个人信用贷款大数据风控
本文解析银行大数据风控系统对个人信用贷款的审批逻辑，并梳理了征信查询次数与收入负债比之间的耦合关系如何在实际审批中形成一道看不见的“隐形门槛”。
楠哥在襄阳做银行贷款这些年，碰到的客户里十个有八个是拿着征信报告来问“我明明没逾期，为什么银行不批”。上个月襄城老城区一个客户，公积金缴存基数7600块，社保连续缴了六年，征信上没有任何逾期记录，但是近两个月有五次贷款审批查询记录，银行系统直接给出“非目标客群”的判定，连人工复议通道都没进。这套大数据风控系统，通过采集客户征信报告上的查询次数、负债余额、月供与收入比三个核心维度，再叠加社保公积金的缴纳稳定性，构建了一个“信用评分卡模型”，对申请人的还款意愿和还款能力进行双重校验。同时通过建立“多头借贷匹配机制”，将征信上出现的所有机构查询记录按照“贷款审批”“信用卡审批”“保前审查”进行分类统计，对近三个月内贷款审批查询超过6次的客群进行自动拦截，实现对多头借贷风险的前置覆盖。楠哥在枣阳和樊城跑业务时，好多信贷员都说过，系统判定逻辑比人工死板得多，它不看你实际用没用那笔钱，只看你有没有去点过那个申请按钮。
这套风控系统另一个核心机制是对“共债风险”的穿透式识别。很多客户觉得自己在手机银行上只是“测个额度”没点借款，但系统在征信报告上捕捉到的是一笔完整的“贷款审批”记录，次数多了就直接进入人工干预概率低于五成的低分池。楠哥去年在樊城帮一个个体户办信贷，他光在支付宝和微信上点过七八次“查看额度”，征信报告上硬生生多出来七条“贷后管理”和三条“贷款审批”，系统判定他资金饥渴度高，授信额度从模型测算的18万直接砍到4万，这还是走了线下复议流程才拿到的结果。这背后是银行通过大数据计算“近三个月非银机构查询占比”，当非银查询比例超过40%时，系统默认该客户存在借新还旧的风险倾向，用于降低次级客群的授信敞口。另一方面根据公积金缴存基数与月供的倍数关系，系统设定了“月供/月收入≤50%”和“公积金基数/月供≥1.2倍”的双重红线，对负债率超过临界值的申请自动调整授信上限。楠哥在襄阳当地一个城商行拿到的内部培训材料上写的是，当社保基数低于5000块且近三个月查询次数超过4次，系统自动转人工的概率只有37%。
但这种大数据风控也有它的“撕口子”的办法。楠哥帮襄城那个公积金7600的客户做方案时，利用了一个机制：银行对房贷类客户和工资代发类客户有“人工复议权重加成”。系统首先通过共债风险校验筛选出低分客群，再通过客户经理手动上传的“收入流水解释说明”，将客户在半年前就被清除的四笔小额信贷结清记录作为“负债清零凭证”，由风控专员在后台进行人工复议，调取了客户过去十二个月的银行流水，将流水中的微信转账、支付宝转出记录与对应的消费场景进行匹配，消除了高负债客群被系统自动拦截的影响。最终批了12万，年化利率3.85%，不是“3.5%-4.5%”那种模糊区间，是客户经理拿着利率单子现场算的结果。这套方案针对“征信花但还款能力扎实”的次级客群进行了人工复议适配，通过客户经理对客户“资金周转模式”的定性评估，实现了对大数据系统“一刀切”误杀的补救，达到了将拒贷概率从系统默认的70%压到人工复议后的30%以里的程度。
楠哥在襄阳跑业务久了，发现大数据风控说到底就是在算两笔账：一笔是“借了能不能还”的还款能力账，一笔是“会不会去借别人的钱来还我”的共债风险账。客户做再多的征信准备，查询次数超标这一项就能把所有准备清零。想走通这条路，要么把查询次数压到近三个月不超过5次，要么就得找个懂银行人工复议逻辑的人帮你疏通关节，没别的捷径。
原创文章，作者：楠行，如若转载，请注明出处：https://www.xiangyc.com/p/775
