借鑒全球先進(jìn)國家的經(jīng)驗(yàn)，目前全球汽車金融滲透率平均約達(dá)50%以上，在英國、美國等先進(jìn)國家，滲透率更高達(dá)90%。反觀國內(nèi)，中國雖然連續(xù)8年位居全球汽車銷售市場最高位，但2016年的汽車金融滲透率僅38%，與英美等先進(jìn)國家相比，我國汽車金融市場仍有很大的發(fā)展空間。

龐大的潛在市場吸引許多合資車廠紛紛引進(jìn)旗下汽車金融公司，國內(nèi)自主品牌車廠也已成立或籌建自己的汽車金融公司，至2016年，我國汽車金融公司已增加至25家，資產(chǎn)規(guī)模突破4千億。另一方面，互聯(lián)網(wǎng)金融公司也以其靈活的數(shù)據(jù)應(yīng)用提供更為便利的貸款產(chǎn)品來吸引消費(fèi)者，企圖一同搶占汽車金融的市場大餅，這些都顯現(xiàn)了我國汽車金融市場融資渠道的逐漸多元化，且發(fā)展方向也逐漸轉(zhuǎn)型為以消費(fèi)者需求為導(dǎo)向——透過大數(shù)據(jù)應(yīng)用簡化以往冗長的貸款流程，借由優(yōu)化消費(fèi)者服務(wù)體驗(yàn)來獲取并留住更多客戶?？梢哉f，大數(shù)據(jù)分析能力已成為企業(yè)的核心競爭力。

更“快”的客戶體驗(yàn)要求

買車對(duì)很多人來說都是人生一件意義重大的事情。如何順利地選擇一輛愛車是需要花費(fèi)很多精力去準(zhǔn)備和策劃的事情，制定預(yù)算、選車、試駕、貸款，提車，整個(gè)購車過程中的用戶體驗(yàn)對(duì)客戶的最終決策都至關(guān)重要。

以前聽朋友說起過這樣的例子：一位年輕的客戶走進(jìn)4S店，希望能夠挑選自己人生的第一輛車?？催^幾輛之后，他提出希望能夠了解一下自己能夠貸款的額度以及期數(shù)、利率條件，來決定最終購買哪一輛。4S店根據(jù)以往審批流程的經(jīng)驗(yàn)，表示提交申請(qǐng)后需要3-5天的時(shí)間等待最終審批結(jié)果。結(jié)果年輕客戶轉(zhuǎn)身走出4S店，通過購車平臺(tái)選購了自己心儀的愛車，并通過在線消費(fèi)金融服務(wù)成功辦理了貸款。

新一代的年輕客戶生長在信息時(shí)代，早已習(xí)慣了高效率快節(jié)奏的服務(wù)，他們對(duì)于“快”的訴求超越了以往任何一個(gè)時(shí)代。對(duì)于汽車消費(fèi)貸款提供商而言，審批流程的時(shí)效影響的已經(jīng)不僅僅是自身經(jīng)營效率和成本，更直接關(guān)系到客戶貸款過程中的用戶體驗(yàn)，乃至于最終影響成交的數(shù)量和成功率。特別是在當(dāng)前金融科技高速發(fā)展的格局下，大批新興的網(wǎng)貸平臺(tái)、消金公司早就已經(jīng)摩拳擦掌，打著“當(dāng)日放款”、“秒貸”的旗號(hào)，對(duì)傳統(tǒng)金融市場虎視眈眈。就如同上面的例子中，當(dāng)你還在慢慢地走審批流程、核定風(fēng)險(xiǎn)、計(jì)算可貸額度的時(shí)候，客戶可能早已經(jīng)轉(zhuǎn)身投入他家的懷抱。

