众安保险金融风控中心负责人沈超然：智能风控助力普惠金融严守命门

　　12月19日，2019“众安开放日”在上海举行。本次开放日上，众安保险金融风控中心负责人 沈超然发表了《智能风控助力普惠金融严守命门》的主题演讲。以下为演讲实录：

　　尊敬的各位来宾，大家下午好！今天我分享的主题是智能风控助力普惠金融严守命门。

　　说起风险管理，大家都知道好的风险管理一定不是风险控制，而是风险经营。从左边的图大家可以看到，我国过去这么多年消费金融一直呈现快速发展的趋势，从一个指标——互联网消费信贷的渗透率来看，2013年大概只有1%，如今已接近20%，并且从趋势来看，未来两年将继续保持增长。

　　如此快的增长来自于三个动力：一是大家耳熟能详的消费升级，随着人均GDP的增长，消费居民可支配收入增长，消费者对生活品质不断增加。二是消费行为，如今80、90后已成为消费主力，消费意愿比较强，并且更加有意愿选择负债消费。三是消费经济，在经济的“三驾马车”——投资、出口和消费中，未来消费需要承担的权重是越来越大的。

　　目前中央不断出台相关政策来扩内需，发展开放型经济，实施普惠金融等一系列国家战略，预计未来消费对经济发展的影响越来越大。

　　我们看到消费金融市场具备很大的发展机遇，但是广泛的长尾借贷需求仍然没有被很好地满足，这里有三个方面的成因：首先是数据，消费金融依托于场景，有着可获得性强、放款快等特点，但是也对客户信用管理提出了更高的要求，而很多无抵押小额分散市场的征信白户、传统金融机构受制于征信数据的问题，难以对其进行非常好的信用评估，因此出于控制风险的考虑，往往会拒绝其信贷需求。

　　其次是科技，科技实力不足，用户线上金融服务整体的体验、效率和便捷性有待提高，尽管在过去这么多年互金的发展上，科技的能力已经显著比过去有更大提升了。

　　第三是风控，线上场景金融服务的策略迭代要求是非常高的，而传统金融相对在这方面会显得不足，如何在线精准快速地决策和调整我们的决策，这里面存在一个很大的瓶颈。

　　正是基于这样的市场认知，我们发现消费金融市场的发展及时构建了信用保证保险业务发展的基础。众安提出的信保+科技的双引擎，致力于助力普惠金融的发展。首先是信保，信用保证保险是以信用风险为标的的保险，通过信用保证保险的保险属性来实现风险的转移和分散。其次是科技，大数据、云计算、人工智能等科技的发展帮助保险公司自身建立了多维大数据，并且在此基础上建立了智能的风险管理体系，实现客户分层风险经营模型的快速迭代。

　　下面，我们来看一下信用保证保险全流程风险管理，其实和银行的贷前、贷中、贷后类似，我们分成保前、保中与保后。保前包括通过实时的反欺诈技术，应用多维度场景大数据来评估客户的信用风险。保中包括风险预警和监测，以及动态客户额度管理。在保后环节，我们引入智能硬件、软件设备，同时对高危人群进行准确识别，及时调整策略。而这个流程中，不论哪一个环节，其实都离不开非常精准的KYC，在标准的信贷管理方法论中有一个6C原则，它不仅仅是针对于消费信贷的个人，也会包括小微及企业，这里我们依次简要说一下。

　　一是品德(character)，主要是指借贷历史、还款记录，在实际应用上主要指的是Credit bureau（征信局评分）。

　　二是capacity（能力），它是指基于客户还款能力的负债能力，如果落在实践中，应该就是指收入负债比。

　　三是context，也有叫condition，也就是场景，是指场景和贷款的用途，因为同样一个人，出现在不同地方，可能的表现是完全不一样的，这是微观的个人，同时，这个词也会指经济周期的影响。

　　下面几个可能更多的是偏向于小微的，一个是capital，也就是借款人可控的资产;以及由这个资产所形成的抵押物(collateral)，最后一个更偏向于企业经营，也就是现金流(cash flow)情况。

　　这是非常标准的方法论，接下来我想重点为大家阐述一下众安在过去两年的实践中所提炼出来的一套体系制度，我们把它称为“三体双生命周期风险管理体系”。这里分成两大部分，左边是KYC与决策体系，它有三个元素支撑，分别是X、Y和Z，

