金融機構網貸一體化風控體系課綱 ——產品設計、數字風控與不良催收

課程背景：

【銀行管理層痛點】

特別是城商行、農商行、農信社及村鎮銀行等地方性中小銀行，其數字化能力普遍明顯低于銀行平均水平。因此，中小銀行必須及時轉型數字金融，數字化風控體系建設是重中之重。

【銀行執行層痛點】

缺乏有效的線上風控工具，導致業務萎縮，風險上升……

獲客能力、風控能力以及運營能力，均存在較大局限性……

中小銀行與大型銀行之間的風控差距越來越大…

課程收益：

核心收益01：掌握中小銀行數字化轉型發展現狀與趨勢

核心收益02：熟悉大數據風控體系建設思路與實施方法

核心收益03：明確本行定位及轉型數字金融的工作思路

核心收益04：了解國外商業銀行數字化轉型經驗借鑒

核心收益05：洞悉中小銀行數字化轉型痛點及解決辦法

核心收益06：學習信用評分模型建立與應用

核心收益07：學習SCORECARD建模方法論

核心收益08：學習當今最前沿的大數據風控技術

核心收益09：深入研究數字化風控策略與實踐

核心收益10：學習互聯網金融反欺詐策略解析

核心收益11：學習評分卡六大開發步驟

核心收益12：中小銀行數字化轉型落地五大方案、四大系統、一大平臺

第一模塊  網貸平臺現狀與未來發展趨勢

第一節：清退潮下的P2P網貸平臺現狀

一、國內網貸行業現狀

1、正常運營平臺數量持續下降

2、網貸行業成交量大幅度下降

3、網貸存量規模開始加速下降

4、行業綜合收益率明顯下降

5、平均借款期限窄幅波動

6、出借人、借款人數量同樣出現加速下滑

二、國內網貸平臺退出與轉型

1、2019年以來行業月均退出約60家平臺，相比2018年減半

2、2019年至少有143家平臺完成良性清退

3、平臺轉型主要方向為資產端業務，占比高達32.73%

4、多家平臺助貸數據表明機構資金占比大增

5、轉型理財超市成為部分平臺轉型的另一條出路

三、行業前路展望

1、中小平臺被引導退出，部分大平臺加速轉型

（1）轉型小貸。

（2）轉型網絡小貸。

（3）轉型消費金融。

2、網貸平臺或仍將有整合案例發生

3、不少平臺將完成征信接入

第二節、從日本消金行業興衰看國內網貸發展

一、日本消費金融發展歷史

二、最大消金公司“武富士破產”

三、日本消費金融公司的地位

四、日本消費金融成敗借鑒

第二模塊  網貸一體化數字風控體系搭建

第一節：與傳統風控思維迥異的數字化風控

一、傳統金融機構風控體系

1、北銀消費風控體系

2、海爾消金風控體系

二、線上網貸風控體系

1、一家專注線上業務消金公司的風控

2、一家非持牌機構的線上風控

三、風控理念的顛覆性差異

1、業務模式差異

2、客戶群體差異

3、盈利模式差異

四、信用風險管理要點

1、覆蓋全系列產品的系統平臺

2、客戶全生命周期管理

3、運用3000+鮮活征信大數據

第二節、網貸風控的命門——互聯網金融反欺詐 

一、全面防范欺詐風險

1、搭建全流程反欺詐管理制度

2、數據監控和欺詐分析相結合

3、欺詐流程和欺詐模型相結合

4、大數據與風控系統現結合

二、什么樣的數據可以應用到反欺詐

1、按照數據來源區分

2、按照數據類型區分

3、按照數據使用場景

4、注意事項

三、反欺詐模型和信用模型區別

1、目標變量

2、模型特征

3、實時性

4、技術實施

四、反欺詐之手機設備指紋實施

1、設備識別

——IP 地址、cookie以及移動互聯網特有的設備ID

——設備指紋（設備ID）

2、被動式設備指紋

3、主動式設備指紋

4、常見五類欺詐形式（略）

五、如何構建全流程反欺詐風控系統

1、數據接入、決策引擎、管理系統相結合

2、數據分析和反欺詐模型相結合 

六、反欺詐工作落地實施方案

1、準備工作

2、部署要點

3、實施步驟

七、反欺詐方案調整解析

1、業務運營監控

2、策略模型監控

3、異常情況監控

第三節：信用評分模型建立與應用 

一、 背景

1、二戰后，消費信貸產業在歐美蓬勃發展

2、數據庫技術、數理統計技術和計算機技術的發展

3、歐美社會征信體系的形成和健全

二、三個歷史階段

1、以客戶分類為核心的信用分析

2、以預測模型為核心的信用評分模型

3、以決策模型為核心的信用評分模型

三、模型分類

1、按模型預測的未來表現

2、按模型的數據來源

3、按模型的實證化

4、按模型的對象

四、SCORECARD建模方法論

—— S = SAMPLING 數據選取與抽樣

—— C = CLEANSING 數據檢測、數據清洗、數據鏈接與合并

—— O = OPTIMIZATION 數據優化處理過程，包括客戶分群(SEGMENTATION）、變量分析與加工、粗分組等

—— R = REGRESSION 利用統計學回歸技術構建模型

—— E = EQUALIZATION 將模型轉化為評分卡形式

—— C = ConFIRMATION   評分卡評估與確認

—— A = ADMINISTRATION 評分卡實施上線與管理，包括指定管理人，記錄評分卡使用情況等

—— R = REVIEW 評分卡跟蹤驗證

—— D = documentATION 整理記錄，完成項目技術文檔

第四節：大數據風控技術

一、生物特征識別

二、加速度傳感。 

三、機器學習與模型訓練

四、大數據應用場景

第五節、數字化風控策略

一、失信、黑名單策略

1、常見的38種黑名單策略

2、多級關聯后得到的黑名單策略

二、聯系人風控策略

1、聯系人策略比較不那么容易，相對數據比較小。

2、15類場景聯系人策略

三、其他常用風控策略

1、異常貸款策略；

2、惡意貸款策略；

……  ……

第六節：評分卡六大開發步驟

一、量化評分卡定義（A卡B卡C卡）

二、量化評分卡與專家評分卡

三、區別量化評分卡流程開發步驟

四、淺談驗證評分卡指標

五、評分卡衡量指標-ks值

六、專家評分卡流程開發步驟

第三模塊  網貸不良催收策略與催收實踐

第一節、網貸催收管理方法論

一、催收管理的核心競爭優勢

二、確定金融機構的風險偏好

三、數據分析的策略藝術

四、自動化催收工具提高生產力

五、平衡催收策略對信貸規模及成本收益率的影響

第二節、催收管理的生命周期

一、國際最佳實踐中，催收各階段原則與策略

二、催收管理時間軸

三、策略性催收的核心關注要點

四、催收的基本原則

第三節、催收管理的體系架構

一、將催收被設計成一個綜合管理處置體系

二、催收及回款的組織架構

三、催收的流程、策略及差異化管理

第四節、催收管理的策略實踐

一、模型開發方法論——基于決策樹模型的策略開發

二、策略設計方法論——結合數據驅動與評分卡

三、滾動率模型與冠軍挑戰者策略

四、智能催收機器人在催收中的應用

第五節、網貸不良資產處置的其他方式

一、自主核銷實踐與探索

二、持牌AMC的天然優勢