p2p风控大数据模型

第1篇：p2p风控大数据模型

P2P平台如何基于大数据做风控？

目前，大部分的网贷平台业务模式都是与第三方的机构合作开展的，比如担保公司担保、小贷公司、商业保理公司、融资租赁公司债权回购等。虽然网贷平台标榜双重风控，但是主要的风控还是外包给了这些机构，网贷平台的那一重风控变为了形式，因为如果真的要控制风险的话就要养很多具体操作业务的人，这对平台本已居高不下的运营成本无疑是雪上加霜。

银行是如何来控制风险的?

银行的业务组织结构分为很多条线，核心是风险管理条线，此外还有公司业务条线、个人业务条线、会计条线等;还有直属于总行的同业金融条线和信用卡条线等。风险管理条线之所以被称为核心，是因为金融的核心就是风险控制，所有银行业务中的风险把控操作都由这个部门来具体操作，在其之上还有审批委员会，委员会的成员是由各个与业务相关部门的一把手组成，委员会的最终决策人被称为首席风险官，这个角色没有一票通过权，只有一票否决权，可有效避免一人独裁的局面。此外，风险管理条线还分为授信审批中心、授信管理中心、资产保全中心，职能分别是负责贷前、贷中、贷后的操作。

纵观现在整个网贷行业，风控模式基本沿用了传统银行的风控模式，但比起银行的风控模式还有很大的差距，只是一些皮毛而已，形式单一，只停留在了表面。 如何基于大数据做风控?

与传统模式下的风控体制不同，大数据风控模式正成为行业热点，基于大数据下的风控分为两个方面：一个是内部风控;一个是外部风控。

内部风控主要是防范一些操作上的风险，尽量的将主观人为的操作系统化，这就要求网贷平台加大技术开发的投入，对后台系统功能不断完善以及操作员与管理员的权限尽可能细化，而外部风控主要体现在项目端上，就是要抓住借款人的信用情况、借款资金流向等因素。

P2P平台无法直接查询客户的征信，这降低了行业平台对借款人的震慑力，导致违约成本的降低和重复借贷现象的增加。平台想要获得借款人的个人信用报告，需要花费很多时间，很多年轻人、自由职业者等并未使用信用卡人群无任何信用记录。在这背景下，大数据的作用凸显出来，从某种意义上说，大数据征信与风控将是互联网金融未来发展的命脉。

业内人士认为，大数据征信能够降低信息不对称、数据不及时以及还款能力判断不足的问题，可以增加反欺诈能力，同时更精确的进行风险定价。毕竟，相比于央行的征信，大数据征信因为数据来源、数据内涵、模型思路的不同，信用评价更趋于对人的一些本性的判断，可以运用于借贷以外更广的场景，生活化、日常化的程度更高。原银监会副主席蔡锷生表示：“有大数据的创新和支撑，在风险控制方面会带来很大的变化，这恰恰能体现出来它对传统金融缺失的补充，甚至是小微企业、个人消费信贷的一种金融支持。另外，大数据在未来建立社会征信的作用也会逐渐地发挥作用。”

征信的问题解决了，其实只解决了所有问题的一部分，对借款资金流向的监控也是非常重要的一环。要形成整个风控的闭环，这个环节不可或缺，就像电商企业要解决物流最后一公里的问题同样重要。目前，银行与第三方支付机构只能监控到本行与本机构内的资金流向数据，一旦资金转出到其他银行和其他结算机构后，就无法监控到了。这些机构间的资金流监控还没有形成联网。资金在清算机构间的转账是通过人民银行的大、小额支付系统实现的，如果人行能够建立一个统一的，跨机构查询资金流向的系统，使资金流向也没有了死角，那么，大数据下的风控就可以形成有效的闭环了。

以上从解决征信和资金流两个方面入手来达到风控目的进行了分析，但对于现实而言，仍存在一些问题，比如监控资金流的问题，一旦通过银行柜台进行取现操作，资金流监控就会出现断档，就无法准确的统计资金的真正流向。所以，大数据时代的风控才刚刚起步。相信随着未来互联网技术手段的不断创新，这些目前困扰我们的问题会迎刃而解。业内知名大数据风控平台服务商神州融已对接多家电商平台、征信机构与第三方支付公司，实现了业界最佳实践的大数据征信接入和风控模型运用，并可使P2P等小微金融机构零门槛拥有银行级全流程信贷管理系统，帮其实现资金流的安全与量化风控管理。

