普惠金融聚合模式研究报告(51页)

在聚合平台的风险评估环节，数据资源的融合化解了普惠金融人群数据碎片化、分 散化的行业痛点，为用户画像、反欺诈、信贷风控提供信息和模型支持。从数据来源的 角度，该节点参与方主要包括四类，第一类是聚合平台本身，运用其自有数据和模型输 出对借款人的风险评级；第二类是征信机构，包括央行征信、百行征信两家个人征信机构， 以及 100 余家在央行备案的企业征信机构；第三类是社保、财税、工商等公用事业系统； 第四类是专业的个人信用管理平台，如芝麻信用、前海征信等机构，它们通常背靠隶属 集团生态内沉淀的亿级数据，并在大数据技术领域处于领跑地位输入到量化分析模型中 的各类数据因子在对不同类型风险的甄别中发挥作用，并互相交叉验证，形成对借款人 的风险画像。在授信决策中，我们讨论的风险主要可分为两大类，欺诈风险和信贷风险。

反欺诈环节的主要功能是验证借款人的真实身份和偿付意愿。一些信用风险较大的个 人可能通过伪冒申请、提供虚假资料和虚假联系人等方式获取信贷资源；更有甚者，通过 黑灰色产业的代办包装、组团骗贷。所谓的信贷黑中介会反复冲击各家贷款机构的审批模块，试图破解其审核规则中的漏洞，并通过各种手段对申请人进行包装以突破信贷机构的 风控规则，造成普惠信贷服务机构的重大风险和损失。专业的数据服务商可以与数以千计 的机构合作，利用包括电商、支付、银行、保险、视频、交友、航旅、外卖、物流等诸多 平台的海量数据。在模型上，使用复杂网络技术，识别可能的欺诈行为。面对黑色产业层 出不穷的新手段，反欺诈技术也会不断迭代。

一般会有多套备选规则同时运行，被判断为 最有效的规则作为实战使用，执行强拒绝；其他规则在后台同时运行，如同“暗哨”一般， 作为储备规则使用。一旦发现某个后台规则的通过率出现异常波动，该暗哨就会被立刻转 移为前台规则，进行防护。这种高频率、多规则的应用，能够显著降低各类欺诈风险问题 的发生概率，一方面保障了普惠信贷平台的安全，同时更有效缓解了逆向选择的风险，让 更多信用良好的借款人能够以更低的成本和更高效便捷的方式进行融资。 在信贷风险评估中，传统银行体系因长期服务优质客群，对小微企业、个体工商户、 低收入人群、三农人群等的数据积累有限。小贷公司经营体量普遍较小，难以形成广泛 且大量的数据样本。互联网企业虽然拥有社交、电商、移动支付等大数据资源，但是缺 乏与信贷行为强相关的金融数据，所以在中大额贷款的风险识别能力上仍然存在短板。 聚合模式通过整合多方数据模型，汇集多维数据在判断普惠金融人群信贷风险上的优势 共同支撑信贷决策的制定。

比如一个小微企业主，他可能缺少足够的财务数据，但是保 险公司所掌握的险种购买选择和保费定期缴纳记录能够在很大程度上证明其风险意识、 支付能力和欺诈倾向，而房产、车产等个人资产信息又能进一步佐证其偿还能力，这类 在中长期服务中沉淀下来的金融数据无疑为信贷决策提供了极具参考意义的依据。 总之，通过风控节点上的聚合打破了“数据孤岛”，不同体系中数据的沉睡价值被唤醒， 有效解决了普惠金融人群因结构性数据缺乏或不足而风控难度高的问题，从而获得“一 加一大于二”的效果。一方面，不同种类的数据能够充分发挥自身的比较优势，比如行 为数据更多地使用于反欺诈判断中，而金融数据则在信贷风险的评判上贡献更多价值。 另一方面，大量富集的数据可以支持普惠信贷机构为不同客群提供额度、期限、还款方 式、定价等各方面均具差异化的产品方案，从而形成“千人千面”的定制化金融服务能力。