论文部分内容阅读
摘要：随着消费观念的转变，汽车融资租赁模式已经逐渐被汽车市场中相对成熟的用户所认可，同时成为了低线城市扩大汽车销量的主要方式之一。以毛豆新车、弹个车为代表的行业领军者已经形成了比较系统的业务流程和模式，但与此同时也对信用风险控制提出了新的挑战。本文主要介绍了大数据和云计算概述、互联网汽车融资租赁的信用风险分析，接着重点基于大数据和云计算的互联网汽车融资租赁的信用风险控制思路。
关键词：互联网汽车融资租赁;大数据;云计算;风险控制
中图分类号：F830.571 文献标识码：A 文章编号：1674-957X（2021）14-0187-03
0 引言
近几年，互联网和电商的发展浪潮也逐渐渗透到了汽车行业，迎合了部分勇于尝试新事物的消费者的需求。与此同时，随着80后、90后逐渐成为购车群体的主力军，他们不再强调汽车的所有权而是更看重汽车的使用权，消费观念的转变加上多样化金融方案的推出，使得互联网汽车融资租赁业务成为汽车消费市场的新型模式，但其中也伴随着风控模式的转变。
1 金融风控新技术——大数据和云计算
目前汽车融资租赁业务主要有三大參与者：主机厂、经销商、互联网玩家，这其中由于互联网浪潮的快速推进和消费者消费习惯的培养，互联网玩家是最近两年发展最快的汽车融资租赁业务形式。凭借互联网基因，互联网汽车融资租赁业务具有天然的科技和场景优势，因此新型的金融科技可以广泛应用于互联网汽车融资租赁的获客业务和后续的风控流程中。目前在金融风控方面也出现了很多新型的技术手段，包括大数据、云计算、OCR、电子签章、人脸识别、区块链、人工智能等等，其中以大数据和云计算在互联网汽车融资租赁信用风险控制中的运用最为突出。
大数据技术是指对海量、多维度、不同价值度的数据进行分析的技术。大数据在互联网汽车融资租赁方面的重要应用之一就是进行信用评估。由于目前我国央行的征信系统所覆盖的信息和人群都不够全面，所以可以通过搜集来自运营商、地理位置、多头借贷、关系网络和互联网行为数据等多维度数据，更精准地实现对承租人的信用评级。运用大数据技术可以很好地解决传统风控中量化风控能力不足、没有充分利用线上形式实现数据的沉淀和流转、风控系统功能滞后、反欺诈能力弱等风控痛点。
云计算是一种基于互联网的计算方式，能够向计算机及其它设备提供软硬件资源和信息应用资源，通过共享使各行业实现市场规模化。互联网汽车融资租赁相较于传统融资租赁业务最大的一个转变就是大部分业务流程都从线下转移到了线上，云计算在互联网汽车融资租赁业务中的应用主要就体现在实现租赁业务线上化和数据化，促进风控智能化升级。
2 互联网汽车融资租赁的信用风险分析
汽车融资租赁业务改变了传统以所有权为主导的消费信贷购车模式，其低门槛、低首付、灵活度高的业务特点吸引了很多消费者的注意。同时随着一二线城市的汽车市场逐渐饱和，低线城市和农村地区的消费需求正在快速释放，汽车融资租赁业务模式刚好满足了这些地区年轻消费群体的购车需求。据《2020中国汽车金融报告》统计，中国汽车融资租赁未来市场份额将大幅增加（如图1）。
据艾瑞咨询《2019年中国汽车融资租赁行业研究报告》中的预测数据显示，我国汽车融资租赁市场规模，在2021年将会达到3897亿元。其中互联网汽车融资租赁公司成长速度尤为显著，具体如表1。从福建本土来看，已经出现了像喜相逢这样的在国内领先的汽车融资租赁服务商，2016-2018年，利润分别达到了6150万、6082万和5994万。在互联网汽车融资租赁业务快速发展的同时，我们要注意到，汽车融资租赁业务面对的群体是经过银行和汽车金融公司筛选之后的次级信用群体，及央行征信系统没有覆盖到的信用白户，这为互联网汽车融资租赁业务的开展埋下了巨大的信用风险隐患。
