赢在风控：网商银行和微众银行的大数据信贷实践

（一）网商银行的大数据风控实践

1.“310”信贷模式

网商银行及其前身阿里小贷服务小企业10余年，积累了超过10万的指标体系，100多项预测模型和3000多种风控策略。而针对线下小微经营者，网商银行创建了多套针对性风控措施，能有效识别经营属性、判断交易有效性、预测商家经营能力。人工智能甚至能够在1秒钟内通过转账关系链判断出是个人还是个体经营者，排除虚假交易，并在支付数据基础上结合商圈人流、同类商家经营状况等综合维度，给用户一个最合理的授信额度。传统的信贷风控理念往往先把人预设为坏人，但网商银行从不预设任何一个坏人，而是把每个人首先看成是好人，然后用大数据的风控技术把其中少数的“坏人”挑出去。数据能力的发挥还要借由技术实力，网商银行是中国第一家将核心系统架构在金融云上的银行，没有线下网点的纯互联网银行，依靠大数据、云计算等创新技术来驱动业务运营。这些风控技术让小微企业不用担保和抵押，凭借信用就能进行贷款，也有效地将网商银行不良率控制在1%以内。目前，网商银行基于大数据对小微企业进行了预授信，申贷过程也变得简单，还延续了阿里小贷的“310”的贷款模式，即3分钟申贷，1秒钟放款，全程零人工介入。

2.网商银行的“水文模式”

在风控上，网商银行搭建了“水文模型”，即模仿城市水文系统，把在单个时点难以判断的事情，放入历史数据和关联数据。简单说，为某淘宝店主授信时，要结合往年数据、同类店铺、淡旺季等因素，来决定额度。具体来讲，“水文模式”属于一个基于互联网和大数据的信贷模式，即网商银行按照小微企业类目、级别等分别统计一个阿里系商户的相关“水文数据”库。阿里系统考虑为客户授信时，结合水文模型，通过该店铺自身数据的变化，以及同类目类似店铺数据的变化，判断客户未来店铺经营情况的变化。比如，每到某个时点，该店铺会进入旺季，销售额就会增长，同时每到这个时段，该客户对外投放的额度就会上升，结合这些水文数据，系统可以判断出该店铺的融资需求。网商银行结合该店铺以往资金支用数据及同类店铺资金支用数据，可以判断出该店铺的资金需求额度。

3.网商银行的“滴灌模型”法

浙江网商银行作为中国首批民营银行试点之一，其成立之初就定位于以互联网的方式服务“长尾”客户，聚焦于服务小微客户、服务农村市场。在网商银行的目标客户群体中，有一些客户一开始经营规模非常小，如果按照当前的经营规模以及资产情况，这些商户在哪家银行都不可能获得贷款服务。对此，网商银行探索出了“滴灌模型”，通过以往的历史数据判断客户在未来的经营趋势，如果未来却有发展空间，会采取类似于“滴灌”的模式对此类客户给予信贷资金的支持，加大对小微商户的培育和金融扶持，实现数字化的普惠金融小额信贷实践。

4.凡星计划

在2018小微金融行业峰会上，网商银行公布，成立3年间，网商银行及其前身阿里小贷已经与金融机构伙伴联手，为超过1000万小微经营者提供过贷款服务。会上，网商银行宣布启动“凡星计划”，为未来3年定下新目标，蚂蚁金服集团董事长兼首席执行官、网商银行董事长井贤栋称：“未来3年，网商银行将与1000家各类金融机构携手，共同为3000万小微经营者提供金融服务。”网商银行的凡星计划，是该银行深入开展大数据信贷风控实践的最好体现，更是对普惠金融在互联网时代积极实践的最好诠释。

（二）微众银行的大数据风控实践(www.xing528.com)

