)候，有些機(jī)構(gòu)在給借款人一筆放款后，還會(huì)鼓勵(lì)借款人再去其他機(jī)構(gòu)多頭借款，相當(dāng)于把包袱扔給下一家。

不同于違約風(fēng)險(xiǎn)預(yù)測模型只能以放貸樣本建模，多頭借貸預(yù)測模型好處在于可以利用申貸樣本建模。因?yàn)?，其主要目的在于擬合貸前和貸后之間的多頭關(guān)系。利用該模型，我們可用于人群細(xì)分：貸前多頭（高/低）、貸后多頭（高/低）。

Part 5. 總結(jié)

每一枚硬幣都有正反兩面。

一方面，多頭借貸可能帶來潛在的高逾期風(fēng)險(xiǎn)；另一方面，也能帶來更多的利潤收益。因此，如何處理和多頭借貸人群的關(guān)系是一個(gè)值得思考的問題。風(fēng)險(xiǎn)管理永遠(yuǎn)是在矛盾中尋求平衡點(diǎn)。

本文系統(tǒng)介紹了多頭借貸數(shù)據(jù)的采集、加工和應(yīng)用場景。多頭借貸數(shù)據(jù)的產(chǎn)生，也是一個(gè)打破數(shù)據(jù)孤島的成功實(shí)踐。目前，央行征信、百行征信等，都是在致力于推動(dòng)公共基礎(chǔ)數(shù)據(jù)的整合，更好服務(wù)于金融設(shè)施。

在如今數(shù)據(jù)隱私越來越重視的時(shí)代，一些新型技術(shù)框架也開始發(fā)展，如聯(lián)邦學(xué)習(xí)(Federated Learning)。

致謝

所有參考資料中的各位作者，感謝給我的啟發(fā)。文中仍有理解不到位之處，在此拋磚引玉。

參考資料

轉(zhuǎn)載：https://mp.weixin.qq.com/s/wn4UxAsDxkIqgobPOEWdDA

多頭借貸者人數(shù)已達(dá)247萬，90后占了一半，福建人最多baijiahao.baidu.com

彭雷鋒：重磅！百行征信今日上線公測，將成為“多頭借貸”和“失信人”的克星。zhuanlan.zhihu.com

1個(gè)變量降低至少1倍風(fēng)險(xiǎn)？五步拆解多頭借貸_消費(fèi)金融_中國貿(mào)易金融網(wǎng)www.sinotf.com

歡迎學(xué)習(xí)更多相關(guān)金融風(fēng)控建模相關(guān)知識(shí)：