1个变量降低至少1倍风险？五步拆解多头借贷

2017年12月下发的《关于规范整顿“现金贷”业务的通知》中3次特别提到要防范多头借贷风险。这是业界进行风控的一项迫切需求。

在这方面，诚安开发使用了多头注册数据，能够很好的降低信用风险，本篇文章分五步详细拆解多头注册，把这个实用有效的方法介绍给你。

从2013年互联网金融懵懂期，2014年白条产品上线，2015、2016年消费金融开始蓬勃发展，到2017年现金贷的崛起，短短的几年之内，针对各类客群的各类金融产品应世而生。而随之而来的多头借贷行为带来了很高的信贷逾期风险，识别多头借贷成为了风控工作的重中之重。

何为多头借贷？

多头借贷，即单个借款人向2家或者2家以上的金融机构提出借贷需求的行为。一般来说，当借贷人出现了多头借贷的情况，说明该借贷人资金需求出现了较大困难，有理由怀疑其还款能力。根据网络公开调研文章，多头借贷用户的信贷逾期风险是普通客户的3-4倍，贷款申请者每多申请一家机构，违约的概率就上升20%。

以我司一客户的现金贷产品为例，客户额度约1,000~3,000，期限为30天，通过率基本维持在15%左右，每天拒绝约2,000人。在2017/11整月的数据中，因为多平台相关原因而拒绝的用户占到总拒绝用户数的50%-70%左右。

有哪些多头借贷数据？

业界使用多头借贷数据的逻辑一般比较简单。现在有多头申请、多头借贷等数据产品，如果查询后某段时间内某类平台（消费金融类，P2P类，小贷类等）申请的次数超过某个阈值直接拒绝，或者直接使用第三方平台对于多头申请的评分。

对比业内常用的多头借贷数据如下表。

方法数据含义优势问题多头申请在不同的时间内，申请不同类型平台的数量了解每个客户申请的贷款类平台数量，评估当前负债情况，进而评估客户信用风险没有一家第三方数据源能接入所有贷款平台的数据

第三方相互分发或甲方分发数据，造成数据不准确

第三方没有对不同接入平台做风险权重评估（因无法得到平台贷后数据），例如申请鲸鱼贷客户比申请宜人贷客户风险高多头借贷在不同的时间内，成功申请贷款的不同类型平台的数量评估客户实际负债情况及风险情况没有一家第三方数据源能接入所有贷款平台的数据

贷款平台的贷后数据不会上报给第三方多头贷款APPAndroid系统中安装的贷款类APP的个数评估客户信贷饥渴的程度IOS系统无法获取安装APP列表

客户对APP可能进行删改多头短信Android系统短信中包含贷款类短信的平台个数评估客户信贷饥渴的程度IOS系统无法获取客户短信内容

客户对短信内容可能进行删改

可以看出，每种方法都有一定的局限性，而且数据获取代价比较高，比如多头申请和多头借贷，由于数据覆盖面有限，而且无法知晓其背后对接的是哪些贷款平台，所以往往需要对接多家第三方数据源，综合使用，而后两种则需要自己开发并分析。

政府官方统计截至2017年9月末，全国共有小额贷款公司8610家，网贷天眼统计，截至2017年12月，在运营P2P平台（注册领红包）数量为1751家，此外还有网络小额贷款公司、消费金融公司等，更不用说监管之前众多没有放贷资质的现金贷公司。面对这么多公司以及他们所推出的贷款产品，理想情况肯定是能覆盖所有的产品，然后做风险权重分析。但是在资源有限的情况下，是否可以先考虑风险权重，然后争取获得高风险产品的数据呢。

重点来了！！！

于是我们想到了多头注册数据，即只看注册过的高风险平台个数。

多头注册数据如何获得

什么样的平台发生了借贷行为风险会比较高？

大家都知道防黑产，加入了很多群，看到了群里会说今天撸某某贷，撸某某分期，庆幸没有撸到自己的平台，但同时并没有有效的将看到的信息落地，优化自己的审批结果。这些被黑产撸过的平台，就是我们认为优先级最高、风险最大的平台。

试着站在黑产的角度倒推一下，市面上新推出的产品或者很小众的产品，可能风控还比较薄弱，不如组织人来薅一波羊毛。于是得到相关消息的人，纷纷去注册这个产品，申请贷款。而且不会像大平台，从注册人数到申请人数有一定的转化率，这部分人注册了绝大多数是要去真正申请贷款的！

在这种平台注册过的用户是不是非常危险？！有的甚至注册几十家上百家！！！这种客户是不是闭着眼睛都要拒绝？！

判断是否注册？

目前绝大部分产品都使用手机号进行注册（既能验证是否在用，还可以进行后续实名、使用时长等信息的认证），那么填入手机号，通过APP或网站返回的消息，可以判断该手机号是否注册过。

结果汇总

每个高风险平台都查一遍注册情况，即可获得多头注册数据。

一个变量真的这么神奇？

接下来我们看一下多头注册数据的实际效果。

我们提取了两家不同现金贷产品的多头数据量和逾期之间的相关关系。

第一家产品为平均额度3,000左右，信用卡人群，主要渠道也是信用管家渠道，期数30天，选取数据总量为12,087条，定义逾期7+为坏客户，多头注册数与坏客户比率关系图如下图（其中，横坐标的多头注册数为区间，如10代表多头注册数区间为[6,10]。）可以看出，注册数小于等于15个时，坏客户比例还比较低，从20个到25个时，坏客户比例大幅上升。

第二家产品平均额度30,000左右，期数3-18期不等，选取数据总量为30,091,定义当前逾期30+为坏用户。从下图可以看出，折线的曲率变化更明显，多头注册数达到9个，逾期率已经超过5%，在多头注册数为11个时，逾期率比10个增长了近2倍。

对于好坏客户的区分效果不言而喻！

如何用这个变量

从风控全流程来看，多头注册数既可以用于贷前审批，也可以用于贷中监控。

贷前审批

该变量对于不同类型产品适用性较广，通过测试多头注册平台数量和不同产品逾期表现的相关性，根据通过率和坏账容忍度调整通过的阈值。例如中大额度现金分期客群如果此变量超过设定阈值，客户的风险会相对更高，可直接作为拒绝依据。

如果缺少数据，也同样适用于项目冷启动，能够从初期开始就防范信用风险，通过后期不断修正阈值达到更好的效果。

贷中监控

进入还款期的贷款，可利用该变量进行监控，发现数据异常可及时介入一些干预手段。

随着互联网金融、消费金融的快速发展，各类征信类数据、反欺诈数据基本成为了各类信贷机构的标配。这次我们曝光了自己的一项独家数据，多头注册数可以作为识别信用风险的一个强变量。

相关标签：

拆解

多头

借贷