所以，在當(dāng)前的環(huán)境下，汽車金融服務(wù)提供商也需要迎合客戶的訴求，進(jìn)一步優(yōu)化自身的申請(qǐng)審批流程，減少人工環(huán)節(jié)，提升審批決策的效率，實(shí)現(xiàn)高效的自動(dòng)化申請(qǐng)審批決策。但如何在提升效率的同時(shí)仍能有效管理進(jìn)件風(fēng)險(xiǎn)，這也是對(duì)各入場玩家在數(shù)據(jù)分析、經(jīng)營管理乃至流程設(shè)計(jì)能力上的一大挑戰(zhàn)了。

運(yùn)用共同借款人加強(qiáng)風(fēng)險(xiǎn)管理

如前文所說，買車往往是人生一件意義重大的事情，更可能是一個(gè)家庭除了買房以外的第二大開銷。然而夫妻之間若有一人具有信用不良記錄，就很可能會(huì)選擇信用狀況較好的一方申請(qǐng)車貸，借以掩飾信用瑕疵。因此，在實(shí)務(wù)上，許多金融業(yè)者都會(huì)要求客戶在申請(qǐng)車貸時(shí)必須提供配偶或是直系親屬的姓名作為共同借款人，一同承擔(dān)還款責(zé)任，以同一套風(fēng)險(xiǎn)評(píng)估標(biāo)準(zhǔn)共同評(píng)估車貸借款人及共借人之信用風(fēng)險(xiǎn)，完整描繪出信用主體的真實(shí)信用狀況。

同樣的概念亦可應(yīng)用至風(fēng)險(xiǎn)評(píng)估模型內(nèi)，將共借人信息也導(dǎo)入信用風(fēng)險(xiǎn)評(píng)估模型中，以借款人與共借人兩者的風(fēng)險(xiǎn)評(píng)分建立更細(xì)化的風(fēng)險(xiǎn)等級(jí)判斷標(biāo)準(zhǔn)，并以此風(fēng)險(xiǎn)等級(jí)為基礎(chǔ)來設(shè)計(jì)額度策略，例如對(duì)于有共借人且風(fēng)險(xiǎn)等級(jí)良好之客群，可以調(diào)降車貸首付比例，讓自動(dòng)化的審批流程也不再只是單方面考量借款人自身信用狀況，亦考量共同借款人的信用記錄。這樣一來，不僅能夠更完整地呈現(xiàn)貸款主體的信用風(fēng)險(xiǎn)，也會(huì)讓貸款額度更符合實(shí)際信用情況。

不良率太低導(dǎo)致壞客戶樣本不夠支持模型開發(fā)

曾與國內(nèi)多家汽車金融公司以及融資租賃公司的風(fēng)險(xiǎn)負(fù)責(zé)人探討風(fēng)控心得，發(fā)現(xiàn)當(dāng)下汽車金融服務(wù)提供商在構(gòu)建風(fēng)險(xiǎn)模型時(shí)，最常遇到的一個(gè)問題即是壞客戶樣本太少。畢竟買車往往屬于生活的必需品，資金用途非常明確，車輛價(jià)格也十分透明，不容易發(fā)生資金挪用及超額貸款風(fēng)險(xiǎn)，加上又有車輛抵押作為債權(quán)的保護(hù)，客戶的違約成本高，自然提升了還款意愿，也造就了新車貸款不良率低的情況。根據(jù)中國銀行業(yè)協(xié)會(huì)的數(shù)據(jù)統(tǒng)計(jì)，2016年國內(nèi)汽車消費(fèi)貸款不良率僅0.37%。

從風(fēng)險(xiǎn)管理的角度來看，低不良率是績效的表現(xiàn)，是獲利的保證，是每個(gè)從事風(fēng)險(xiǎn)管理的人最渴望看到的成果，但對(duì)于數(shù)據(jù)分析的人來說，這就未必是一件好事了。一個(gè)好的模型，是著眼于過去而預(yù)測未來，從過去的失敗中學(xué)習(xí)經(jīng)驗(yàn)，才能確保在未來提前規(guī)避風(fēng)險(xiǎn)。模型開發(fā)時(shí)，必須要有足夠的壞樣本支持，才能確保模型對(duì)于好壞客戶的區(qū)分能力。低不良率無疑大大提高了模型開發(fā)的難度。

