汽车金融下半场:谁能参透大数据,谁就能率先破局

亿欧网  •  扫码分享
我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  
汽车金融下半场:谁能参透大数据,谁就能率先破局

借鉴全球先进国家的经验,目前全球 汽车金融 渗透率平均约达50%以上,在英国、美国等先进国家,渗透率更高达90%。反观国内,中国虽然连续8年位居全球汽车销售市场最高位,但2016年的汽车金融渗透率仅38%,与英美等先进国家相比,我国汽车金融市场仍有很大的发展空间。

庞大的潜在市场吸引许多合资车厂纷纷引进旗下汽车金融公司,国内自主品牌车厂也已成立或筹建自己的汽车金融公司,至2016年,我国汽车金融公司已增加至25家,资产规模突破4千亿。另一方面,互联网金融公司也以其灵活的数据应用提供更为便利的贷款产品来吸引消费者,企图一同抢占汽车金融的市场大饼,这些都显现了 我国汽车金融市场融资渠道的逐渐多元化,且发展方向也逐渐转型为以消费者需求为导向——透过 大数据 应用简化以往冗长的贷款流程,借由优化消费者服务体验来获取并留住更多客户。 可以说,大数据分析能力已成为企业的核心竞争力。因此,笔者想借由这次的文章分享对于汽车金融行业目前发展趋势的一些见解。

更“快”的客户体验要求

买车对很多人来说都是人生一件意义重大的事情。如何顺利地选择一辆爱车是需要花费很多精力去准备和策划的事情,制定预算、选车、试驾、贷款,提车,整个购车过程中的用户体验对客户的最终决策都至关重要。

以前听朋友说起过这样的例子:一位年轻的客户走进4S店,希望能够挑选自己人生的第一辆车。看过几辆之后,他提出希望能够了解一下自己能够贷款的额度以及期数、利率条件,来决定最终购买哪一辆。4S店根据以往审批流程的经验,表示提交申请后需要3-5天的时间等待最终审批结果。结果年轻客户转身走出4S店,通过购车平台选购了自己心仪的爱车,并通过 在线消费 金融服务成功办理了贷款。

新一代的年轻客户生长在信息时代,早已习惯了高效率快节奏的服务,他们对于“快”的诉求超越了以往任何一个时代。对于汽车消费贷款提供商而言,审批流程的时效影响的已经不仅仅是自身经营效率和成本,更直接关系到客户贷款过程中的用户体验,乃至于最终影响成交的数量和成功率。特别是在当前 金融科技 高速发展的格局下,大批新兴的网贷平台、消金公司早就已经摩拳擦掌,打着“当日放款”、“秒贷”的旗号,对传统金融市场虎视眈眈。就如同上面的例子中,当你还在慢慢地走审批流程、核定风险、计算可贷额度的时候,客户可能早已经转身投入他家的怀抱。

所以,在当前的环境下,汽车金融服务提供商也需要迎合客户的诉求,进一步优化自身的申请审批流程,减少人工环节,提升审批决策的效率,实现高效的自动化申请审批决策。但如何在提升效率的同时仍能有效管理进件风险,这也是对各入场玩家在数据分析、经营管理乃至流程设计能力上的一大挑战了。

运用共同借款人加强风险管理

如笔者前段所述,买车往往是人生一件意义重大的事情,更可能是一个家庭除了买房以外的第二大开销。然而夫妻之间若有一人具有信用不良记录,就很可能会选择信用状况较好的一方申请车贷,借以掩饰信用瑕疵。因此,在实务上,许多金融业者都会要求客户在申请车贷时必须提供配偶或是直系亲属的姓名作为共同借款人,一同承担还款责任,以同一套风险评估标准共同评估车贷借款人及共借人之信用风险,完整描绘出信用主体的真实信用状况。