互联网汽车融资租赁平台在业务开展过程中面临的信用风险是来自车辆租赁的单个承租方的风险，主要是指承租方的还款意愿和还款能力，具体表现为承租方租赁车辆后，主观恶意或由于客观因素造成无法按时或者全额支付租金，使出租方无法按照约定收回车辆成本以及相应利息收入。信用风险的成因可以从出租方和承租方两个方面来看，一方面跟承租方自身的信用有关，比如承租方信用意识差或者多头负债;另一方面跟出租方在授信时的判断有关，目前大多数汽车融资租赁企业在对承租方进行信用审核时，一般还是凭借传统资料，如承租方的银行流水、相关证件和证照、人行的个人信用数据等，评价结果不够客观。信用查询系统主要依据央行的征信系统，据央行征信中心统计，截至2019年底，征信系统收录10.2亿自然人的相关信息，那就意味着有将近4亿人的信用信息还未被征信系统收录，而这部分人恰恰和互联网融资租赁的客户群体有较高的重合度。另外，独立第三方征信机构发展缓慢，这些从客观上决定了信用风险的增加。同时，鉴于目前贷后催收业务在开展时会受到诸如法律合规性等因素的制约，这无形中增加了贷后催收的难度和追回损失的不确定性。因此，建立以大数据和云计算为基础的贷前信用评估模型显得尤为重要。
3 互联网汽车融资租赁业务风险控制的难点
3.1 互联网汽车融资租赁相对于传统融资租赁业务的变化
互联网汽车融资租赁业务虽然和传统融资租赁业务的本质是一样的，但是由于互联网基因的加入，使得业务形式发生了一些变化：首先，从获客方式上来看，当下消费者消费行为更多发生在线上，互联网融资租赁的获客方式也更多转移到了线上;其次，在风险控制方面，传统的风控方式更多依赖纸质材料导致风险较大，随着数据线上化，风控也更多依赖线上技术手段;再次，车辆在交易过程中业务更多地实现线上化;最后，互联网汽车融资租赁业务的金融场景也实现了线上化。 3.2 互联网汽车融资租赁业务的风控难点
汽车融资租赁业务具有小额分散、每笔业务之间违约相关性弱、整体资产质量受部分主体违约影响较小的特点，互联网汽车融资租赁业务又更加依赖信息化和数字化，线上化操作风险隐蔽性强，线上线下整合难，增加了风险识别和管理的难度;基于此，对于互联网汽车融资租赁业务来说，在交易场景、融资租赁公司的主体风险和基础资产方面进行有效管理就显得尤为重要，这就意味着需要保证数据的真实完整性、风控模型的有效性、稳定性和可靠性，同时对融资租赁的产品设计、风控模型的搭建和运营管理的科技化要求也就更高。
在互联网汽车融资租赁业务中，要想实现有效信用风险管理，需要分析交易场景中必要的数据和信息，利用交易过程中采集的数据和通过第三方渠道获取的数据对核心交易流程、风控标准和风控措施进行持续验证。从承租者这个角度来看，风控主要是数据质量和模型建立两个角度，从根本上来说，模型建立不是难点，关键的是收集的数据质量，比如可以从哪些网站收集到数据，这些数据是否与官方相关部门连接等，数据沉淀量怎么样，需要收集更多维度的数据保证风险管理模型的效果。数据系统的完善需要在平常的业务开展过程中不断地积累和保存数据，经过风控模型开展信用风险控制的过程中会实现数据沉淀，这些沉淀后的数据经过数据清洗参考价值就会越来越高，逐渐实现由数据收集过渡到数据驱动。这里主要是个人数据，涉及到个人隐私安全的问题，因此需要尽快完善个人征信制度。