有业内人士曾这样表达自己对于大数据的看法：“大数据不是万能的，没有大数据是万万不能的，大数据在信用决策、风险控制中发挥着重要作用，而传统的信用和金融数据在今天和看得见的未来还是主要决策信息来源，大数据起着越来越重要的辅助作用。”

第2篇： 搭建风控量化模型

当前，大型金融机构已被监管机构批准使用内部模型来计量风险和监管资本;中小金融机构的积极性也很高，力求借鉴资本管理高级法，调整资产组合，提高资本使用效率，推进管理流程再造，由“干了再算”向“算了再干”转变。

以上趋势令人鼓舞。我们看到，强化风险量化管理的理念正在对中国金融业提高识别、计量和控制风险的能力产生重要的影响,中国金融业风险量化管理水平正在迅速提升。

如何更好地“算了再干”?为了回答这一问题，本文谈一谈金融机构的风险量化模型。为保证风险量化模型的开发质量和实施效果，金融机构所有的风险量化模型都应该参考模型建设和管理技术行业标准进行开发、评估和文档归档。下文总结了国内外信用风险量化模型建设和管理的先进经验，全面遵循这些要求有利于模型的建设、使用、监控、审批、上线。

模型的设计

模型的设计对模型最终是否能实现其目标起着举足轻重的作用。为了保证模型的设计可以满足模型的目标，审批人员应需要关注的是从哪些方面对模型的设计进行评估。总结来说，以下方面要特别留意。

要解决的业务问题

建模人员应该用简单易懂的语言对模型要解决的业务问题进行描述。这些描述应该包括一个或多个已达成共识的业务原则或核心价值，如客户的行为、银行员工的参与度、竞争对手的动作、经济形势的变动、合规的需要、公司战略的考虑等。例如，信用卡部门要设计一个申请评分模型来测算新客户出现不良贷款的风险。这个模型在新客户审批过程的应用中，需要审批人员和客户进行沟通，手动输入一些关键的模型变量数值，在很多情况下还需要对模型的评分结果进行覆盖。这种模型在业务中的应用方式就需要在模型设计开发的过程中，考虑如何解决验证客户提供信息的真实性、员工手动输入数据的可靠性、对模型评分结果覆盖的审批案例如何进行表现监控等问题。

目标变量的定义

建模人员应该对目标变量的定义进行如下描述：明确描述目标变量的定义，并说明为何这样的定义与要解决的任务问题是相关的;明确定义目标变量的表现时间窗(performance window)和观察时间窗：例如，目标变量可以定义为未来12个月贷款出现至少一次60天或60天以上逾期的概率。在这个定义里，“未来12个月”为表现时间窗，“贷款出现至少一次60天或60天以上逾期”为观察时间窗。如果模型需要满足监管部门的要求，此定义是否满足监管部门的要求;为何选择这样的定义而不是其他定义;对定义可能产生的误解进行澄清，如定义是在客户层面还是账号层面的，定义是在观察期之间的表现还是在观察期结束的时间点的表现等。

样本的选择

建模人员应该对建模样本的选择进行如下描述：样本选择的方法，如有随机抽样和非随机抽样(有目的抽样)，其中随机抽样方法包括简单随机抽样、等距抽样、分层随机抽样、整群抽样几种常用类型;非随机抽样也称为有目的抽样，包括全面抽样、最大差异抽样、极端个案抽样、典型个案抽样几种常用类型;样本的大小，为了增强可测性和检验的准确性，应该尽量增大样本容量，但同时还应考虑可行性和经济成本;建模样本、保留样本、验证样本的划分;样本可能有的偏差，如必须通过审批的条件限制、经过客户自然流失后的样本、外部因素的变化对样本的影响如产品特征、竞争对手的策略、经济周期、季节性因素等。

