大數據在國家助學貸款貸后風控中的應用

施維

近些年來，國家助學貸款管理環節中，因為數據缺乏全面的維度，監管期間仍舊以后驗策略和人工審核為主，導致在貸后風險管理期間取得的成績不高。隨著大數據技術的不斷創新發展，國家助學貸款貸后正朝向跨事件自動決策、整合多維度數據、模型預測風險的管理模式遞進。

大數據在國家助學貸款貸后風控中應用的意義

一、提高風險控制系統的自動化管理能力

在國家助學貸款貸后管理環節中應用大數據技術，可構建成熟且全面的大數據風險控制體系，提高風險控制決策的自動化能力。在整個風險管理體系中，所有的節點都對應人工審核，加大跨事件的自動化管理力度。在國家助學貸款準入階段，大數據技術可及時發現存在的風險，并分析行為存在的問題，一直持續到授信完成。利用風險遞減的方式或者大數據系統化管理的方式管控所有節點，可梯度化調用學生信息，達到自動決策的目標。

二、構建多元風險控制模型輔助信息驗證

通過算法模型對整個過程展開全面分析，并科學驗證分析結果，提高風險判定結果的科學性與準確性。國家助學貸款相關單位大量分析學生的信息，綜合多項數據信息綜合評價學生行為，強調模型或者貸款決策客觀性和準確度。利用大數據技術和算法建立風險決策過程構建模型，可大幅度降低在國家助學貸款中人工因素的干擾，確保審批和風險控制全過程統一、高效、快速。另外，利用大數據技術驗證學生提交的國家助學貸款信息，借助大數據風險控制模型交叉對比和驗證學生的手機、身份、地址等多維信息，綜合教育機構、公安機關、運營商等官方機構提供的信息，剔除異常人群。

三、補充三方數據加大風險控制力度

國家助學貸款責任結構采用合法的途徑獲取學生授權信息，補充外部數據，二次驗證學生資質，借助大數據技術深度了解學生家庭情況，獲得相對完善的學生畫像并授信。與模型進行結合，再次評估客戶信用，得到信用評價結果。在結束國家助學貸款以后，要對貸后的風險做出全面的控制，從多頭申請、地址異動、進階黑名單、高風險行為、刑事監控等角度出發，動態性監督控制全部節點。

信貸風險中的主要問題

國家助學貸款貸后風險控制，最為關鍵的是從全量申請的樣本用戶中快速且準確地定位預期客戶，可見國家助學貸款貸后風險控制最為核心的內容是對用戶的還款能力和還款意愿做出準確的評價。在國家助學貸款風險控制環節中，常見的問題集中體現在四個方面：

第一，非本人申請國家助學貸款。在國家助學貸款申請批準后發現客戶使用虛假信息，將會造成損失。申請人在申請國家助學貸款期間，冒用他人信息進行申請，這種問題在國家助學貸款期間經歷過一段野蠻增長的時段，相關金融機構沒有全面認識黑產業，造成不法分子利用他人的身份信息欺詐，一些風險管控能力很強大的金融機構也報道過此類事件。

第二，偽造資料申請國家助學貸款。申請人在申請國家助學貸款的時候，為了降低申請難度，或者貸后惡意逾期避免催收，在提供資料的時候偽造地址、聯系人等基礎信息。

第三，中介團伙惡意幫助客戶申請國家助學貸款。很多客戶為提高國家助學貸款申請便宜度，在網絡上尋找大量的中介，以期采用多種不同類型的策略提高申請成功率，降低國家助學貸款公平性。

第四，還款能力不足問題。申請客戶存在比較高的負債收入，自身收入不夠穩定，并且有大量的外部債務，這種問題的出現會降低客戶還款能力，增加風險。

大數據在國家助學貸款貸后風控中的應用措施

一、非本人申請的人臉識別

當前在生活的方方面面中已經應用人臉識別技術，比如高鐵站、刷臉支付、公安的天網系統等，在金融服務領域中，貸款申請、信用卡辦理等也普遍使用人臉識別，利用大數據技術可以將客戶與公安系統中的身份進行比對分析，判斷兩個主體的相似度，規避非本人申請的問題。與人類對他人進行識別相類似，在判斷熟悉的人時，可以從他的面部特征角度出發，與自己腦海中存儲的他人特征進行比對，雖然有判斷失誤的時候，但是成功的概率很高。同樣情況下，基于大數據技術的人臉識別在設計與開發的時候，是依靠一套深度學習算法展開的，將人類思考的方式進行轉化，得到一套模型算法。在進行人臉識別的時候，引入的特征概念如下：

假設系統在對人臉進行識別和對比的時候，這五個特征可以判斷出一個人，那么當所有都符合數據庫內的數據以后，則表明接受驗證的人符合系統內的結果。在表1中的特征通過多樣化組合，可以得到32張不同類型的人臉。但是，32張不同類型的人臉是不能滿足所有人使用的，所以在大數據技術的支撐下，將人臉的特征再次進行拓展，例如將臉形、眼間距、嘴唇厚度等加入其中，甚至再次細分每個膚色的深淺，經過擴充，可無限拓展人臉特征空間，提高人臉識別效率和準確度。

