本文为原创文章，版权归消费金融风控联盟所有，欢迎转载，转载请注明出处。 

一般来说做网上信用类业务大概分为5个步骤，步骤如下图所示。每一步骤都有风控管理的要点，这里不讨论风控的大范围的内容，只讨论一点点关于风控策略的个人工作总结。

风控策略入门

风控策略一般大概分这么几类，从流程角度来分，分为反欺诈策略、信贷风险策略、贷中管理策略及贷后管理策略。基本上以贷前贷中贷后三部分或者贷前贷后为主。现在大家常用的流程基本上分为，申请、授信、放款、贷后四部分，

     今天我想重点讨论一下网贷中贷前部分的三个重要节点、黑名单、反欺诈与授信一点策略事宜。

        随着互金行业的快速发展，沉淀出来的数据越来越多，特别是自有业务体系下的黑白名单库，各个细分产品类型基本上完成了对网贷人群的分类。

 目前最大的几家三方数据公司的数据都大同小异，以某盾、某融、某元等等等著名的大数据公司为例，沉淀这几年基本上几乎可以涵盖绝大多数涉金融人群，新用户为白户的情况还是比较少见的。但是随着场景的不断变化，细分场景的应用不断的推出来。一些老牌的数据公司在应付场景上就会有些单薄。例如大家都在接的某某盾，用来做现金贷风控就些许有些力不从心。像现金贷这种小额近乎超利率的产品基本上没人会主动选择某元的数据产品。

 如果做传统类互联网金融业务，著名公司数据绝不能缺少，因为他们的识别率非常高。若做一些相对比较新的产品，往往支付类体系下数据以及特别背景下的数据公司会出现一些非常好用的、偏小众化的数据产品。

 另外，我的个人经验不足以支撑全局的内容，仅仅从自己用到的和学到的一些被验证过的东西来发表自己的看法，或许这里面会出现很多错误，但是这些错误仅适合我们自己。不一定适合其他。

（一）关于黑名单策略

所有场景下都不能少的几项黑名单数据：

1、公安类数据。比如某些有不发犯罪记录的人，在逃人等。有一些专门的公司可以对接数据。或者有自身数据实力比较强的可以爬虫。

2、失信执行人名单。这个大家都知道不用细说。

3、法院执行人名单。很多都是可以爬虫的。

4、工商税务类名单。这个官方网站都有。

      现在还出了一些高铁黑名单，航空公司黑名单，证券禁入等一些特定场景下的名单目录。有兴趣的朋友可以自己搜索一下。

     敲黑板，下面 我重点想说一下的是常见的一些的黑名单事宜：

     1、征信黑名单。这个不用说，征信数据相对的比较权威

     2、大数据行业内部黑名单。这些黑名单都是各个数据公司前期通过对接各种产品，提供服务而得到的数据结果。这种数据我个人认为很重要，但是实际应用需要根据场景来确定。      假设几个问题供大家思考：做现金贷的用户群体和做消费分期的用户群体能有多少重合？芝麻信用的行业关注名单是否适合你的产品？机构提交的黑名单真的是准确的没有随机生成的成分？线上放款线下还款的数据能得到同步后才放出？用这些数据前你是否能准确判断出数据的来源以及以及行业背景？

     3、自身数据的黑名单，我认真这个是最重要的。比如某分期用户第X（X<=3）期就开始逾期，那么他的通讯录中常联系的人，例如TOP5名单就应该考虑进入自身的黑名单库做待选。

     4、另外一些问题，例如多头黑名单、通讯类黑名单，都需要进行实际测试之后在确定使用。建议至少测试1000条数据，如果命中了超过60%可以考虑，如果命中率小于10%建议拍脑袋做决定，或者投骰子看运气。

     5、重点说一下关于现金贷类信用中小额度的几个黑名单重要数据。

        A：个人多头借贷，特别是发生多头借贷后被染黑的数据，例如：偷税漏税（写文章的时候网传冯裤子被罚款20亿。。20亿！！）、网贷预期严重、信用卡严重不良、消费金融公司黑名单库等信息。

        B：PDL用得最多的例如借贷宝借贷信息、米房、无忧等借条平台的借贷信息，这些信息大多数被PDL类型公司所使用。

        C:催收类的一些黑名单数据等。

        D: P2P或者网贷平台多次拒绝的一些数据。

        E:贷款黑中介啦、黑中介包装啦，职场黑名单啦。等等等一些数据，都和大数据有关。这里就不一一解释了。

（二）关于反欺诈策略

       反欺诈这个话题比较大，能力有限仅谈一下实际工作中遇到的东西。这里主要谈一下中小微贷款的申请反欺诈，不谈交易类反欺诈等。我个人认为只要涉及到与“待确认条件不符的”都是反欺诈里的内容。常见的反欺诈手段有这么几种。

      1、申请人年龄、学历与当期情况不符合准入条件。GPS信息属于禁止范围之内。

      2、人脸识别中识别率过低，身份证与申请人不符合某一阀值。

      3、通话详单欺诈与疑似欺诈。例如手机实名不符、通话费用过少、某段时间内通话累计时长过少、通话详单中姓名认证不符合、通讯录呼入呼出交叉对比不符合条件、通讯录中含有敏感词关键字、通讯录数据数量过少等