分析的方法

分析方法的描述应该包括以下内容：数据获取渠道的描述，主要分为直接渠道和间接渠道：直接渠道主要指通过统计调查获得的第一手统计数据，如办理信用卡业务时客户填写的个人信息资料、当下十分流行的大数据方法等;间接渠道通常指通过查阅资料或者通过其他网站、平台获取的二手数据，如通过WIND或Bloomberg获得数据;模型的结构，根据所作的假设分析对象的因果关系，利用对象的内在规律和适当的数学工具，构建各个变量间的等式关系或其他的数学结构。同时，在建模过程中还应注意细节问题，如客户的分群、子模型的架构等;建模技术，在建模过程中常用到的数学方法和计算机技术，如logistic回归、决策树、普通线性回归、分层分析、聚类分析、时间序列等;变量的处理，如变量的剔除、转换、最大最小值的设置、缺失值的处理、变量相关性的处理等。

模型验证过程

验证模型是否有效的描述应包括：随机保留样本的描述，如选取记录集中的一部分(通常是2/3)作为训练集，保留剩余的部分用作测试集。选取随机保留样本的标准、比例、特征等方面的描述;Bootstrap验证，是非参数统计中的一种重要的统计方法，在执行上常需借助计算机技术得以实现。举例来说，当总体可用正态分布描述时，其sampling distribution服从正态分布或服从t分布;但当总体不服从正态分布或未知时，我们采用计算机模拟或用渐进分析的方法更加有效;交叉验证，基本思想是在某种意义下将原始数据进行分组，一部分作为训练集，另一部分作为验证集，首先用训练集进行测试，再利用验证集来测试得到的模型，以此作为评价模型的性能指标。常见方法有Hold-Out Method，K-fold Cross Validation，Leave-One-Out Cross Validation;外来样本的验证，通过外部获取的样本对已有的模型进行检验，判断模型的有效性。

模型的局限性

一般来说，模型的局限性可以分为客观的、不能加以修正的局限性和可以通过人为修正的局限性。验证客观局限性的描述主要包括：系统的局限性;模型的局限性等;验证主观局限性的描述主要包括：建模时间的规划;建模人员的配置、人员水平等;业务和数据的理解上的局限性;样本的局限性;外部因素对模型的影响，如竞争对手的压力、合规时限的压力等。

模型的进度

主要包括有限资源的有效配置，在可以利用的资源数量一定的条件下，通过调配进度使项目工期尽可能短;建模时间的规划，几个有效时间节点的把控，如是否有外部竞争或合规方面的压力而需要在短时间内完成建模等。

数据处理

如何进行数据处理，是一个非常关键的环节。对于该环节，综观国内外经验，可以从以下八个方面给予关注。

建模原数据源的描述分析

建模数据的评估主要包括：数据的获取渠道，如内部数据集市、历史数据存档、第三方公司提供的数据等;数据的样本记录数及每一条记录所代表的含义;数据的变量的个数;数据的收集时间。

模型变量的描述

模型变量的描述应该包括对每一个变量定义的准确描述及变量的值所对应的含义。定义和使用变量时，通常要把变量名定义为容易使用阅读和能够描述所含数据用处的名称，而不要使用一些难懂的缩写如A或B2等。例如:编写一个销售苹果的软件时，我们需要两个变量来存储苹果的价格和销量。此时，可以定义两个名为Apple_Price和Apple_Sold的变量。每次运行程序时，用户就这两个变量提供具体值，这样看起来就非常直观。

建模样本的大小和目标变量的分布

对此部分的描述应该包括：建模样本的大小是如何决定的;如何获得各个细度的数据记录并有效的控制成本;目标变量的分布，包括异常值、多峰性分布、负值的处理等。

数据时间窗定义

对此部分的描述应该包括：目标变量表现的观察时间：采用滚动时间窗或固定时间窗的方法;模型独立变量的观察时间;模型目标变量和独立变量数据是否有时间不足的情况，如有些样本的目标变量表现观察期不足，模型变量的观察时间不足等。

数据源有效数据的频率和缺失值处理

对此部分的描述应该包括：样本变量数据的有效频率;样本记录中有效记录的频率;某些变量或记录数据缺失的原因，这些缺失原因是否会对模型产生影响或偏差;在建模过程中，如何对数据源的各种数据缺失原因进行考虑。

建模人员应该用简单易懂的语言对模型要解决的业务问题进行描述。这些描述应该包括一个或多个已达成共识的业务原则或核心价值，如客户的行为、银行员工的参与度、竞争对手的动作、经济形势的变动、合规的需要、公司战略的考虑等