在國家助學貸款貸后風險管理期間利用大數據技術比對人臉，可快速從數據內調取客戶信息，判斷客戶是否符合要求。同時，在處理的環節中，要保證不會在國家助學貸款貸后風險管理中出現偽造人臉的現象，面對這種問題，還需要采取四種措施展開系統化處理：第一，工程角度。設計與開發質量模型，評價系統監測到的人臉的質量，若是檢測到的人臉質量比較差，那么則提醒驗證失敗。第二，應用角度。對人臉識別的場景做好嚴格的控制，要求用戶在光線良好的環境下正對攝像頭，避免在采集的時候出現質量較差的圖片。第三，精準識別活體。利用3D建模軟件按照識別的客戶臉部信息構建模型，形成真實的頭像，通過大數據技術的不斷學習，提高對客戶信息的識別準確度。第四，算法角度。增強人臉識別模型的應用性能，將多種質量、多種類型的臉部識別數據加入數據庫內進行數據訓練，提高模型抗干擾能力。

二、資料審核與判斷

大數據技術是構建關系圖譜底層的關鍵技術，以龐大的用戶數據作為基礎，抽取多種數據源的信息并存儲在數據庫內。國家助學貸款貸后管理審核期間應用大數據，可識別偽造的資料、分析團伙詐騙、管理失去聯系的客戶。

（一）識別偽造的客戶資料信息

國家助學貸款貸后管理，最為關鍵的便是管理客戶信息準確性。對客戶的信息進行驗證，可以對客戶貸款行為是否存在欺詐做出準確的判斷。利用關系圖譜展開交叉試驗，雖然不能確保準確性達到100%，但是在人工審核期間，可提供重要的依據。降低人工審核的錯誤發生率。欺詐客戶在填寫資料的時候，通常會使用虛假的信息，這就會產生風險點。利用大數據技術將關系圖譜直觀地呈現出來，快速發現客戶信息的矛盾點，認定客戶存在欺詐行為。

（二）分析團伙詐騙行為

在國家助學貸款貸后管理期間，存在團伙欺詐行為，嚴重造成財產損失，但是想要在復雜的數據關系中發現團伙作案問題，面臨著較高難度。以大數據技術作為基礎，可對多層級數據分析形成直觀分析，形成一度關聯、二度關聯、三度關聯，甚至形成多維關聯。在團伙欺詐行為中，若是使用虛假信息進行授信，會在同一片區域或者使用相同的無線網。利用SLPA、LPA、LOUVAIN等社區算法和標簽傳播算法，可在最短時間內準確地發現作案團伙。

（三）管理失去聯系的客戶

國家助學貸款以后失去聯系的客戶，也是貸后風險管理面臨的最大難點，利用大數據技術尋找失聯客戶的潛在關系人，提高催收成功率。

三、信用數據和評分

利用大數據技術可解決國家助學貸款征信數據缺失的白戶問題，這種看起來沒有聯系到信貸記錄的數據信息，可以在一定程度上對用戶的借款和還款提供幫助。

第一，All data is credit data。大數據技術可以為國家助學貸款申請的龐大用戶群體做出信息規整，包含申請用戶的學歷證、身份證等各種類型的電子信息。第三方權威機構可以對教育部學歷中心、居民身份證查詢中心的數據信息進行查詢。在一定情況下，還可以對微博等社交數據、電商交易信息、搜索引擎數據等海量互聯網碎片數據進行調取。

第二，大數據技術的便捷性和高效性可縮短時間、降低成本，積累大量的數據用戶，為構建分析模型提供充足的樣本。

正是在大數據技術的影響和推動下，極具中國特色的征信體系誕生，為國家助學貸款貸后管理提供支持，完善風險控制。評分卡的出現，也提高了風險管控效率和質量。評分卡的應用，完全依靠一套大數據基礎上的機器學習算法，如何利用大數據技術深度挖掘客戶的信用評分，還需要借助機器學習技術。機器學習技術是當前應用最為廣泛、取得效果最為凸顯的方法，綜合大數據技術和機器學習技術，可快速訓練模型，按照用戶的表現為用戶設置標簽。以用戶的數據信息作為依據，通過多種類型的算法評價用戶的得分情況，按照不同維度評價指標查看過關模型，利用構建完成的模型對未來的數據信息表現情況做出預測。

當前在網貸體系、信用卡體系中都選擇使用類似的評分卡，行業不同、場景不同，所使用的評分卡也存在一定的差異。在國家助學貸款風險管理控制環節中，基本是量化用戶風險，綜合大數據和機器學習技術優化傳統的風險管理方案，拓展數據管控維度，提高風險量化能力。

本文簡單分析國家助學貸款風險管理環節中大數據技術的應用情況，根據信貸風險管控場景，思考大數據技術的應用價值和應用路徑，在以后的管理和控制環節中，要面向國家助學貸款風險控制主體目標，思考大數據創新應用路徑，提高業務效率，降低業務成本。［基金項目：廣西教育科學“十四五”規劃2022年度學生資助專項課題《利益相關者視角下廣西職業院校國家助學貸款貸后風險管理研究》（編號：2022ZJY2638）研究成果。作者單位：廣西金融職業技術學院（廣西銀行學校）］