互金時(shí)代大數(shù)據(jù)在貸后管理中的應(yīng)用

在互聯(lián)網(wǎng)金融時(shí)代，無論是傳統(tǒng)商業(yè)銀行還是新興的互聯(lián)網(wǎng)金融公司，面臨的風(fēng)險(xiǎn)和挑戰(zhàn)日益增加。在這種情況下，如何利用大數(shù)據(jù)技術(shù)及時(shí)有效地防堵各類信貸風(fēng)險(xiǎn)，也一直是各界關(guān)注的熱點(diǎn)問題。大數(shù)據(jù)技術(shù)可以讓貸后管理變得更簡(jiǎn)單嗎？這篇來自“朝陽35處”的文章，將著重講解這方面的應(yīng)用。

個(gè)人信貸不良資產(chǎn)管理壓力增大，貸后管理成管控重點(diǎn)

近年來，隨著我國個(gè)人信貸市場(chǎng)業(yè)務(wù)規(guī)模快速增長(zhǎng)，個(gè)人不良貸款余額和不良率不斷走高也成為困擾金融信貸機(jī)構(gòu)的首要問題。以銀行個(gè)人信貸業(yè)務(wù)為例（如圖1所示），其2015年第二季度不良貸款余額已達(dá)到1.18萬億元，不良貸款率也達(dá)到1.6%。

圖一

相比于銀行，互聯(lián)網(wǎng)金融平臺(tái)不良資產(chǎn)的問題和難點(diǎn)則更加凸顯。陸金所董事長(zhǎng)兼CEO 計(jì)葵生年初曾對(duì)媒體表示，網(wǎng)貸行業(yè)平均不良率高達(dá)13%-17%。相對(duì)于傳統(tǒng)金融機(jī)構(gòu)，互聯(lián)網(wǎng)網(wǎng)貸行業(yè)平均不良率明顯更高。

面對(duì)這一嚴(yán)峻形勢(shì)，不良資產(chǎn)的管理能力逐漸成為金融信貸機(jī)構(gòu)關(guān)注的重點(diǎn)領(lǐng)域。

不良資產(chǎn)管控的核心有兩大方面，一是控制不良資產(chǎn)新增，二是化解存量不良資產(chǎn)?？刂撇涣假Y產(chǎn)新增的有效手段是在“貸前”階段建立完善風(fēng)險(xiǎn)管理措施，嚴(yán)格把控客戶準(zhǔn)入門檻。

而化解存量不良資產(chǎn)的核心則是“貸后管理”。

所謂貸后管理，主要內(nèi)容是對(duì)不良資產(chǎn)進(jìn)行有效評(píng)估，并以此為基礎(chǔ)對(duì)客戶進(jìn)行分群，輔以失聯(lián)修復(fù)手段，對(duì)不同客群采取差異化的催收策略。

貸后管理是不良資產(chǎn)管控的重點(diǎn)，而失聯(lián)修復(fù)則是化解存量不良資產(chǎn)的先決條件。

以貸后管理中的催收為例，現(xiàn)階段催收人員只能通過借貸人申請(qǐng)貸款時(shí)留下的三到五個(gè)關(guān)聯(lián)號(hào)碼和其進(jìn)行聯(lián)系。如果借貸人當(dāng)時(shí)本就無心償還貸款，已有號(hào)碼有效率會(huì)非常低。就現(xiàn)在的國內(nèi)個(gè)人信貸市場(chǎng)而言，新客戶中失聯(lián)比例達(dá)到30%~50%，而在進(jìn)入不良階段后，客戶失聯(lián)比例高達(dá)70%。

這時(shí)，對(duì)大部分商業(yè)銀行和互聯(lián)網(wǎng)金融公司而言，只使用貸款人當(dāng)時(shí)提供的聯(lián)系方式使貸后催收變得困難，需要尋求外部數(shù)據(jù)的支持協(xié)助。只有在結(jié)合外部數(shù)據(jù)對(duì)失聯(lián)客戶進(jìn)行信息修復(fù)，可以很大程度上幫助催收部門和客戶重新取得聯(lián)系，從而化解存量不良資產(chǎn)。