4 基于大数据和云计算的互联网汽车融资租赁的信用风险控制思路
在基于大数据和云计算进行互联网汽车融资租赁的信用风险控制时，需要先建立出租方自身的数据系统、然后搭建风险评估模型、信用评价体系和风险定价系统，搜集出租方自身系统内外部用户的大量数据，进行相应分析，这样才能发挥云数据系统和评估定价模型在互联网汽车融资租赁业务风险控制环节的最大效应，从而实现真正以数据为驱动，提高风险控制流程的效率。
4.1 信用评估评分模型的筛选
具体来说，评分模型可以细分为准入模型和审批模型。在传统的信贷业务中，对个人客户信用风险的判断主要是通过信用模型的评估对客户的信用等级进行评定，确定客户是属于优质客户、风险客户还是不良客户。信用评估主要侧重两个方面的内容，一是客户的还款意愿，二是客户的还款能力，传统的做法是建立如评分卡技术的信用评估模型，通过计算得出客户的信用分，根据得分情况进行分级判断。
常见的个人信用评估模型分为统计类和非统计类。逻辑回归模型样本数据线性与非线性皆可使用，但存在评价指标界限，不适用于高维数据的缺点;BP神经网络模型数据处理运算快，有较强的容错能力，但数据需要量大。汽车融资租赁业务个人客户信用数据类型多且复杂，在后期优化信用数据引入大量数据后要求模型具备处理高维数据的能力，且涉及信用分类问题，因此非统计类的BP神经网络模型更为适用。
4.2 模型指标的选定
当前，互联网汽车融资租赁公司的主要客户群体是次级消费群体。如果租赁公司依然关注客户的央行征信、客户的负债比和流动现金比例，就很难开展业务，租赁公司更应该关注用户的行为习惯，或者说是用户的大数据分析。
4.2.1 准入条件
在准入门槛方面，我们可以从以下基本信息来进行筛选：消费者的年龄、行业、地区、驾驶证违章、出行信息、其他负面信息，对于没有达到指定条件的不予通过。在信息真实性的验证方面，可以借助一些科技化的手段和设备来辅助完成身份校验，比如可以通过后台集中化视频电审的方式进行交叉验证，对于消费者提供的个人工作单位、联系电话、生活行为等数据进行验证，降低欺诈风险。
4.2.2 关键指标
对于汽车融资租赁的客户来说，重點应该放在客户的消费行为习惯、社交信息和互联网信用信息等方面上来。
在用户的消费行为习惯方面：在互联网大环境下，我们更应该关注消费者的消费信息和社交信息，关注他社交和电商平台上留下的痕迹，这些属于系统外部数据，可以通过与第三方达成合作来获得数据并进行相应分析。比如喜相逢融资租赁有限公司通过消费者的手机号，经过天猫等第三方数据分析后发现，虽然有一些逾期行为和其他问题，但是通过分析客户的浏览网站时长和主要通话对象的身份，就大概可以判断消费者的社交范围;同时也可以与物流公司合作，查询以该手机号码为收件人的相关购物记录，大致就可以判断出这个消费者的群体类别、以及他的社交习惯和收支情况等。之前喜相逢风控部门就发现这样的一个案例，一个30岁左右的男性消费者打算在该公司通过融资租赁的方式购买一台30万以上的奔驰C级车，但是通过相关系统数据分析后发现，这名客户的上网时间不长，手机号对应的收货地址经常进行更换，消费水平长期低于两百元，没有购买一些贵重物品，从而推断该客户的工作可能不够稳定，进而怀疑客户的还款能力。将这类型信息进行归纳分类并加以分析后一般能够获得一些比较有价值的线索。
