互金時代，大數(shù)據(jù)如何在貸后管理中發(fā)揮價值？

大數(shù)據(jù) 互聯(lián)網(wǎng)金融信貸管理

朝陽35處 | 2016-07-28 11:35

【數(shù)據(jù)猿導(dǎo)讀】在風(fēng)生水起的互聯(lián)網(wǎng)金融時代，仍然面臨諸多挑戰(zhàn)，如何利用大數(shù)據(jù)技術(shù)及時有效地防堵各類信貸風(fēng)險，也一直是各界關(guān)注的熱點(diǎn)問題。本文將重點(diǎn)給大家分享，互聯(lián)網(wǎng)金融時代下，大數(shù)據(jù)如何在貸后管理中的應(yīng)用

在互聯(lián)網(wǎng)金融時代，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)及時有效地防堵各類信貸風(fēng)險，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單嗎?這篇文章，將著重講解這方面的應(yīng)用。

個人信貸不良資產(chǎn)管理壓力增大，貸后管理成管控重點(diǎn)

近年來，隨著我國個人信貸市場業(yè)務(wù)規(guī)?？焖僭鲩L，個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)金融平臺不良資產(chǎn)的問題和難點(diǎn)則更加凸顯。陸金所董事長兼CEO 計葵生年初曾對媒體表示，網(wǎng)貸行業(yè)平均不良率高達(dá)13%-17%。相對于傳統(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。

面對這一嚴(yán)峻形勢，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)容是對不良資產(chǎn)進(jìn)行有效評估，并以此為基礎(chǔ)對客戶進(jìn)行分群，輔以失聯(lián)修復(fù)手段，對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貸款時留下的三到五個關(guān)聯(lián)號碼和其進(jìn)行聯(lián)系。如果借貸人當(dāng)時本就無心償還貸款，已有號碼有效率會非常低。就現(xiàn)在的國內(nèi)個人信貸市場而言，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，對大部分商業(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)幾十個甚至上百個。這又給催收人員帶來了另一種窘境，在面對過多的電話號碼，如果一個個撥打，不僅耗時耗力更不符合實(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)系人號碼過多的問題。首先我們需要建立一個模型來對眾多號碼修復(fù)的成功率進(jìn)行預(yù)測，從而通過篩選或排序，使催收人員可以從最可靠的號碼開始聯(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)系人的電話號碼，對應(yīng)的數(shù)據(jù)來源，電話更新時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：電話號碼是有效可以撥通，且聯(lián)系人表示認(rèn)識并愿意轉(zhuǎn)告客戶，積極提供客戶信息;而空號，不可撥通，聯(lián)系人態(tài)度差，表示不認(rèn)識，或者認(rèn)識客戶但不愿意聯(lián)系客戶的電話號碼則為無效。

這9000個樣本聯(lián)系人號碼在數(shù)億量級的全量數(shù)據(jù)庫中，與其他聯(lián)系人號碼通過各種關(guān)系形成了一個個網(wǎng)絡(luò)。如圖二所示，一個節(jié)點(diǎn)代表一個聯(lián)系人的電話號碼，而兩點(diǎn)之間的邊則代表這兩個電話號碼之間存在某種關(guān)系。每個節(jié)點(diǎn)的自由度定義為與這個節(jié)點(diǎn)相連的邊的數(shù)目。通過分析網(wǎng)絡(luò)中每個節(jié)點(diǎn)的自由度，我們可以進(jìn)一步得知與每個號碼有聯(lián)系的號碼個數(shù)。以節(jié)點(diǎn)1為例，該電話號碼與4個號碼有聯(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、更新時間以及不同數(shù)據(jù)源對失聯(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，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，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

圖四顯示了電話號碼更新時間與失聯(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)計單個變量對失聯(lián)修復(fù)率的影響，如果這些變量相互獨(dú)立，我們可以通過簡單的乘法公式計算出這些變量聯(lián)合起來對失聯(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，對于數(shù)據(jù)源1，當(dāng)電話號碼的更新時間為2014年時，失聯(lián)修復(fù)率最高;而對于另外一個數(shù)據(jù)源，當(dāng)電話號碼的更新時間為2016年時，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)測某個號碼失聯(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，而測試集大小為3000。

在訓(xùn)練集上訓(xùn)練好模型之后，其在測試集上的表現(xiàn)如圖六所示。修復(fù)概率排名前10%的號碼的失聯(lián)修復(fù)率為28.1%，這相對于整個數(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)系人號碼超過十個甚至上百個，通過上述方式的篩選則可以得到五到六個質(zhì)量較高的聯(lián)系人號碼，使得催收人員輕松有效地找到失聯(lián)客戶;如果一個失聯(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)對信貸風(fēng)險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)分析逐步替代個人判斷的新型信貸風(fēng)險管理架構(gòu)，圍繞大數(shù)據(jù)分析對信貸風(fēng)險管理架構(gòu)進(jìn)行重組與再造，勢必會能提高金融機(jī)構(gòu)信貸風(fēng)險管理的有效性，進(jìn)而平抑信貸不良率波動。因此，如何運(yùn)用好大數(shù)據(jù)的眾多“功夫”，推動金融信貸的良性發(fā)展，將會一直是今后熱門的話題。

來源：SAS中文論壇

收藏分享

聲明：數(shù)據(jù)猿尊重媒體行業(yè)規(guī)范，相關(guān)內(nèi)容都會注明來源與作者；轉(zhuǎn)載我們原創(chuàng)內(nèi)容時，也請務(wù)必注明“來源：數(shù)據(jù)猿”與作者名稱，否則將會受到數(shù)據(jù)猿追責(zé)。