每个模型独立变量的缺失值频率;模型独立变量的缺失值是否有具体的含义;缺失值出现的频率是否稳定;有缺失值的变量在模型中的重要性及表现的稳定性;每一个变量对缺失值的处理方法，包括采用中位数、平均数、最大或最小值、最好或最坏值替代，单变量处理，多变量处理，以变量减少、建模或评分、或拒绝原因算法为目标的处理等。

变量最大、最小值处理

对此部分的描述应该包括：每个变量的最大或最小值;对最大或最小值的处理方法;处理后对这些变量取值范围的影响以及数据记录表现的影响;以变量减少、建模或评分、或拒绝原因算法为目标的最大或最小值设置;这些设置是否能防止所有可能出现的取值错误。

变量转换

对此部分的描述应该包括：单变量转换，如反正弦、对数、开方、Box-Cox等;多变量转换，如变量之间相除、相减、相加、相乘等;变量取值的划分或归成大类;变量转换的处理程序及编程方法;这些设置是否能防止所有可能出现的取值;采用Weight of Evidence(WoE)方法(该方法在生态风险评估ERA领域使用多年，能结合多方面数据给出总体风险评估)进行分栏并计算Information Value来验证。

数据的外部因素

可能影响目标变量表现的外部因素主要有：国家或区域的经济环境;宏观经济指标;产品特征;获客渠道;主要竞争对手的策略;天气因素;季节性周期因素等。

模型的选择

模型审批人员应该对建模的方法及模型的表现是否能够到达预期的目标进行诊断和评估，这是一个至关重要的步骤。从具体实施的角度而言，评估应该至少包含以下九个方面内容。

子模型分割方法

模型分割(子模型)的方法应该包括以下内容：分割优化的标准及目的：如对无数据记录的处理、模型表现的连续性考虑、变量相关性的区格、变量预测能力的区格等;选择分割的手段，如历史数据分析、CART分析、贝叶斯树等;采用分割后对模型的表现所带来的提升的数据支持，尤其要说明表现的提升足以覆盖由于分割所带来的模型复杂度增加的负担。

变量剔除

模型独立变量剔除或合并的考虑因素包括：变量缺失的频率;变量的波动性;变量组合;变量聚类，将集合分成由类似的对象组成的多个类;变量之间的相关性检验，如采用相关系数矩阵，Pearson 相关系数或者Spearman 相关系数方法;不同分割模型(子模型)变量的同质性检验，用卡方统计量验证不同子模型是否来自同一总体;变量选择的方式：如向前选择、向后选择、逐步选择等;变量的交叉验证。

模型优化的标准

对此部分的描述应该明确定义模型优化的标准，进而说明为何候选模型是最佳的选择。如果选择多个指标，应说明多个指标的选择标准，例如：KS值, 决策边际变现等。对于需要满足监管要求的模型，要将监管要求融入到选择模型优化的过程中。

模型参数的确定

对此部分的描述应该明确模型选择的方法，包括：如何确定模型的参数;如何从众多的候选模型中选择最终的模型;VIF(Variance Inflation Factor)检验，判断模型是否存在多重共线性问题，经验判断方法表明：当0

建模程序的结构

对此部分的描述应该说明建模使用的程序的结构，包括：处理原始数据的所有的程序，从开始到结束;程序是否具有恰当的标注和结构说明，如数据处理部分，变量选择部分，候选模型比较部分等;程序是否被妥善统一存档，存档是否可以被访问，程序是否可以被其他人运行这些具体备注说明。

建模程序细节

对此部分的描述应该选择一段建模程序进行评估，评估内容包括：程序的标注是否充分，程序的结构是否容易理解;变量的名称、标识是否简单易懂;容易误解或复杂的部分是否有特殊标注;程序引用的模块是否有相应的文档;程序格式是否恰当使用缩进和空格;程序的作者是否标注;在程序的开发、运行和程序的重复使用之间是否保持恰当的平衡。

模型的表现

对此部分的描述应该评价模型对目标行为预测的能力，主要包括：建模样本的表现;非建模样本的表现：如果和建模样本表现不同，要解释表现不同的原因;对未来样本表现的预期;对所有未来可能影响模型表现的不确定性因素是如何考虑的。

模型是否拟合不足或拟合过度

任何模型都可能会有拟合不足或拟合过度的问题，对拟合度的评估可以在几个不同的层面展开，如使用可决系数对模型进行拟合优度检验，使用模拟数据或其他历史数据对模型进行再次验证，是否有以往的经验或数据来验证模型等。

