1.3 企业信贷风控架构

风险的管控并非由一个模型或一条策略就能完成，通常需要多方人员配合，通过多环节把控，才能有效控制风险并最大化收益。常见的准入模型、额度管理模型、营销模型、流失预警模型、催收模型等，仅仅作为相应板块的风险管控手段，嵌入在该板块的策略系统中使用。例如，流失预警模型分数处于不同阈值之间时，会使用不同的营销手段对用户进行挽留。又如，催收评分卡模型分数处于不同阈值之间时，会使用不同的催收手段，如简单的到期短信提醒或通过人工拨打电话来进一步提醒。

现阶段企业的信贷风控架构如图1-1所示。

图1-1 信贷风控架构

互联网金融的申请过程，通常由用户从移动端（如手机App、网页等）发起，首次贷款用户会经历申请、四要素验证、授信与额度利率定价、多层审批、用户提款等多个环节。不符合申请资质要求的用户，在其中的多个环节都有可能被拒绝。而对于还款后再次贷款的复贷客户，平台通常会给予更好的信用评估结果，并根据历史还款表现对其进行额度管理。

用户四要素包括身份证号、姓名、手机号、银行卡号。平台设置四要素验证，根据申请用户填写的信息，同时联系相关机构校验用户是否为信息所有人。平台根据信用评分可以有效估计申请人的信用，并据此使用差异化定价手段为用户授信不同的额度。通常，用户的信用评估结果越好，平台授予用户的可贷款额度就越高，且贷款利率越低。为降低用户信用风险为平台带来的损失，通常平台会给予信用评分较低的用户更低的额度，且在监管与法律规定内，使用相对较高的贷款利率来弥补风险损失。

首次贷款用户需要依次通过反欺诈引擎、信用评估引擎、人工审核的审批。信用评估引擎主要包括政策规则筛选、信用规则筛选、申请评分卡评分等步骤。政策规则包含用户年龄、身份是否满足法定贷款要求；信用规则通常由风险分析方法得到相应的策略规则；申请评分卡是用户授信的主要依据，建模人员根据用户的征信数据以及统计模型，对用户未来的还款情况进行预估。在部分书籍中，申请评分卡属于信用规则的子集，因为信用评分最终是用于构成部分策略的组件，并与其余策略共同部署在决策引擎之上。本书为突出不同评分卡模型在贷款流程中的使用节点，将其独立于规则引擎外进行展示。有关于模型应用的内容将在第8章中介绍。

审批通过的客户中，部分客户由于未提款而导致流失，这部分客户是流失召回系统的主要客群之一。当用户提款成功后，如未在约定时间内还款，即产生逾期，通常会通过催收人员实施相应的处置手段。失联客户通常需要根据关系网络寻找多度联系人，但部分平台由于不具有相关的社交数据，因此会选择使用第三方提供的失联补全服务。逾期时间较长或拒绝还款的用户将被列入黑名单，无法再次借款。催收评分卡通过预测用户的催收处置难度，将用户划分为平台催收和外部第三方催收。通常，平台自有催收系统的催回率较高，而第三方催收的催回率较低，且需要支付相应的服务费。

首次还款周期结束且未列入黑名单的客户，平台允许其再次贷款。由于用户历史还款行为较好，因此该类客户属于优质客户。如果用户未再次贷款，则属于优质客户流失。因此，在流失召回的过程中，需要对此类客户加以关注。当用户再次申请贷款时，通常使用信用评分卡对用户进行额度管理。如果历史表现较好，即使申请评分卡得分较低导致其额度较低，仍会通过行为评分卡进行升额调控，反之亦然。

外部征信数据是申请评分卡中用户的主要数据。由于复贷客户具有历史平台表现，因此行为评分卡通常不会再次查询客户的外部数据，而是只使用历史平台表现作为主要数据开发模型，以节约成本。而催收评分卡同样不会再次查询客户的外部征信数据，而是主要使用历史贷款过程中，催收人员记录的用户表现作为主要数据。