1個變量降低至少1倍風險？五步拆解多頭借貸新金融
2017年12月下發的《關于規范整頓“現金貸”業務的通知》中3次特別提到要防范多頭借貸風險。這是業界進行風控的一項迫切需求。
在這方面，誠安開發使用了多頭注冊數據，能夠很好的降低信用風險，本篇文章分五步詳細拆解多頭注冊，把這個實用有效的方法介紹給你。
從2013年互聯網金融懵懂期，2014年白條產品上線，2015、2016年消費金融開始蓬勃發展，到2017年現金貸的崛起，短短的幾年之內，針對各類客群的各類金融產品應世而生。而隨之而來的多頭借貸行為帶來了很高的信貸逾期風險，識別多頭借貸成為了風控工作的重中之重。
何為多頭借貸？
多頭借貸，即單個借款人向2家或者2家以上的金融機構提出借貸需求的行為。一般來說，當借貸人出現了多頭借貸的情況，說明該借貸人資金需求出現了較大困難，有理由懷疑其還款能力。根據網絡公開調研文章，多頭借貸用戶的信貸逾期風險是普通客戶的3-4倍，貸款申請者每多申請一家機構，違約的概率就上升20%。
以我司一客戶的現金貸產品為例，客戶額度約1,000~3,000，期限為30天，通過率基本維持在15%左右，每天拒絕約2,000人。在2017/11整月的數據中，因為多平臺相關原因而拒絕的用戶占到總拒絕用戶數的50%-70%左右。
有哪些多頭借貸數據？
業界使用多頭借貸數據的邏輯一般比較簡單。現在有多頭申請、多頭借貸等數據產品，如果查詢后某段時間內某類平臺（消費金融類，P2P類，小貸類等）申請的次數超過某個閾值直接拒絕，或者直接使用第三方平臺對于多頭申請的評分。
對比業內常用的多頭借貸數據如下表。
方法數據含義優勢問題多頭申請在不同的時間內，申請不同類型平臺的數量了解每個客戶申請的貸款類平臺數量，評估當前負債情況，進而評估客戶信用風險沒有一家第三方數據源能接入所有貸款平臺的數據
第三方相互分發或甲方分發數據，造成數據不準確
第三方沒有對不同接入平臺做風險權重評估（因無法得到平臺貸后數據），例如申請鯨魚貸客戶比申請宜人貸（注冊領紅包）客戶風險高多頭借貸在不同的時間內，成功申請貸款的不同類型平臺的數量評估客戶實際負債情況及風險情況沒有一家第三方數據源能接入所有貸款平臺的數據
貸款平臺的貸后數據不會上報給第三方多頭貸款APPAndroid系統中安裝的貸款類APP的個數評估客戶信貸饑渴的程度IOS系統無法獲取安裝APP列表
客戶對APP可能進行刪改多頭短信Android系統短信中包含貸款類短信的平臺個數評估客戶信貸饑渴的程度IOS系統無法獲取客戶短信內容
客戶對短信內容可能進行刪改
可以看出，每種方法都有一定的局限性，而且數據獲取代價比較高，比如多頭申請和多頭借貸，由于數據覆蓋面有限，而且無法知曉其背后對接的是哪些貸款平臺，所以往往需要對接多家第三方數據源，綜合使用，而后兩種則需要自己開發并分析。
政府官方統計截至2017年9月末，全國共有小額貸款公司8610家，網貸天眼統計，截至2017年12月，在運營P2P平臺數量為1751家，此外還有網絡小額貸款公司、消費金融公司等，更不用說監管之前眾多沒有放貸資質的現金貸公司。面對這么多公司以及他們所推出的貸款產品，理想情況肯定是能覆蓋所有的產品，然后做風險權重分析。但是在資源有限的情況下，是否可以先考慮風險權重，然后爭取獲得高風險產品的數據呢。
重點來了！！！
于是我們想到了多頭注冊數據，即只看注冊過的高風險平臺個數。
多頭注冊數據如何獲得
什么樣的平臺發生了借貸行為風險會比較高？
大家都知道防黑產，加入了很多群，看到了群里會說今天擼某某貸，擼某某分期，慶幸沒有擼到自己的平臺，但同時并沒有有效的將看到的信息落地，優化自己的審批結果。這些被黑產擼過的平臺，就是我們認為優先級最高、風險最大的平臺。
試著站在黑產的角度倒推一下，市面上新推出的產品或者很小眾的產品，可能風控還比較薄弱，不如組織人來薅一波羊毛。于是得到相關消息的人，紛紛去注冊這個產品，申請貸款。而且不會像大平臺，從注冊人數到申請人數有一定的轉化率，這部分人注冊了絕大多數是要去真正申請貸款的！
在這種平臺注冊過的用戶是不是非常危險？！有的甚至注冊幾十家上百家！！！這種客戶是不是閉著眼睛都要拒絕？！
判斷是否注冊？
目前絕大部分產品都使用手機號進行注冊（既能驗證是否在用，還可以進行后續實名、使用時長等信息的認證），那么填入手機號，通過APP或網站返回的消息，可以判斷該手機號是否注冊過。
結果匯總
每個高風險平臺都查一遍注冊情況，即可獲得多頭注冊數據。
一個變量真的這么神奇？
接下來我們看一下多頭注冊數據的實際效果。
我們提取了兩家不同現金貸產品的多頭數據量和逾期之間的相關關系。
第一家產品為平均額度3,000左右，信用卡人群，主要渠道也是信用管家渠道，期數30天，選取數據總量為12,087條，定義逾期7+為壞客戶，多頭注冊數與壞客戶比率關系圖如下圖（其中，橫坐標的多頭注冊數為區間，如10代表多頭注冊數區間為[6,10]。）可以看出，注冊數小于等于15個時，壞客戶比例還比較低，從20個到25個時，壞客戶比例大幅上升。
第二家產品平均額度30,000左右，期數3-18期不等，選取數據總量為30,091,定義當前逾期30+為壞用戶。從下圖可以看出，折線的曲率變化更明顯，多頭注冊數達到9個，逾期率已經超過5%，在多頭注冊數為11個時，逾期率比10個增長了近2倍。
對于好壞客戶的區分效果不言而喻！
如何用這個變量
從風控全流程來看，多頭注冊數既可以用于貸前審批，也可以用于貸中監控。
貸前審批
該變量對于不同類型產品適用性較廣，通過測試多頭注冊平臺數量和不同產品逾期表現的相關性，根據通過率和壞賬容忍度調整通過的閾值。例如中大額度現金分期客群如果此變量超過設定閾值，客戶的風險會相對更高，可直接作為拒絕依據。
如果缺少數據，也同樣適用于項目冷啟動，能夠從初期開始就防范信用風險，通過后期不斷修正閾值達到更好的效果。
貸中監控
進入還款期的貸款，可利用該變量進行監控，發現數據異常可及時介入一些干預手段。
隨著互聯網金融、消費金融的快速發展，各類征信類數據、反欺詐數據基本成為了各類信貸機構的標配。這次我們曝光了自己的一項獨家數據，多頭注冊數可以作為識別信用風險的一個強變量。
【來源：誠安聚立】
1.砍柴網遵循行業規范，任何轉載的稿件都會明確標注作者和來源；2.砍柴網的原創文章，請轉載時務必注明文章作者和"來源：砍柴網"，不尊重原創的行為砍柴網或將追究責任；3.作者投稿可能會經砍柴網編輯修改或補充。
京公網安備 11010502032797號