1.“社交”信贷模式

微众银行的信贷风控属于典型的“社交型”信贷风控模式，既使用传统的金融数据，比如银行征信、公安数据、教育数据等，更大量使用基于腾讯平台获取的庞大的社交数据和支付数据。目前，微众银行创新开发了六大风控模型，包括公安数据模型、央行征信数据模型、微信社交模型、手机QQ社交模型、财付通支付数据模型和资金饥渴度模型。其中的社交模型和财付通支付数据模型完全基于其所拥有的腾讯集团数据独特优势而建立。微众银行的社交评级法具有典型的“社交”信贷属性。微众银行通过大数据中的社交数据对借款人进行综合评估，采取贷款邀约申请制，来管控信用风险。例如，通过微信加好友的方式，每个人的微信朋友圈都有星状图和树状图，树状表示朋友相互之间认识，星状则表示相互之间不认识，相互认识的朋友比例占微信好友总量的比例越高，说明该客户的朋友圈可信度越高，对应的社交评级越高，客户的贷款可得性和授信额度越高。

2.搭建互联网银行的全面风险管理体系——eRM

微众银行不断探索适用互联网业务特点、具有互联网银行特色的全面风险管理体系——eRM。这个体系主要包括风险管理数据、模型与信息系统等“三大支柱”，以及体制、制度和人才建设等“三大保障”。数据是互联网银行风险管理的原材料。传统数据是标配，微众银行持续积累央行、公安、学历和法院四大征信数据，基本实现跟核心数据源直连，合理运用大股东腾讯的数据优势；引入了数十个市场数据，涵盖信用行为、网上消费、欺诈信息、汽车等领域。在模型方面，目前微众银行已经研发及部署模型达数十类，既有逻辑回归、决策树等传统建模方法，也引入神经网络、随机森林等机器学习新型方法。微众银行所有业务、数据、模型和规则都在信息系统中进行部署，信息系统是风险管理工作开展的基础平台。截至目前，已经逐步建设并完善了包含数十套系统的全行风险管理信息系统体系，大大提升了风险管理效率和决策能力。

3.基于策略和模型的风险管理工具箱

策略工具方面，微众银行为各类不同产品部署了多套风控策略，实现在线自动授信审批，支持业务运行与迭代。为适应业务快速增加、合作模式复杂多样的实际情况，微众银行总结归纳已上线项目的风控策略及手段，以现有信贷工具为基础，打造了风险管理工具箱，包含风险评估、授信策略、核额策略、项目应用策略等十余个工具模块以及更多的子工具和子策略，基本满足了绝大多数产品的授信风控需求，为产品部门快速响应和科技开发快速上线提供了坚实的基础和保障。模型工具方面，微众银行结合业务风控的实际需要，逐步搭建起符合自身业务特色的风险计量模型体系，保证管理流程的全覆盖，包含贷前、贷中、贷后的信用和反欺诈计量等各个环节。针对授信业务全生命周期的管理环节，分别开发了贷前申请评分模型、贷中行为评分模型、预警监测模型、催收评分模型等，模型种类超过20大类、子模型达数百个。

4.打造大数据分析平台

微众银行建立了集中化的全行风险数据管理及分析环境，支持SAS、Python、Hive、Hadoop等大数据分析工具，支持多用户同时对超大数据文件（100万兆字节以上）进行挖掘分析，有效支持全行风险监测与模型建设工作，在该平台上实现各类工具开发与业务应用。微众银行充分利用多维度的信息数据来源，采用先进的大数据分析和挖掘技术，提升风险管理的效率和准确性。电商数据、运营商数据、社交网络数据等非结构化数据在传统意义上属于弱区分能力变量，信息量较为稀疏，无法满足传统模型对数据质量的要求。为充分利用这些数据，微众银行采用机器学习模型等更加前沿的统计科学和技术手段进行数据分析，与其他强区分能力信息进行结合，以更好的绘制客户整体风险轮廓。

【信贷反思录】如何看待大数据风控的“310”信贷模式、“水文模式”、“滴灌模型”法、“社交”信贷模式的信贷实践？