　　- X是数据特征工程体系。首先从每一个合作的场景，到客户进入金融场景使用金融产品与服务的全流程中的每一个节点，基于科技的支撑和客户的有效授权，所获取的客户各类行为信息。这是风控的基础。同时如何基于如此多的原始数据提炼出有效的特征变量，进而成为特征工程体系，我们实践了很久，在这里也沉淀了一套有效的方法论。

　　- Y是监控分析自动归因系统。两个要点：首先是Y。这里做风险管理的同学都知道Y指客户的好坏。我们这里的Y不局限于简单的客户的好坏，对于“坏”，有着更加细分的定义，比如偏恶意的还是真的有还款意愿但没有能力，没有能力是我们上来就判断错了，还是工作不稳定等等。同时除了好坏，我们的Y还包括客户在使用产品与服务的过程中每个节点的响应情况，比如对不同的产品、定价、活动等等。风险管理对客户的判断一定不是简单好坏区分，而是要深入整个业务的经营来做分析和决策。第二个要点是自动归因。过去我们做分析，需要大量的分析人员，在这里我们很大程度上实现了系统化智能化，Y的变化对应于哪一个或者哪一组X的变化自动给出基础的分析与判断。

　　- Z是在线精准策略引擎。如果说X和Y是理论上的，分析上的，Z就是实战上的维度。而说起决策引擎，大家都在用已经不是新事物了。但我们这里提炼出这个维度，是从工程管理的角度，不仅仅是实现策略的部署；而是实现了智能化的策略迭代与管理。在此可以举一个例子，曾经一个场景我们遭遇到攻击，在半个小时之内，我们的Z体系识别出该渠道目前处于异常攻击中，我们的策略版本自动迭代到更加审慎的防守性的版本。

　　左边部分是KYC与决策体系，右边部分我们把它提炼为双生命周期，中间几个圆形所构成的其实是标准的Credit cycle管理体系，从产品规划到客户引入，到账户管理，到资产回收与清收，中间是基于KYC体系的大数据风险管理体系。

　　在Credit cycle体系之外，其实我们还引入了另外一个体系，就是外部宏观经济周期体系，在此需要说明的是，其实这两个周期进行交叉，在每一个业务管理的环节上，和XYC的实践上，就会衍生出很多不一样的地方，比如在经济环境好的时候，我们的产品规划、客户引入策略和账户管理策略都会跟经济不好的时候应该有很大不一样，我们如何来实践？如何在不同的环境下找到最优组合？这个体系就是众安目前搭建起来的三体双生命周期风险管理体系。

　　最后，由于我们提炼出了外部宏观经济周期体系，在此我也想讲一个案例，也就是美国次贷危机下信用卡坏账率的案例，可能很多朋友看到过，我先简单讲一下这个图。图上红颜色的线是信用卡坏帐率，Charge-Off Rates，表示信用卡180天以上的资产除以一段时间之内，比如一年的平均资产余额。下面的黄颜色线是延滞率，上面的蓝颜色线是失业率，大家可以看到，次贷危机之前，美国信用卡行业整体坏账率不到4%的水平，从2007年Q2开始，风险早期指标也就是Delinquency Rates（延滞率）开始一路上扬，2009年到2010年期间，也就是经历了三年之后，Charge-Off Rates坏账率维持在高位，最高达到10.5%的水平，这个数字已经是次贷危机之前的2.6倍。之后一直到2012年，也就是次贷危机显现后的第六年，整个行业的坏账水平才恢复到危机之前的水平。

　　这个表是行业整体情况，而美国的银行和独立的信用卡公司有大几十家，在环境好的时候，大家的风险表现差异不会特别巨大，但是在次贷危机期间，部分公司的坏账率则会达到15-20%之间，对于这样的数字，如果没有股东的支持，基本处于非常艰难甚至倒闭的情境。

　　我们在此介绍这个案例，是想说中国的消费金融发展这么多年来，一直得益于宏观经济的良好发展，虽然曾经有过局部地区、局部客户风险上升，但是整体还没有经历过大经济周期的洗礼。而从风险管理，未雨绸缪的角度，我们认为这是行业发展需要面对的一个课题，而这个课题对于信用保证保险如何帮助行业发展普惠金融，承担风险，对我们也提出了更高的要求，我们必须为此做好准备，这也是我们在三体双生命周期模型里特别提炼出经济周期的原因，我们在此已经在做很多分析和实践。

　　以上就是今天的分享内容。最后也想再多说两句，我们目前在夯实内功，打造三体双生命周期风险管理体系的同时，也在与一些合作伙伴积极的在风险管理方面进行深入探讨与合作，欢迎未来更多伙伴能与我们交流探讨。谢谢大家！