残差分析

残差分析主要是：用残差证实模型的假定,如用残差图判断模型效果与样本数据的质量，检验模型是否满足基本假定，以便对模型作进一步的修改;用残差检测异常值和有影响的观测值，如果异常值是一个错误数据，如是由记录错误造成，应该修正数据，以便改善模型效果;如果是由于模型的假定不合理，使得标准化残差偏大，应该考虑修正模型;如果完全是由于随机因素造成的，则应该将该数据视为有效观测值，予以保留。同时应注意的问题有:残差是否是随机分布的;一个或几个记录的变化是否会对整个模型有较大的影响;不同的取样方法是否会产生不同的模型或不同的残差分布。

模型的最终审批

模型审批人员在最终批准模型之前，应对以下三个方面进行评估。

1、模型替换分析

任何模型都会有几个不同的版本，如原有模型，简单的业务逻辑替代的模型，和第三方公司的模型。模型审批人员应该就最终的模型版本和其他版本进行比较，进行优劣分析，包括：如果不用这个模型，业务模式会如何展开?对原来被否决，新模型会批准的样本进行分析并评估对业务的影响;待审批的模型和其他模型相比，有哪些优势?这些优势是如何获得的，它们是否符合基本的业务逻辑;模型在应用的目标客户群内的主要的独立变量的分布是否符合业务逻辑?和其他模型的版本相比，它们是否和上述的新版本的模型优势相吻合?应用测试技术对现有模型进行挑战，模型上线的版本策略如过度阶段和原模型或其他规则共用等。

2、监控策略

模型的监控策略应包括以下内容：监控的主要指标，频率;监控报告的审阅人员及存档流程;对于监控的指标来讲，稳定性指标和准确性指标通常只是最低标准;稳定性指标应该包括模型目标变量和独立变量的稳定性监控;模型指标的参考客群是如何定义的;模型的目标应用客群如果发生变化，如何能够识别目标客群的变化?如何对模型的表现进行有效的跟踪?监控程序是否经过调试和验证;如果数据导入出错，如何对错误信息进行识别和报警?如果模型运行失败，业务开展的备用方案是什么?识别模型失败的流程和重新启动模型运行的流程各是什么?在什么情况下，建模人员需要对模型进行重新评估或重新建模?明确定义这些情况下主要表现指标的临界值。

3、未来规划

模型的未来规划应描述模型如何进一步提高，具体包括：如何获得更客观全面的样本?客观全面的样本应该包括正常业务运营之外的样本，例如申请审批的样本应包括所有申请客户的表现而不仅仅是通过审批的客户的表现;对于审批模型的临界值附近的样本，业务是否需要加大样本收集的力度为未来的建模做准备;样本收集的经济成本和流程成本各有多大?投入是否值得?未来的业务规划的大方向是什么?模型的样本采集策略应如何配合业务发展的需要?是否有其他数据源或建模技术能够进一步提升模型的表现?

神州融量化风控与自动决策

神州融充分借鉴和引入Experian(益博睿)全球零售及小微金融信贷风控和流程管理的最佳实践，结合其在本土个人及小微金融信贷业务的丰富经验，依据“信贷工厂”的运作理念、以量化风控与自动决策为核心，构建了专门针对小微金融机构的大数据风控平台，并安全稳定运营在阿里金融云上，通过构建量化评分模型与策略决策体系，满足精准风险评估和未来批量化、规模化业务发展的要求，实现审批作业的集中管理，降低业务的信用风险和操作风险。“神州融希望将量化的风控决策能力和IT技术开放给小微机构，让他们能够像银行一样健壮。”神州融联合创始人黄海珈介绍。

第3篇：风控总监亲身揭秘：P2P借贷风控看什么？

因为工作的原因实地考察风控比较多,口才一般,讲的不好的地方还望大家多多包涵。

谈到风控，曾经听人说过一句话，风控其实是很扯淡的事情，但没有这个还真不行。俗话说外行看热闹，内行看门道。

国情的特色导致目前绝大多数P2P平台做的都是企业经营性借款，包括我们，所以我讲多适用于企业抵押类借款。当然个人信用贷款也可以参考。

大家都听说过信贷三要素： 品行，资产，还款能力。我把它总结一下就是人品，担保措施，还款来源。通过这三个方面我们希望解决的是借款人经营信息不透明、信息不对称的问题。