在取得客户授权的时候，还可以对他互联网上的多头借贷进行查询，引入外部黑灰名单、网贷共债逾期等，比如说蚂蚁花呗、京东白条等相关互联网上的多头借贷。通过查询这些信息，并给客户的工作单位和朋友进行电话调研，大概就可以得到客户的一个基本画像，确定这个客户大致的还款能力区间，了解这台车的承租人的消费习惯和社交群体。
4.3 大数据风控模型逻辑分析
在大数据和云计算的技术支持下，完成互联网汽车融资租赁业务的风控模型大致分为以下几个步骤：
①数据分层：对搜集的系统内外部数据进行分层处理，从横向上，按照行业形态、业务模式等做好场景分类;从纵向上，按照数据的有效性和重要性进行分层设计。
②特征工程：是通过机器归纳的方法，针对不同的源数据以及分层特点，提取特征的过程，这个过程可以通过行业专家进行分析提炼也可以通过机器算法进行辅助。 ③智能建模：在特征提取完成之后对特征的组合权重通过数学算法进行模拟演算，形成具有针对性的场景模型。
④演算修正：信用准入和评估模型根据各自应用场景，通过不断输入增量数据和模型微调，进行重新演算和修正优化。
⑤数据回归：模型修正优化后对存量数据进行回归计算，并重新对风险进行预测，将预测结果反馈给运营和管理部门，这将使业务流程、营销策略、管理模式得到进一步的修复和优化。
4.4 模型的使用
模型搭建好之后，接下来要考虑的是模型运用的问题，可以在实际操作中利用表格的方式实现数据的整理和转化，将每个信用评分区间的坏账率和预测正负样本分隔程度的指标KS值列出来，然后划分阈值，作为后续业务风险的审批依据。
识别完欺诈风险和信用风险，与后续资产质量直接挂钩的就是互联网汽车融资租赁企业如何进行产品设计，即放款额度和价格，所以额度定价模型也是非常重要的一环。通常会把信用评分结果和个人还款能力的评估做一个交叉，对客户进行风险细分，还款能力强同时信用风险低，代表客户资质好，就可以相应地提高客户地额度空间;信用风险高同时还款能力弱，代表客户资质差，就可以相应的提高客户的首付比，降低放款额度空间，提高客户的违约成本，实现更好的风控效果，如图2所示。
5 总结
在实际业务操作过程中，互联网汽车融资租赁企业有时为了增加业务量，会降低准入门槛，这无形中也增加了信用风险，所以开展业务量的规模和资产不良率是成正比的。由于每一家企业的风险偏好不一样，因此可以在业务开展过程中找到最适合自己企业的业务量水平和能接受的不良率水平。
参考文献：
[1]刘志惠，黄志刚，谢合亮.大数据风控有效吗？——基于统计评分卡与机器学习模型的对比分析[J].統计与信息论坛，2019.
[2]左晨.汽车融资租赁的大数据风控应用浅议[J].产业研究，2020.
[3]刘占辉.大数据智能如何助力汽车金融风控[C].SP闪光辉之反欺诈分享会，2018.
[4]2019年中国汽车融资租赁行业研究报告.
[5]安福绪.大数据背景下消费信贷风险因素分析[D].2015.
[6]王嘉仪.大数据在互联网金融风控中的应用探讨[J].信息系统工程，2018（07）.
[7]彭小辉.大数据在互联网金融风控中的应用研究[J].中外企业家，2020（08）.
[8]肖剑秋.中国互联网背景下的汽车融资租赁分析———以车好多集团为例[J].市场周刊，2019（03）.
[9]彭湖.大数据风控的现状及优化对策[J].商展经济，2020（04）.
[10]罗兰贝格.2020中国汽车金融报告.