同样的概念亦可应用至风险评估模型内,将共借人信息也导入信用风险评估模型中,以借款人与共借人两者的风险评分建立更细化的风险等级判断标准,并以此风险等级为基础来设计额度策略,例如对于有共借人且风险等级良好之客群,可以调降车贷首付比例,让自动化的审批流程也不再只是单方面考量借款人自身信用状况,亦考量共同借款人的信用记录。这样一来,不仅能够更完整地呈现贷款主体的信用风险,也会让贷款额度更符合实际信用情况。

不良率太低导致坏客户样本不够支持模型开发

笔者曾与国内多家汽车金融公司以及融资租赁公司的风险负责人探讨风控心得,发现当下汽车金融服务提供商在构建风险模型时,最常遇到的一个问题即是坏客户样本太少。毕竟买车往往属于生活的必需品,资金用途非常明确,车辆价格也十分透明,不容易发生资金挪用及超额贷款风险,加上又有车辆抵押作为债权的保护,客户的违约成本高,自然提升了还款意愿,也造就了新车贷款不良率低的情况。根据中国银行业协会的数据统计,2016年国内汽车消费贷款不良率仅0.37%。

从风险管理的角度来看,低不良率是绩效的表现,是获利的保证,是每个从事风险管理的人最渴望看到的成果,但对于数据分析的人来说,这就未必是一件好事了。一个好的模型,是着眼于过去而预测未来,从过去的失败中学习经验,才能确保在未来提前规避风险。模型开发时,必须要有足够的坏样本支持,才能确保模型对于好坏客户的区分能力。低不良率无疑大大提高了模型开发的难度。

为了在坏样本不足的情况下依然保持模型开发的时效及品质,笔者认为:可以一方面建立多种不同程度的不良客户定义,再借由滚动率分析来选取较为严谨且样本数量相对充足的不良客户定义,确保样本数量足够支持模型开发;另一方面还可以借鉴业内行业经验,找出高风险用户的某些共性特征,结合数据分析结果快速构建申请风险模型原型,来作为第一层风险防线,并随着业务开展,根据反馈来不断地迭代、优化和调整自身模型及策略,做到对风险及时动态的管理。

信用白户的风险辨识

据统计数据表明,中国汽车消费者中30岁以下的人群占比正在逐年上升,年轻族群已经逐渐成为汽车市场的主流消费者。基于此发展趋势,许多品牌车厂陆续推出符合年轻人需求的车款,也积极地针对年轻族群打出许多营销方案。另一方面,二手车市场的快速发展,也让许多汽车金融业者放眼于二手车汽车金融市场的庞大商机。现在去逛二手车卖场时,常可看到汽车金融的服务人员提供二手车分期贷款产品,帮助消费者降低购车门槛。然而,二手车客户其实有较大的机率属于人行信用白户,面对这些缺乏信用记录的年轻客群以及二手车客群,套用现有的评分模型是否能有效区分信用风险,亦成为我们模型开发者关注的焦点。

以往信用风险模型皆以人行征信变量占大多数,当面对几无信用记录的客群时,信用评分几乎都是落于中间水平,难以有效辨识风险。面对这样的困境,我们建议的做法是采集更多样化的数据投入模型开发,例如在模型中投入电信运营商数据、航空及铁路数据、第三方支付数据等,扩大模型中变量的维度,降低人行征信变量的比重,借此提升模型对于无人行信用记录客群的风险辨识度。

另一方面,针对无人行征信记录的客群,我们可以再从中细分出具有互联网金融借款记录的客群,针对这些客群采用互联网金融平台的信用评分、欺诈记录、平台查询记录、历史信用记录等数据建立评分模型。对于无人行征信记录也无互联网金融借款之客群,再利用第三方数据开发通用评分模型,透过更缜密的客户细分规则,并针对不同性质之客群套用与之匹配的评分模型,来提升评分系统对于整体客群的覆盖率。

随意打赏

金融科技与金融大数据互联网金融下半场消费金融下半场大数据下半场汽车金融公司互联网下半场大数据金融长安汽车汽车金融金融数据
提交建议
微信扫一扫,分享给好友吧。