全球监管 6天前 184 阅读 0 评论

出海现金贷、互金、消金和银行的风控及工作问题

作者头像
人人都是产品经理

AI技术专栏作家 | 发布了 246 篇文章

不同金融业态的风控逻辑各有侧重,从出海现金贷到银行信贷,风险标签的差异背后是业务模式与周期的深层影响。这些差异不仅塑造了风控策略,也左右着从业者的工作选择与行业生态。

先从一个问题谈起,有人问我,海外现金贷的y标签一般怎么定义?

做过出海业务的,当然知道主要就是FPD7。

如果你擅长提问,就会继续问出,为什么是FPD呢?那国内消费贷业务风险标签用什么呢?它们为什么不一样呢?这个不一样又决定了什么呢?

我们就聊聊这个问题。我永远鼓励你先自己想,甚至以此判断自己的风控水平。

海外现金贷、互金、消金、银行风险标签为什么不一样

先说结果,我们再来探讨原因。

海外现金贷:FPD7、FPD15、FPD30……

互金、消金:mob3、mob6、mob12,逾期30+

银行:mob12、mob24、mob36,逾期30+、60+……

风险标签指的是做策略或模型时用到的y标签,上述做法当然不是绝对的,但趋势上肯定是这样。为什么呢?

银行,贷款额度高期限长,关注的是长期信用风险,关心资产质量,所以很关注客户的工作、收入和负债水平,欺诈风险通过反欺诈反洗钱等规则控制;

互金消金,3期到12期为主,关注中短期信用风险,主要用互联网数据、征信数据、多头数据,收入负债重要但没那么重要。反欺诈单独有一套;

出海现金贷,主要是超短期单期贷款,百万本金滚出千万流水,靠复借盈利,现在头部的也在做分期贷款了,主要关注欺诈风险,所以可以靠设备信息、app信息、运营商做风控。

上面的逻辑基本就说明了风险标签差异的原因。你可能还想从vintage、滚动率的角度再分析了解一下。

vintage跟贷款期限是强相关的,更准确地说,是出账次数。假设用户对于每次出账都有一定的逾期概率p(这个假设有多合理一般人理解不了),ever逾期就是一个出账次数n的函数表示:1-(1-p)^n,当n*p足够小时,可以近似为n*p。所以贷款期限越长,风险标签的表现期越长。

而滚动率,一般M2向上升期的概率基本到90%了,如果要选一个拐点,逾期30+是不二之选。至于有些银行,把风险标签的表现期定义得特别长,那逾期天数也可能取更大,去接近不良口径。对海外现金贷,超小额超短期主要防欺诈风险,FPD7回款已经很低了。

其实还可以从中看到更多。银行风控看长期,那贷中肯定做得少,不卷。互金消金看中短期,就必然要高频迭代,授信后很快就进入了贷中管理阶段,正向提额、负向止付,贷中策略模型要跟上,肯定要卷很多。出海风控防欺诈,把A卡做好就够了,难就难在A卡也很难做好,客群不稳定,数据不可靠,也得高频迭代吧。

另外,趋势都会往中间靠拢,银行做增量要下沉,发力做互联网贷款的会越来越多,出海要提高留存,也得做分期。这行业就是一个卷来卷去的过程,原有的数据原有的玩法效果都会边际递减。

风控模型策略的工作机会可以分为三类

上述我们已经探讨了三类平台的业务特点和风控特点了。跳槽的人来问我工作选择的人越来越多了,现在让我们引申到工作上,我们可以将风控模型策略的工作机会分成三类:

一个是中小厂,大部分消金机构应该归在这里,还有一些三方数据公司也在这,出海现金贷几乎都可以归到这。中小厂的重点是做项目,是去完成;

一个是大厂,蚂蚁、微信微众、字节、京东、美团,度小满等,工作就是卷,屎上雕花,因为该做的都做了,人还那么多;

