金融风险管理，就是一门艺术。“金融科技”听起来高端大气上档次，实际上对这个行业存在不少的思维误区。
下面，总结一些金融机构（甚至包括一些银行、持牌消金）都可能犯的错误。

• 误区：金融科技，就是用“科技手段”解决“金融风险问题”。

有时候金融科技太强调技术了。实际上，并非什么都是能用技术手段解决的，未来随着金融窗口的扩大，金融属性会越来越强，金融风控经验一定会越来越重要。风险管理非单纯机器学习，而是搭框架；至于建立模型等等的手段，只是在帮助优化框架内的细节。如果最初对风险偏好的定义、产品定价、额度制定等等本身都设计得不对，那么后续风控怎么做都难以做好。

• 误区：风控就是风险控制，做好控制不让风险发生。

（这是外行容易有的误区）风险是一定存在的，本身是一定无法避免的。所谓风控，不是指控制住风险，而是降低风险概率。我们永远不可能做到消灭脏水的存在，但我们可以把自家的门槛提高。脏水流不到咱家门口，就会流往别家了。

• 误区：要使用额度模型，将好人、坏人的额度差距尽可能拉开。

风控调额，要尽力将好人、坏人的额度差距拉开，这个思路没毛病。假若让坏人的额度成为好人额度的60%，还算是做得不错的。

但是假如坏账率特别低的时候（比如<1%），人群都偏移到质量特别好的群体上，那么耗费成本将额度拉开是没有太大意义的，因为既然这么低的坏账率我是可以接受的，为何不干脆全部都给同样的额度呢？

• 误区：整体来说，安卓流量的风险都要大于ios的。

对于下沉流量来说，安卓风险>ios，多数为中介形式攻击（714高炮类app基本无法上架ios应用商店）；

对于优质流量来说，ios的风险反而比安卓上升，因为攻击形式属于个体（ios的数据更难获取）。

• 误区：关注客群风险，通过自家客群样本定制化建模，能较好地降低风险概率。

风险分为量化风险和政策性风险。政策性风险就像一颗定时炸弹（比如美国的次贷危机）。因此对甲方机构而言，居安思危非常重要，接入一些能反映政策性风险的风控数据产品是一种手段，比如高危借贷人群标签（714高炮名单类产品）。即使眼前风平浪静，但未来风险大面积爆发的时候，潜在风险会优先在这一批客群上暴露。甲方若能提前关注，则能有效地防备。

• 误区：获客时，要选择风险尽可能低的客群，这样后续发生风险的概率更低。

风险低的客户，未必有强烈的借款意愿，响应率未必高，因此获客时的客群未必风险越低越好。

• 误区：【对乙方】某金融机构在使用某第三方风控数据产品后，区分度效果不好，所以该数据不适用。

某甲方测了某乙方的“财富指数”产品，觉得区分度不好，没法将有钱人区分出来。

具体分析，原来甲方是做装修贷业务，该业务人群本身就属于高端人群，买房都是有钱人，因此要将更加有钱的人区分出来难度会更大。对于人群特别集中的样本，区分度不好本来就是大概率的事情。

因此，1乙方卖产品还要针对性地卖，像这种客群特殊的机构，就没必要推“财富指数”产品，更没必要测；2测试效果区分度不好，要首先了解清楚甲方业务是什么、客群的情况，分析是不是样本特殊的原因。

• 误区：【对甲方】某金融机构在使用某第三方风控数据产品后，区分度效果不好，所以该数据不适用。

甲方在使用某个第三方风控数据产品后，分析人数的逾期率没有发生变化，但若该数据能用于拉开额度的差距，也产生了价值。

• 误区：小额贷款产品，模型效果不好，可能是算法没选对。

根据目前业务经验，小额贷款产品的模型风控效果和模型算法其实并无太大联系。对小额贷，决定风险的一般不是借款者的偿还能力，而是偿还意愿。

• 误区：模型在线上正式使用后发生衰减，说明模型效果下降了。

建议分析：

1客群有没有产生变化；

2线上风控策略有没有收紧。

另外，不一定真的是模型产生了衰减，有一种可能性是把模型用在了策略里面，比如策略上设定了某个阈值cutoff，该分数后的人都被拒绝了，故在策略上这部分人群质量会很高，模型的区分度效果肯定没之前总人群的好（建模时候用的是总人群的样本）。

case：某业内头部金科给某互联网大厂的金融业务做模型，测试时KS达到40+，正式用在线上变成了13左右。业务方分析原因，再次用ABtest留下样本做空跑，KS依旧是40，即测试期间的区分度。后来分析原来是模型线上用在了策略里面。

• 误区：坏账率上升，是因为坏客户在增多。

除了分子在增加，分母也在减少，整体上好客户的贷款需求也在缩减。

• 误区：支付行业对调用接口的时效性要求非常高。某风控数据产品的结果时效大约1s，所以该产品基本没法用在支付环节上。

其实也可能有合作空间：可以在支付过程中调用，但不做决策。遇到风险高的客户先留下信息，之后再做筛选，也就是决策放在异步里处理，因此这种情况下时效要求不会太高，1s是完全够的。

支付里做直接拒绝，往往需要明确被盗或被骗，不然往往容易引发投诉。放在异步里做决策，反而更有空间和理由：交易成功，保障了业务发展，同时可根据结果对用户核实，或者要求商户对客户进行核实。

• 误区：汇算清缴数据，能很好地反映企业资产状况，可运用于小微贷的风控场景。

其实24%以上客群，小微企业的缴税都很假，偷税漏税比较严重，所以汇算清缴数据并不算太有用。

• 误区：两家同类型的金融机构使用同一个风控数据名单产品，命中率相同或接近，所以两家风控水平差不多。

case：同样是高危借贷人群标签（714高炮名单类产品），某头部互金机构A和头部互金机构B的命中率基本持平，但A是贷前样本，B是贷后催收样本（说明全是逾期），某种程度说明B的贷前做得比A要好。

• 误区：使用别家机构验证了效果好的模型，也能解决自家的大部分风险问题。

未必。现金贷政策出台前，各家风险上升率各异，但是波动的时间节点是相似的、靠近的。可如今，市场上各家机构的风险变化都不同，非常乱。所以，不要指望接入一个专家模型就能够很好地解决大部分风险问题，定制化风控将是更明智的抉择。