首先说人品，人品里面不仅仅指个人的品德，个性，它还包含了很多的内容。

人品不行的一票否决。我审过的项目首先是看这个老板，人品不行的，再充足的抵押都不做。具体包括(但不限于)

1，个人信用(经济刑事犯罪记录、涉诉及被执行信息、银行信用记录、他人评价、时间观念、信守承诺程度), 所有的客户都必须查询信用报告，这个能反映绝一个人大部分的信用情况了，负债过高，信用卡使用额度高，近一年征信查询次数过多年，逾期过多，黑名单坚决一票否决。有的人说他的逾期是忘了，我想问一句：银行的钱你都敢经常忘了，何况我们P2P平台的呢?

2、个人综合素质，包括谈吐、行业经验、知识面、身体素质、心理素质、职业道德。特别是行业经验，这也是为什么很多时候经营性贷款需要有一年以上营业执照，主要是看你的从业经验，新入行的借款人要谨慎。

3，个人及企业背景(个人成长经历、企业发展沿革、是否有黑社会背景、是否政治背景) 。当然有背景的情况下也要具体问题具体分析，有的时候背景不一定加分。

4，个人能力(对内管理能力、对外业务开拓能力、公关交际能力、财务管理能力)，有多大的头戴多大的帽子。你一修自行车的就不要想着造火车，我们欣赏的更多的是踏踏实实做实业的人，而不是一天都晚吹牛皮的。

5，个人及企业负债，隐形负债、或有负债(对外担保)、资产、净资产、利润、现金流情况，这里面可以从信用报告得到一部分信息，银行流水可以反映一部分负债情况，其实只要用心审核资料 总会发现一些端倪的。

6，个人生活习惯、性格特征、兴趣爱好、人生观、价值观等等，天天花天酒地，嗜赌成性的老板会把心思放在生意上么。

7，个人家庭、婚姻和睦情况、家族成员情况，经营风格、工作重心、社会关系等，一个成功的男人背后必然有一个幸福的家庭，这也是为什么我们对于单身的客户一票否决。

8，个人及企业自有资金来源(自有、中长短期贷款、民间拆借、亲友集资、其他合作伙伴提供、非法来源)，这也是考验一个老板调集资金的能力。

9，个人敬业精神，抗风险能力(危机处理能力、突发风险隐患爆发概率)。

10，借款人借款信息是否被要求对其关联方隐瞒等等(例如其他股东、家人等)。

以上十点就是关于对人品的一些看法，当然还有很多其他的要素，因为时间的关系这里就不一一细说。曾经我们简单整理过一个民间借款调查纲要，类似上面种种需要关注的要点不下于50条，有机会再跟大家详聊。

刚讲的是人品 ，接下来关于担保措施。

这个通俗来讲，就是如果你没钱还的时候，你拿什么保证我的权益。所以也就有了保证、抵押、质押这三种主要的担保方式，担保法对这个解释的比较详细大家可以去百度下，这里我就不细讲。

1、保证：一般责任和连带责任，常见的有个人保证和机构保证，个人一般包括配偶、法定代表人、股东、其它第三人，机构包括公司、融资性担保报公司

这里需要注意的是公司保证必须按照公司章程的规定出具股东会决议。

说到融资性担保报公司，这里多讲几句,早期的融资性担保报公司分为民营和国营的，国营的不用讲，政府背景，政府拨款，其实早期民营融资性担保其实 实力也很强大，一般都是由当地的龙头企业或者富豪家族发起成立的，关系人脉资源也是很强大的，注册资金1亿起，而且是实收，早期没那么多垫资的，都是实打实的砸进来的。每年融担都要出具审计报告给银行和金融局，而且金融局都要对他们进行实地审核。每三年颁发一次融资性担保经营许可证，所以最好辨别是否真假融担的方法，就是看融资性担保经营许可证是否在有效期，目前跟银行有没有实际合作特别是银行，现在的银行都很精明的，没有一定的实力，不会随便跟融担合作的。

2、抵押：种类包括不动产抵押(土地使用权 房屋所有权 林木等)，动产抵押(车辆、机器设备、存货等)。

当前市场上绝大部分做的是房产抵押和汽车抵押。他项不是当场出的，根据各家房管所的政策不同，办理房产抵押登记手续7-10个工作日才可以拿到他项，委托公证也是一样的道理。