关键词：互联网汽车融资租赁;大数据;云计算;风险控制
中图分类号：F830.571 文献标识码：A 文章编号：1674-957X（2021）14-0187-03
0 引言
近几年，互联网和电商的发展浪潮也逐渐渗透到了汽车行业，迎合了部分勇于尝试新事物的消费者的需求。与此同时，随着80后、90后逐渐成为购车群体的主力军，他们不再强调汽车的所有权而是更看重汽车的使用权，消费观念的转变加上多样化金融方案的推出，使得互联网汽车融资租赁业务成为汽车消费市场的新型模式，但其中也伴随着风控模式的转变。
1 金融风控新技术——大数据和云计算
目前汽车融资租赁业务主要有三大參与者：主机厂、经销商、互联网玩家，这其中由于互联网浪潮的快速推进和消费者消费习惯的培养，互联网玩家是最近两年发展最快的汽车融资租赁业务形式。凭借互联网基因，互联网汽车融资租赁业务具有天然的科技和场景优势，因此新型的金融科技可以广泛应用于互联网汽车融资租赁的获客业务和后续的风控流程中。目前在金融风控方面也出现了很多新型的技术手段，包括大数据、云计算、OCR、电子签章、人脸识别、区块链、人工智能等等，其中以大数据和云计算在互联网汽车融资租赁信用风险控制中的运用最为突出。
大数据技术是指对海量、多维度、不同价值度的数据进行分析的技术。大数据在互联网汽车融资租赁方面的重要应用之一就是进行信用评估。由于目前我国央行的征信系统所覆盖的信息和人群都不够全面，所以可以通过搜集来自运营商、地理位置、多头借贷、关系网络和互联网行为数据等多维度数据，更精准地实现对承租人的信用评级。运用大数据技术可以很好地解决传统风控中量化风控能力不足、没有充分利用线上形式实现数据的沉淀和流转、风控系统功能滞后、反欺诈能力弱等风控痛点。
云计算是一种基于互联网的计算方式，能够向计算机及其它设备提供软硬件资源和信息应用资源，通过共享使各行业实现市场规模化。互联网汽车融资租赁相较于传统融资租赁业务最大的一个转变就是大部分业务流程都从线下转移到了线上，云计算在互联网汽车融资租赁业务中的应用主要就体现在实现租赁业务线上化和数据化，促进风控智能化升级。
2 互联网汽车融资租赁的信用风险分析
汽车融资租赁业务改变了传统以所有权为主导的消费信贷购车模式，其低门槛、低首付、灵活度高的业务特点吸引了很多消费者的注意。同时随着一二线城市的汽车市场逐渐饱和，低线城市和农村地区的消费需求正在快速释放，汽车融资租赁业务模式刚好满足了这些地区年轻消费群体的购车需求。据《2020中国汽车金融报告》统计，中国汽车融资租赁未来市场份额将大幅增加（如图1）。
据艾瑞咨询《2019年中国汽车融资租赁行业研究报告》中的预测数据显示，我国汽车融资租赁市场规模，在2021年将会达到3897亿元。其中互联网汽车融资租赁公司成长速度尤为显著，具体如表1。从福建本土来看，已经出现了像喜相逢这样的在国内领先的汽车融资租赁服务商，2016-2018年，利润分别达到了6150万、6082万和5994万。在互联网汽车融资租赁业务快速发展的同时，我们要注意到，汽车融资租赁业务面对的群体是经过银行和汽车金融公司筛选之后的次级信用群体，及央行征信系统没有覆盖到的信用白户，这为互联网汽车融资租赁业务的开展埋下了巨大的信用风险隐患。
互联网汽车融资租赁平台在业务开展过程中面临的信用风险是来自车辆租赁的单个承租方的风险，主要是指承租方的还款意愿和还款能力，具体表现为承租方租赁车辆后，主观恶意或由于客观因素造成无法按时或者全额支付租金，使出租方无法按照约定收回车辆成本以及相应利息收入。信用风险的成因可以从出租方和承租方两个方面来看，一方面跟承租方自身的信用有关，比如承租方信用意识差或者多头负债;另一方面跟出租方在授信时的判断有关，目前大多数汽车融资租赁企业在对承租方进行信用审核时，一般还是凭借传统资料，如承租方的银行流水、相关证件和证照、人行的个人信用数据等，评价结果不够客观。信用查询系统主要依据央行的征信系统，据央行征信中心统计，截至2019年底，征信系统收录10.2亿自然人的相关信息，那就意味着有将近4亿人的信用信息还未被征信系统收录，而这部分人恰恰和互联网融资租赁的客户群体有较高的重合度。另外，独立第三方征信机构发展缓慢，这些从客观上决定了信用风险的增加。同时，鉴于目前贷后催收业务在开展时会受到诸如法律合规性等因素的制约，这无形中增加了贷后催收的难度和追回损失的不确定性。因此，建立以大数据和云计算为基础的贷前信用评估模型显得尤为重要。