      4、多头借贷。银行类机构或非银类机构借款数量过多、逾期过长、未还款次数过多。

      5、人行征信。人行白户或者信用卡逾期严重。

      6、机构拒绝。银行类或非银类非准入条件被拒次数过多，某时间段内申请过多。

      7、设备拒绝。涉嫌诈骗类设备、虚拟设备、虚拟交易过多、以及延伸出来的，设备申请、逾期、拒绝等过多。

      8、欺诈团队的设备虚拟与团伙诈骗的集中性。但是对于高明的欺诈团队我个人无能为力。

        9、其他的还有一些，比如IP验证服务或者反欺诈或者GPS信息反欺诈。

        10、三网数据的一些反欺诈以及三网涉不良信息等。

        11、比如申请用户的手机号、身份证在多平台申请或者发生逾期。通讯录TOPX、常用联系人也是如此。在延伸一下1、2、3度人脉的相关联反欺诈（用知识图谱做的三度人脉反欺诈效果还是不错的。有能力的朋友们可以尝试一下）。

    现在很多产品都愿意获取社保数据，因为社保数据相对来说不太容易造假（听业内好朋友反馈的信息，笔者未曾亲自验证过。）对于某些场景下的，例如司机验证，货车验证、商户验证的信息，笔者没有使用过也无法给出明确的答案。

因反欺诈内容比较多。对于纯线上的交易，结合各种数据可以识别大部分。对于线下交易以及重要资产的重点都已银行类征信数据为准。这里就不一一举例了。实在是能力有限不敢造次。说明一下，很多反欺诈及疑似欺诈的阀值调整是很有技术含量的，如果没有一些经验瞎设置是非常令人佩服勇气的一件事情。

还有一件事情，对于欺诈团队，如果在P2P欺诈了，那么3C欺诈类、医疗美容欺诈依然有效。毕竟欺诈团队也是打一枪换一炮的。只要有留痕了，总会被发现的。从接三方数据角度来说，重点分为：通讯类、设备类、X要素类。如果有条件多接几家不是坏事。哪怕一万个里面能防住一个也算是减少损失了。

另外：黑名单不同于欺诈。黑名单有些数据是不可共用的，但是欺诈的数据相对通用性比较大，个人建议采用。

还想到一点，对于爬虫数据的真实性验证，需要自家自行判断。目前很多数据都可爬取。但是爬取的来源真实性需要核实。毕竟造假一封邮件，一条短信，一个网页和一堆电话薄成本很低。。

总之吧，反欺诈任重而道远，取各家之所长才能为产品更好的服务。反欺诈体系里面的专业内容及方法论，宜信做的还是不错的。不管是从流程还是数据层面，但是他也有自己的短板。BATJ中的J还些许了解了一些。对了，B有反欺诈吗？我都不知道T的反欺诈讲的是啥。J的反欺诈，至少用户的购买地址多半都是真实的。毕竟反欺诈大数据BATJ还是存在非常好的基础的，相信未来他们会做的更好。    

     反欺诈和黑名单数据应用比较好的还有很多不错的公司，有机会给大家介绍一下常用到的几家数据。这里就不详细赘述了。

（三）关于授信额度策略

      当前授信的话题主要讨论以小微额度为主。根据对市面的一些产品额度的了解，有不少产品的额度都是产品经理或者老板等一把手拍拍做的决定（拍脑袋做决定，或者拍胸脯做的决定），对于冷启动的产品额度或者小微信用类，我个人推荐直接使用类似产品的额度，然后给出一个可接受的区间即可。

       例如：拍脑袋做决定，采用“芝麻信用分”500分以上为准入，最低贷款1500，最大贷款额度15000为例，可以做拍脑袋的算法如下：

 Y=K*X+D ,  Ymax=15000 ；Ymin=1500得出 K=38.57， D=-17785 ，如果你觉得还太简单，那么可以选择 Y=K*In(X)+D 或者更NB的算法计算即可。

示意图如下图所示

       如果认为这种拍脑袋做决定的事情太low 了，不想用“初中生的数学”来设置额度，那么我建议采用风险定价的方式来确定额度。

       下一篇文章用一个拍脑袋的方法来凑合的讲一下如何风险定价。敬请期待。。

       对了，额度也算是风控政策的一种哈。

笔者自序：   

     笔者目前担任某持牌网络小贷公司CRO，同时也担任多家公司的风控顾问。因JAVA程序员出身，半路出家转变成一名产品和风控小学生，文笔比较差劲，请多包涵。

    文中提到的一些某某公司，事实上没有笔者描述的那么差，这些名称只是为了迎合“小说的情节需“要而假定的名称，绝不特指哪一家公司。绝没有映射某家公司的意思，如果被认为映射了某家公司了，那么只能说是”纯属虚构，如有雷同，纯属巧合“。

笔者Email： liupc￥efiner.cn  (￥换成@即可)  欢迎各位批评指正。

笔·者·微·信

 有任何问题可后台联系美女小编。