3、质押：汇票、本票、支票、债券、存单、仓单、提单。股权、股票，专利、商标，可转让的债权(应收账款)，讲到这里，提示大家一点：定期存单可以拿到银行质押贷款 9成以上的额度。下次看到风险备用金好几千万的 大家可以深究一下。以上这些措施，只为了一个目的，增加借款人的违约成本。

如果抵押他一套市值100万的房子，给他80万 ，一般情况下他不会违约的，成本太高，当然银行更多的是流于表面，关系的成分更重要一些。

当然这些抵押也好，质押也好，一般是作为借款人的第二还款来源。那么第一还款来源是什么?既然是企业经营贷款，而且用途是企业用于生产经营，那么第一还款来源肯定是看他的经营回款。经营回款又跟他的企业经营情况息息相关，所以企业经营状况才是重重之重 。那么通常企业经营情况如何看?这就是我接下来讲的风控的几个具体流程：

1、资料审核：一般需要提供个人身份证明，信用报告，资产证明，企业基本资料、银行流水、企业相关经营资料等。如果你深入的话，你会从这些基本资料中剔除不少瑕疵客户。包括信用不好的、负债过高的、流水造假的 等等。

2、实地考察 ：

1)、看老板，面谈了解老板的人品情况，侧面了解上述所讲的10个维度;

2)、看经营场地，实际生产经营情况(具体到仓库原材料及成品数量、机器运转情况，人员精神面貌等情况)，了解企业经营历史，运作模式，盈利水平。

3)，看财务资料，内帐、进货单、出货单、购销合同等财务单据，与老板讲的相互对照。

一般有融资需求企业最少都有3套帐，内帐(企业经营最真实的反映，包含所有发生的进出数据，无论是否有正规单据，所有的费用老板签字即认可。给老板看的)、外帐(有的企业是会计师事务所代做，大一点的自己做，会计凭证只付发票，不认收据。上报税务局纳税用)、银行帐(做的，一般提供给银行贷款用)

。所以要想了解到企业真实的经营状况，看报表和外帐是没有多大用处的。风控团队在实地审核的时候，会带上专业的会计人员，要看的必须是真实的内帐，要看他的进货单、出货单，发票收据，抽查会计凭证，真实的财务报表不是凭空生成的，都有相应的会计凭证和单据一一对应。如果有隐瞒，或者找理由不拿内帐我们统一定性为不配合，而不配合的客户是上不了风控会的。

这里有人可能会问我，银行的贷款人员难道不查帐?他们技术力量比网贷公司差我想说的是做贷款这一行的 关键看你的出发点，资金是谁出的，那么你相对应的措施肯定不一样。在中国 这就是国情：钱是银行的、国家的， 做事的是基层人员，除了风险外，他们更多的是考虑业绩以及效益，在银行看来你有充足的抵押物，你银行流水够充足，你报表够漂亮，你的生产经营正常，还有其他的一些因素 为什么银行不贷给你

3、风控会。通过实地风控，又淘汰了一批瑕疵客户。好了，资料审核过，实地风控回来了，是不是意味着客户通过了呢?不是! 还有风控会：业务经办人、业务主管、风控部门、财务老总、副总 、老总开会讨论，会上大家会针对这个客户提出不同的意见，如果当场没有答案的，暂时搁置，等待解决问题重新上会;通过的，同时制定相关方案，这个有点类似银行的贷款批复了，方案做好了，确定相关借款金额、期限及担保措施，然后推荐给担保公司。

4、担保公司独立二次风控。担保公司还有一次实地风控以及评审会。完全通过后，通知客户签署相关协议，办理手续，手续办好后放款。

当然，在这之前还有一个风控要做的事情：通过银行、担保公司、投资公司、贷款中介、相关商会侧面打听该客户的一些情况，主要看有什么负面新闻没有。

5、贷后管理。放款后当周实地回访企业，拿到与借款用途相符合的单据。每周最少一次电话沟通，每月最少一次实地回访，密切关注企业经营动态。到期前一个月面谈提醒，2周，一周，3天内每天最少一次电话沟通款项到期。

总体上来说，做风控是很繁琐、很痛苦的。但是要想“站着就把钱赚了”，风控十分重要，来不得半点马虎;不然，等到出了问题，就算是“跪着”，你也未必能把钱收回来。