一个就是国企性质的那种,国有大行、股份制银行、大型城商行等,还有朴道、百行这样的征信机构大概也应该算在这里。

这个分类并没有完全等同于前述分类,因为当你考虑工作优劣时,并不真的关心业务特点,你关心的是钱、跳槽潜力和工作稳定性。

前两种,都不算稳定,可能平均工作一两年就要换了,中小厂和大厂工作内容工作体验上会有较大区别。第三种,当然要稳定很多,负面地看,可能是钱少一点,温水煮青蛙容易麻木,这些需要自己调整心态。

我想说的是,在相同的类别里面,工作可能都差不多,好坏不绝对,团队契合度比较重要。不同类别下的工作会有一些区别,主要体现在工作内容、工作氛围和稳定性上。

如果你想跳槽,你一定要搞清楚是团队氛围让你不爽还是工作内容让你不爽,团队让你不爽你应该在同类别里跳槽,工作内容让你不爽你应该跳到不同类别里跳。

找工作也是一样。银行、大厂和中小厂在做人做事上有显著区别,看你想要哪种适合哪种。

切记,一定要认清自己的能力,因为不是每个人都能完美适配上述三类工作岗位。在大厂混得开的人不一定搞得定小厂,反之亦然。展开就又扯远了,可以看这篇:在大平台做风控 vs 在小平台做风控

当下不同平台存在的核心问题是什么

以前有家公司风险管理部开动员会,部门负责人问大家,我们这么有禀赋,但做的还不如某某某,你们说说是为什么呢?

没有人敢回答,被点名也是说一些无关痛痒的话。我当时就在想这个问题,要是点名点到我,我要说点啥呢。我要开始说了哦:

大家把精力都放在了解决细枝末节的问题上,忘了去关注去思考真正重要的东西了。没有人能直接给出解决办法,办法要靠大家去想去试去找到,首先重要的是意识到问题并承认问题。然后试一试:

1. do less. 先阉割一些东西,当下可以不做的无关紧要的别做了。大家慢下来,少加班;

2. do new. 去搞清楚重要的到底是什么,把资源投入在那些事情上,如果没有这种的事情,降本增效又有何不可,人别招了,数据成本少搞一点。

别天天搞竞业,怕人员流失,做一堆有的没的,没用的东西做了还不如不做。」

这是很多大厂的核心问题,就是低效内卷。我很不理解,两种忙碌是不同的,一种是你知道人生有很多事要做,一种是你心里清楚没有用但你瞎忙。你怎么保证心理健康呢?

中小厂的问题是,要做好风控,自己又没有数据优势,工具都是通用的,就做不好。

银行的问题是,很多事情是不做的,回避竞争,因为有低成本优势,这是可以的,这是好事。但我不知道对从业人员是不是好事。

要不你们来说一说,不管你是哪家公司的,你们挺牛的啊,但是为啥做不赢竞对呢,为啥越做越差了呢?

本文由人人都是产品经理作者【雷帅】,微信公众号:【雷帅快与慢】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。

题图来自Unsplash,基于 CC0 协议。

作者头像

AI前线

专注人工智能前沿技术报道,深入解析AI发展趋势与应用场景

246篇文章 1.2M阅读 56.3k粉丝

评论 (128)

用户头像

AI爱好者

2小时前

这个更新太令人期待了!视频分析功能将极大扩展AI的应用场景,特别是在教育和内容创作领域。

用户头像

开发者小明

昨天

有没有人测试过新的API响应速度?我们正在开发一个实时视频分析应用,非常关注性能表现。

作者头像

AI前线 作者

12小时前

我们测试的平均响应时间在300ms左右,比上一代快了很多,适合实时应用场景。

用户头像

科技观察家

3天前

GPT-4的视频处理能力已经接近专业级水平,这可能会对内容审核、视频编辑等行业产生颠覆性影响。期待看到更多创新应用!