然而，在初步修復(fù)客戶信息后，新的問題出現(xiàn)了。一種經(jīng)常出現(xiàn)的情況是，與客戶有關(guān)聯(lián)的聯(lián)系人過多，有些客戶的聯(lián)系人可以多達(dá)幾十個(gè)甚至上百個(gè)。這又給催收人員帶來了另一種窘境，在面對(duì)過多的電話號(hào)碼，如果一個(gè)個(gè)撥打，不僅耗時(shí)耗力更不符合實(shí)際情況。即使手上掌握了欠款客戶充足的信息，但如果聯(lián)系號(hào)碼數(shù)量巨大，則修復(fù)率并不能夠被保證。

大數(shù)據(jù)模型助力提升失聯(lián)修復(fù)率

下面我們來舉例說明，利用大數(shù)據(jù)篩選模型，如何解決客戶聯(lián)系人號(hào)碼過多的問題。首先我們需要建立一個(gè)模型來對(duì)眾多號(hào)碼修復(fù)的成功率進(jìn)行預(yù)測(cè)，從而通過篩選或排序，使催收人員可以從最可靠的號(hào)碼開始聯(lián)系客戶。

我們可以先選取小規(guī)模的數(shù)據(jù)集進(jìn)行研究。比如，我們抽樣選取了9000多個(gè)聯(lián)系人的數(shù)據(jù)，每組數(shù)據(jù)包括聯(lián)系人的電話號(hào)碼，對(duì)應(yīng)的數(shù)據(jù)來源，電話更新時(shí)間以及是否有效修復(fù)失聯(lián)的標(biāo)簽。其中，能夠修復(fù)失聯(lián)的定義為：電話號(hào)碼是有效可以撥通，且聯(lián)系人表示認(rèn)識(shí)并愿意轉(zhuǎn)告客戶，積極提供客戶信息；而空號(hào)，不可撥通，聯(lián)系人態(tài)度差，表示不認(rèn)識(shí)，或者認(rèn)識(shí)客戶但不愿意聯(lián)系客戶的電話號(hào)碼則為無效。

這9000個(gè)樣本聯(lián)系人號(hào)碼在數(shù)億量級(jí)的全量數(shù)據(jù)庫中，與其他聯(lián)系人號(hào)碼通過各種關(guān)系形成了一個(gè)個(gè)網(wǎng)絡(luò)。如圖二所示，一個(gè)節(jié)點(diǎn)代表一個(gè)聯(lián)系人的電話號(hào)碼，而兩點(diǎn)之間的邊則代表這兩個(gè)電話號(hào)碼之間存在某種關(guān)系。每個(gè)節(jié)點(diǎn)的自由度定義為與這個(gè)節(jié)點(diǎn)相連的邊的數(shù)目。通過分析網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的自由度，我們可以進(jìn)一步得知與每個(gè)號(hào)碼有聯(lián)系的號(hào)碼個(gè)數(shù)。以節(jié)點(diǎn)1為例，該電話號(hào)碼與4個(gè)號(hào)碼有聯(lián)系，它的自由度為4；節(jié)點(diǎn)2的自由度為3。節(jié)點(diǎn)的自由度越高，代表持有該號(hào)碼的人的社交圈子越大。

圖二

1.使用單變量分析

首先我們用單變量分析的方法看一下節(jié)點(diǎn)自由度、更新時(shí)間以及不同數(shù)據(jù)源對(duì)失聯(lián)修復(fù)率的影響。圖三顯示了節(jié)點(diǎn)自由度與失聯(lián)修復(fù)率的關(guān)系。當(dāng)節(jié)點(diǎn)自由度為1時(shí)，失聯(lián)修復(fù)率最低，只有14%。隨著節(jié)點(diǎn)自由度的增大，失聯(lián)修復(fù)率也隨之提高。當(dāng)節(jié)點(diǎn)自由度為3時(shí)，失聯(lián)修復(fù)率達(dá)到極值24%。隨后，失聯(lián)修復(fù)率隨節(jié)點(diǎn)自由度的增大而降低。

