滴滴大数据在汽车金融风控场景中的应用

导读：滴滴独有的出行场景大数据在金融领域有着非常广泛的应用前景，未来可与银行，保险，支付和理财等机构深入合作，帮助传统金融机构提升资源配置效率，降低获客和风险管理成本。出行场景大数据在交易欺诈识别、风险定价、精准营销、全生命周期风险管理、增长运营等方面都有着重要商业价值。对于大数据的应用分析能力，正在成为金融机构未来发展的核心竞争要素。本文从汽车金融车贷产品的视角切入，将场景数据与传统信贷风控理念相结合，准确识别业务开展过程中的信用风险变化，对完善业务模式和重塑用户价值起到了积极的作用。

1. 汽车金融是什么？

2. 滴滴汽车金融在做什么？

3. 滴滴大数据在汽车金融风控上的应用

从资产端视角看存在问题和解决方案
从全流程风险管理视角看存在问题和解决方案
数据应用上的三个优化点

4. 滴滴大数据在汽车金融风控场景下的应用前景

企业信贷智能风控
零售信贷智能风控

汽车金融是什么？

汽车金融主要指与汽车产业相关的金融服务，是在汽车研发设计、生产、流通、消费等各个环节中所涉及到的资金融通方式。主要包括资金筹集、信贷分期、抵押贴现、金融租赁，以及相关保险、投资等活动。

▍商业模式

零售业务中，商业银行和融资租赁公司作为资金方，经销商/4S店/租赁公司作为销售渠道，汽车电商平台起到导流作用，共同为有购车需求的个人消费者提供分期购车金融产品和服务。

从竞争格局看，银行和厂商金融是零售市场的主要玩家，在资金成本和渠道获客上占有绝对优势。此外，汽车电商平台作为线上导流服务方，为传统金融机构提升获客效率，近几年也活跃在汽车金融市场。从产品类型上来看，售后回租为市场主流，直租有待快速发展。

滴滴汽车金融在做什么？

1）滴滴汽车金融业务现阶段定位为服务出行生态，一切从用户价值出发，为有购车需求的司机提供低成本购车金融方案。

2）对内构建汽车金融风控体系，通过网约车场景数据的积累和应用，不断提升全面风险管理能力，生成优质网约车金融资产，逐步形成风险定价能力。

3）对外向传统金融机构提供优质金融资产和系统化的风控能力输出，实现资金和资产高效匹配，积累金融资产管理能力。与此同时，作为连接资金和资产的双边平台，与主流金融机构建立长期合作伙伴关系，持续为网约车体系提供资金支持。

未来滴滴汽车金融的业务范围会随着出行产业生态的发展不断丰富，延伸至整个出行产业链，为汽车经销商、4S店、代理商等汽车销售者采购汽车和营运设备提供的金融服务，以满足产业链上下游各环节的金融需求，逐步形成集信息流、资金流、物流于一体的汽车产业金融新业态。

滴滴大数据在汽车金融风控上的应用

传统信贷框架下，以贷款人央行征信判定还款能力的风控模式已经不再满足网约车金融的风险管理需求。网约车场景下，汽车金融风控对在贷资产的真实性、稳定性、以及风险预警的时效性提出了更高要求，基于大数据建立智能营销和智能风控决策体系显得尤为重要。

▍从资产端来看：

车贷C端问题：贷前准入未使用场景内数据作为个人征信补充，贷中数据缺失，没有匹配的风险预警方案，贷后催收效率低，需要对网约车贷款人形成动态信用评分。

解决方案：运用滴滴大数据补充传统零售评分卡模型，将场景中能够反映个人信用风险特征的数据应用到汽车金融领域，制定风控政策和准入标准。同时建立体系内有车群体的PD（probability of default）评分模型，关注PD参数的显著变化，提供大数据下的风险预警方案。逐步搭建网约车场景下的全面风险管理体系，提升全流程风险管理能力。

车贷B端问题：传统金融机构对于CP（Car partners）征信数据的缺失，导致其不能有效识别渠道风险，尤其对于中小型CP来说，很难获得传统金融机构的授信。

解决方案：借助滴滴平台大数据，支持资方对CP的授信审批。具体来说，是将渠道基础信息，以及能够反映其资产规模，资产使用效率，司机管理能力的数据维度进行系统化梳理，形成入模变量，同时不断积累体系内坏样本，建立CP半监督模型。模型输出结果即是CP信用评级综合分数，直观反映出CP的风险等级。目前汽车金融的CP评级为月度输出，可以动态反映出CP风险等级的变化。

▍从全流程风险管理来看：

在实际运营过程中，我们在零售车分期贷款的贷前，贷中和贷后三个阶段发现了以下问题。

贷前准入风险：贷款申请人不是放款后实际运营该车辆的司机，也就是说A贷B还。这种问题通常发生在渠道进件环节。汽车金融产品销售过程中存在一定的操作风险，线下渠道销售人员为了提高成单率，找了信贷资质好，更容易通过贷前审核的人代替司机申请贷款，然而实际跑滴滴的司机信贷资产差，还款能力不足以支持月供，PD违约概率较高。那么这笔车分期贷款的信用风险就会在贷后的资产表现期内逐渐释放。

