詹小妞情结的个人资料

关于普惠金融的风控问题的意见关于普惠金融的风控问题的意见 ——彭健辉（近日面试数家普惠金融公司风控经理被拒，心有不甘，故写下此文）近日面试了数家普惠金融公司风控经理一职，均因无银行风控从业经验被拒。本人于某国有商业银行某三线城市分行从事零售及对公信贷客户经理一职已有5年，对中小型企业的经营现状颇有眼见耳闻之体会，故写下此文以供参考，兼寄托郁闷心情。病急乱投医在互联网金融兴起的这几年，普惠金融进入了大众的视线。自前海微众银行获得银行行牌照，掌握了巨量客户数据的互联网公司提出大数据征信的概念，似乎掌握了具有客户量庞大、单笔金额小、客户群分散的普惠金融的风控要领。然而自微众银行获得银行牌照三年后的今天，普惠金融公司拥抱移动互联网遍地开花，可坏账频频爆发，高管纷纷出走，平台陆续清盘，君闻花开笑，花落知多少。有条件的平台希望通过引入银行的风控系统去扭转颓势。可是，普惠金融公司必须意识到，普惠金融和传统商业银行必定处于不同的市场细分，相对商业银行更高的借款成本决定了普惠金融的目标客户群为被银行风控系统排除在外的客户群体，若以商业银行的风控系统为标准，普惠金融公司将把几乎所有目标客户群排除在外。普惠金融公司不可能依靠引入商业银行的风控系统实现逆袭。大数据征信的局限自大数据征信出现，普惠金融公司似乎走上了差异化竞争道路，可实际情况几乎所有平台在这条正确的路上走得磕磕碰碰。我认为主要原因有： 1目前主要以信用评分为输出结果的大数据征信模型错把人性理解为信用高和信用低的简单分布，这就好比简单的把人分为好人和坏人，而事实上人性和人的行为比这复杂得多，在做坏事之前，所有人都是好人。 2数据源巨量，可远不够巨量。大数据征信的模型搭建基于数据源采集，数据源越多，模型越精确。我们说的数据源海量指的是人群的覆盖范围广，而对每个用户的数据源采集是相当有限的，即使各平台数据互通也难以迅速提高数据量。比如说阿里掌握了用户的支付数据，百度掌握了用户的搜索数据，把这两项数据整合，看似是海量的数据，可如果对某一个客户进行分析，如果我说我掌握了某个客户的支付数据和搜索习惯，现在我给他发放一笔贷款，仅仅这两项数据判断一个人未来还本付息的可能性，这很难做到一个精确的概率。 3目前大大数据的技术壁垒还难以打破。人工智能是目前科技创业圈的热门题材，可上世纪70年代由乔诺依曼开发的人工智能技术至今历时近50年，而自上一年ALPHAGO和象棋高手的公开博弈才为大众所熟知。即使人们对人工智能的兴趣浓厚，但技术依然落后，国内人工智能的先驱百度公司也公开表示，该项技术在未来5年内难有重大突破。目前大数据的处理手段还是相当原始的，大概方式是采集还款记录良好和还款记录差的客户信息，通过归类该用户群的一些高频指标，采取回归分析，确定存在某些行为对信用影响的数学期望，从而加权评分。这种评分方式就好比中医，我国几千年的中医技术依靠的是前人积累的病例数据和治愈案例，从而估算某些症状和某种治疗方式配合治愈的几率，这有一定的治愈效果。自有历史记载开始，我国的人均寿命从不到30岁提高到了晚清时期的接近40岁，证明这类数据回归分析法还是能有一定的治愈效果的，可效果相当局限。而现代医学是中世纪欧洲文艺复兴时期出现了解剖学才发展起来的，现代医学有别于中医，以微观观察为基础建立了生物的生存模型才得以发展起来。目前现代医学较发达的地区人均寿命可以超过80岁，而我国自引进现代医学至今，人均寿命已提高到77岁。回归分析法的技术局限决定了大数据征信目前风控效果难以迅速改善。宏观经济影响据最新公布数据，截至2017年2月底，我国的广义货币M2投放量达到170万亿，是2008年末47.5万亿的3.6倍，而同期间我国的实际GDP只增长了88.6%。信贷投放对GDP增长的边际已经相当低了。在很多行业因为产能过剩使行业平均利润率难以覆盖贷款利息，信贷投放处于悬崖边缘，不仅不能收放自如，稍有不慎便粉身碎骨了。信贷机构的资产质量取决于客户的行业生存环境，在过度信贷的宏观环境下，即便是对客户精挑细选的商业银行业难以安身立命，而目标客户群为风险更高的普惠金融更是绝境求生。普惠金融行业的生存的客观环境一时间难以扭转，如果想独善其身，必须做到以下几点。产品化管理产品化是风控措施能够实施的前提，毕竟每个产品面向的客户群体不同，风险的来源不同，划分产品有利于风控措施的针对性实施。比如消费类信贷产品。据我从事信贷的经验，消费类信贷产品的主要风险来源是挪用贷款资金产生的风险，也就是说，消费类贷款的用途并非消费，而是其他更高风险的方向，比如股权投资、房地产投资等，如果用针对消费贷款的措施管理非消费用途的投放，风控措施无效。确保消费类贷款消费投放的重要措施是消费场景的确定，比如整形消费，贷款直接投向整形医院，而风控措施只需要分析借款人收入来源的稳定性。宏观经济分析能力投资选择大概率事件。信贷投的是未来一段（较短）时间内回收可能性高的领域，在过度信贷的宏观背景下，选择行业环境相对宽松的领域进行投资，需要具备非常出色的宏观经济分析能力，对什么行业将迎来上升的需求，期限会维持多久，在什么时机收回贷款要有精确的把控。这就不需要展开讨论了。人性化地利用大数据征信如果理解大数据的模型，可以主观地引入一些分析结果作为参考。如需要判断某个产品贷款资金被挪用的可能，可以选择一些有可能挪用资金特征的数据源，比如分析借款人可能是炒房客的可能性的分析，这种简单分析的可靠性比较高，再通过主观判断实现风险把控的效率可以大大提高。以上是本人根据从业经验和经济学知识做出的分析，如有不准确，望见谅。 2017年3月5日