圖三

圖四顯示了電話號(hào)碼更新時(shí)間與失聯(lián)修復(fù)率的關(guān)系。由圖可見，失聯(lián)修復(fù)所使用的信息幾乎99%都來源于最近四年的數(shù)據(jù)。其中，2014年更新的數(shù)據(jù)失聯(lián)修復(fù)率最高，達(dá)到18%，而2015年更新的數(shù)據(jù)失聯(lián)修復(fù)率最低，只有11%。

圖四

圖五顯示了不同數(shù)據(jù)源與失聯(lián)修復(fù)率的關(guān)系。我們整合了九個(gè)不同的內(nèi)、外部數(shù)據(jù)源，所有的數(shù)據(jù)源均有用戶授權(quán)。為了保護(hù)商業(yè)機(jī)密，我們不對(duì)數(shù)據(jù)源進(jìn)行公布。但可以看到的是，數(shù)據(jù)源2、3和4的失聯(lián)修復(fù)率最佳，均可達(dá)到20%，而數(shù)據(jù)源7表現(xiàn)最差，只有10%的失聯(lián)修復(fù)率。

圖五

2.使用機(jī)器學(xué)習(xí)模型

上述的單變量分析只能統(tǒng)計(jì)單個(gè)變量對(duì)失聯(lián)修復(fù)率的影響，如果這些變量相互獨(dú)立，我們可以通過簡(jiǎn)單的乘法公式計(jì)算出這些變量聯(lián)合起來對(duì)失聯(lián)修復(fù)率的影響。然而，這些變量顯然不是相互獨(dú)立的，而是彼此關(guān)聯(lián)的。例如，對(duì)于數(shù)據(jù)源1，當(dāng)電話號(hào)碼的更新時(shí)間為2014年時(shí)，失聯(lián)修復(fù)率最高；而對(duì)于另外一個(gè)數(shù)據(jù)源，當(dāng)電話號(hào)碼的更新時(shí)間為2016年時(shí)，失聯(lián)修復(fù)率最高。

為了分析這些相互關(guān)聯(lián)的變量聯(lián)合起來對(duì)失聯(lián)修復(fù)率的影響，我們采用Gradient Boosting非參數(shù)模型進(jìn)行建模，來預(yù)測(cè)某個(gè)號(hào)碼失聯(lián)修復(fù)的概率。為了驗(yàn)證模型效果，我們將數(shù)據(jù)集進(jìn)行拆分，其中訓(xùn)練集大小為6000，而測(cè)試集大小為3000。

在訓(xùn)練集上訓(xùn)練好模型之后，其在測(cè)試集上的表現(xiàn)如圖六所示。修復(fù)概率排名前10%的號(hào)碼的失聯(lián)修復(fù)率為28.1%，這相對(duì)于整個(gè)數(shù)據(jù)源15.3%的平均修復(fù)率，提升達(dá)到了83%！這種優(yōu)化帶來的收益非常明顯，如果與某客戶相關(guān)聯(lián)的聯(lián)系人號(hào)碼超過十個(gè)甚至上百個(gè)，通過上述方式的篩選則可以得到五到六個(gè)質(zhì)量較高的聯(lián)系人號(hào)碼，使得催收人員輕松有效地找到失聯(lián)客戶；如果一個(gè)失聯(lián)客戶聯(lián)系人數(shù)目較少，催收人員也可以按照大數(shù)據(jù)模型給出的電話號(hào)碼靠譜程度排序，從高到低進(jìn)行撥打，從而更快找到失聯(lián)客戶，顯著提升催收效率。

圖六

大數(shù)據(jù)對(duì)信貸風(fēng)險(xiǎn)管理的影響是巨大的，本文所述的也只是冰山一角。事實(shí)上，如果可以逐步建立以大數(shù)據(jù)分析逐步替代個(gè)人判斷的新型信貸風(fēng)險(xiǎn)管理架構(gòu)，圍繞大數(shù)據(jù)分析對(duì)信貸風(fēng)險(xiǎn)管理架構(gòu)進(jìn)行重組與再造，勢(shì)必會(huì)能提高金融機(jī)構(gòu)信貸風(fēng)險(xiǎn)管理的有效性，進(jìn)而平抑信貸不良率波動(dòng)。因此，如何運(yùn)用好大數(shù)據(jù)的眾多“功夫”，推動(dòng)金融信貸的良性發(fā)展，將會(huì)一直是今后熱門的話題。