為了在壞樣本不足的情況下依然保持模型開發(fā)的時(shí)效及品質(zhì)，筆者認(rèn)為：可以一方面建立多種不同程度的不良客戶定義，再借由滾動(dòng)率分析來選取較為嚴(yán)謹(jǐn)且樣本數(shù)量相對(duì)充足的不良客戶定義，確保樣本數(shù)量足夠支持模型開發(fā)；另一方面還可以借鑒業(yè)內(nèi)行業(yè)經(jīng)驗(yàn)，找出高風(fēng)險(xiǎn)用戶的某些共性特征，結(jié)合數(shù)據(jù)分析結(jié)果快速構(gòu)建申請(qǐng)風(fēng)險(xiǎn)模型原型，來作為第一層風(fēng)險(xiǎn)防線，并隨著業(yè)務(wù)開展，根據(jù)反饋來不斷地迭代、優(yōu)化和調(diào)整自身模型及策略，做到對(duì)風(fēng)險(xiǎn)及時(shí)動(dòng)態(tài)的管理。

信用白戶的風(fēng)險(xiǎn)辨識(shí)

據(jù)統(tǒng)計(jì)數(shù)據(jù)表明，中國汽車消費(fèi)者中30歲以下的人群占比正在逐年上升，年輕族群已經(jīng)逐漸成為汽車市場的主流消費(fèi)者?；诖税l(fā)展趨勢，許多品牌車廠陸續(xù)推出符合年輕人需求的車款，也積極地針對(duì)年輕族群打出許多營銷方案。另一方面，二手車市場的快速發(fā)展，也讓許多汽車金融業(yè)者放眼于二手車汽車金融市場的龐大商機(jī)?，F(xiàn)在去逛二手車賣場時(shí)，常可看到汽車金融的服務(wù)人員提供二手車分期貸款產(chǎn)品，幫助消費(fèi)者降低購車門檻。然而，二手車客戶其實(shí)有較大的機(jī)率屬于人行信用白戶，面對(duì)這些缺乏信用記錄的年輕客群以及二手車客群，套用現(xiàn)有的評(píng)分模型是否能有效區(qū)分信用風(fēng)險(xiǎn)，亦成為我們模型開發(fā)者關(guān)注的焦點(diǎn)。

以往信用風(fēng)險(xiǎn)模型皆以人行征信變量占大多數(shù)，當(dāng)面對(duì)幾無信用記錄的客群時(shí)，信用評(píng)分幾乎都是落于中間水平，難以有效辨識(shí)風(fēng)險(xiǎn)。面對(duì)這樣的困境，我們建議的做法是采集更多樣化的數(shù)據(jù)投入模型開發(fā)，例如在模型中投入電信運(yùn)營商數(shù)據(jù)、航空及鐵路數(shù)據(jù)、第三方支付數(shù)據(jù)等，擴(kuò)大模型中變量的維度，降低人行征信變量的比重，借此提升模型對(duì)于無人行信用記錄客群的風(fēng)險(xiǎn)辨識(shí)度。

另一方面，針對(duì)無人行征信記錄的客群，我們可以再從中細(xì)分出具有互聯(lián)網(wǎng)金融借款記錄的客群，針對(duì)這些客群采用互聯(lián)網(wǎng)金融平臺(tái)的信用評(píng)分、欺詐記錄、平臺(tái)查詢記錄、歷史信用記錄等數(shù)據(jù)建立評(píng)分模型。對(duì)于無人行征信記錄也無互聯(lián)網(wǎng)金融借款之客群，再利用第三方數(shù)據(jù)開發(fā)通用評(píng)分模型，透過更縝密的客戶細(xì)分規(guī)則，并針對(duì)不同性質(zhì)之客群套用與之匹配的評(píng)分模型，來提升評(píng)分系統(tǒng)對(duì)于整體客群的覆蓋率。