▍首次拉单时，贷款人和司机信息不符：

贷中运营风险：贷款人在存续期内退车，车辆由租赁公司代偿，待租赁公司找到新司机后由新司机运营并继续还款。这种情况下，传统风控在贷前准入对初始贷款人的判断，以及车辆GPS定位已经不再能够有效反映贷后运营车辆的风险变化。在贷车辆在存续期内先后匹配多个滴滴司机时，租赁公司在车辆运营管理，现金流管理和司机管理上面临很大挑战，有时多个司机集中退车会引起渠道集中性风险。

▍运营中一辆车在不同时点匹配多个司机：

贷后逾期催收：传统信贷风控对于网约车贷后数据缺失，在无法获得贷款人收入以及营运行为数据的情况下，不能确定每笔逾期债项背后贷款人的还款能力和还款意愿，因而无法做到对收入还贷比高，有还款能力的贷款人进行优先催收。这种情况下，需要针对贷款人平台拉单数据以及贷款车辆营运数据制定催收评分卡，对催收进行分类管理。

▍滴滴大数据可以解决：

网约车金融全面风险管理体系的搭建。

在零售数据准备和模型变量开发时，形成从贷款人信贷基础维度到涵盖城市、渠道、车辆四大风险因子的模型长清单，实现覆盖在贷资产全生命周期的动态监控。同时通过被投企业资产表现不断积累模型因变量（坏样本），有效把握风险等级变化，建立预警和响应机制，降低损失率。

每个风险因子下钻形成多个风险指标，组合后形成风控策略。通过单一策略和多策略的综合应用，实现贷中预警和风险的及时防范。

具体来说，优化方向有以下几点：

优化点1：从传统的放款时点贷款人风险评估，优化为全流程多维风险动态监测。

传统信贷风控只注重贷款人单一维度的信用风险计量，而在网约车场景下，城市政策合规、车辆运营状态、渠道管理能力都会在整个信贷流程中对信用风险的变化起到决定性作用。对此我们借助滴滴网约车场景数据和坏样本的持续积累，来补充传统信贷数据维度，优化A卡和B卡。

预警需求分析：

放款时点：反欺诈信息核实，数据维度包括但不限于平台侧核实司机、车辆、人车匹配、渠道基础信息，同时排查渠道进件风险。

放款后，通过贷中监控实时反映贷款人信用风险变化，建立大数据风险预警体系。

建立大数据内评验证治理架构，内评验证流程方法，提供不同层次的的优化策略和实时流程。预警模型中，典型贷中预警策略如下：

司机维度策略：流水稳定性，收入能力，是否已办理人证等。
车辆维度策略：车辆在平台运营情况，车辆和司机的匹配情况，车辆行驶里程，是否已办理车证等。
CP渠道策略：渠道负面信息扫描，渠道集中性风险事件，合规比例，渠道集中性逾期等
城市合规策略：是否已获取网约车平台证，城市合规人证办理进度，是否分类管理等。

随着数据维度不断丰富，四大风险因子的下钻维度会逐步增多。我们同时也在实际业务中逐一验证，并通过司机A卡B卡模型结果进行策略迭代。

贷后催收：

优化催收评分模型。实时对逾期司机的逾期天数，拉单行为，月均收入进行分析和监控，得出每笔逾期债项对应的还款能力和还款意愿综合评分列表，帮助贷后催收提升效率。

优化点2：增加数据观测的时间宽度和时点观测深度，并在此基础上引入前瞻性.

通过对数据的长期观测，单一风险策略迭代以及多策略应用的持续验证，我们会得到司机信用风险变化的历史平均水平和规律，结合业务现阶段和未来发展趋势，在此基础上得到前瞻性调整后的PD（违约概率），对信用风险的显著变化进行定量和定性评估。

优化点3：依托大数据分析能力，形成对业务全局风险收益变化的综合判断。

通过C端融租车辆的全流程风险管理，逐步勾勒出了融租产品形态下的司机信贷画像和CP渠道画像，快速识别汽车金融在业务模式和产品上的运营风险，比如融租包经租，CP代偿，集中性违约风险等。进而对车金融资产质量有清晰准确的计量，实现资产端和资金端风险收益的平衡。

滴滴大数据在汽车金融场景下的广泛应用前景

▍企业信贷智能风控

方向：整个出行行业生态中，存在大量分散的中小企业服务商/渠道商，这些中小企业在滴滴平台上的日常经营数据反映了其经营能力、资金流动性管理和司机管理能力。多维度经营数据完全可以支持数据风控方式获得资金，为业务提供决策创新方案，包括识别客户异常行为、差异化授信审批、全流程风险管控和预警、限额设定等。

进展：目前一些与滴滴平台合作方有业务往来的汽车金融持牌机构已经在与我们就数据风控的授信方式进行深入探讨，在平台不提供担保的情况下，通过司机余额代扣和平台多维度数据建立风控模型，为优质汽车租赁公司提供对公授信资金支持。

▍零售信贷智能风控

滴滴平台具有明显的双边效应，即供给侧和需求侧都通过平台完成交易，因此平台上会沉淀大量交易和运营数据。当汽车金融服务对象是体系内有车人群时，可通过滴滴大数据补充传统零售评分卡的不足，将体系内非信贷数据应用到汽车金融业务场景下，比如用于制定产品级的风控政策和准入标准，输出自动化信用评分，反欺诈，风险敞口管理, 风险定价等。

逐步建立网约车场景下的风险管理体系，实现内评模型在数据、决策、和算法层面的创新。