3 互联网汽车融资租赁业务风险控制的难点
3.1 互联网汽车融资租赁相对于传统融资租赁业务的变化
互联网汽车融资租赁业务虽然和传统融资租赁业务的本质是一样的，但是由于互联网基因的加入，使得业务形式发生了一些变化：首先，从获客方式上来看，当下消费者消费行为更多发生在线上，互联网融资租赁的获客方式也更多转移到了线上;其次，在风险控制方面，传统的风控方式更多依赖纸质材料导致风险较大，随着数据线上化，风控也更多依赖线上技术手段;再次，车辆在交易过程中业务更多地实现线上化;最后，互联网汽车融资租赁业务的金融场景也实现了线上化。 3.2 互联网汽车融资租赁业务的风控难点
汽车融资租赁业务具有小额分散、每笔业务之间违约相关性弱、整体资产质量受部分主体违约影响较小的特点，互联网汽车融资租赁业务又更加依赖信息化和数字化，线上化操作风险隐蔽性强，线上线下整合难，增加了风险识别和管理的难度;基于此，对于互联网汽车融资租赁业务来说，在交易场景、融资租赁公司的主体风险和基础资产方面进行有效管理就显得尤为重要，这就意味着需要保证数据的真实完整性、风控模型的有效性、稳定性和可靠性，同时对融资租赁的产品设计、风控模型的搭建和运营管理的科技化要求也就更高。
在互联网汽车融资租赁业务中，要想实现有效信用风险管理，需要分析交易场景中必要的数据和信息，利用交易过程中采集的数据和通过第三方渠道获取的数据对核心交易流程、风控标准和风控措施进行持续验证。从承租者这个角度来看，风控主要是数据质量和模型建立两个角度，从根本上来说，模型建立不是难点，关键的是收集的数据质量，比如可以从哪些网站收集到数据，这些数据是否与官方相关部门连接等，数据沉淀量怎么样，需要收集更多维度的数据保证风险管理模型的效果。数据系统的完善需要在平常的业务开展过程中不断地积累和保存数据，经过风控模型开展信用风险控制的过程中会实现数据沉淀，这些沉淀后的数据经过数据清洗参考价值就会越来越高，逐渐实现由数据收集过渡到数据驱动。这里主要是个人数据，涉及到个人隐私安全的问题，因此需要尽快完善个人征信制度。
4 基于大数据和云计算的互联网汽车融资租赁的信用风险控制思路
在基于大数据和云计算进行互联网汽车融资租赁的信用风险控制时，需要先建立出租方自身的数据系统、然后搭建风险评估模型、信用评价体系和风险定价系统，搜集出租方自身系统内外部用户的大量数据，进行相应分析，这样才能发挥云数据系统和评估定价模型在互联网汽车融资租赁业务风险控制环节的最大效应，从而实现真正以数据为驱动，提高风险控制流程的效率。
4.1 信用评估评分模型的筛选
具体来说，评分模型可以细分为准入模型和审批模型。在传统的信贷业务中，对个人客户信用风险的判断主要是通过信用模型的评估对客户的信用等级进行评定，确定客户是属于优质客户、风险客户还是不良客户。信用评估主要侧重两个方面的内容，一是客户的还款意愿，二是客户的还款能力，传统的做法是建立如评分卡技术的信用评估模型，通过计算得出客户的信用分，根据得分情况进行分级判断。
常见的个人信用评估模型分为统计类和非统计类。逻辑回归模型样本数据线性与非线性皆可使用，但存在评价指标界限，不适用于高维数据的缺点;BP神经网络模型数据处理运算快，有较强的容错能力，但数据需要量大。汽车融资租赁业务个人客户信用数据类型多且复杂，在后期优化信用数据引入大量数据后要求模型具备处理高维数据的能力，且涉及信用分类问题，因此非统计类的BP神经网络模型更为适用。
4.2 模型指标的选定
当前，互联网汽车融资租赁公司的主要客户群体是次级消费群体。如果租赁公司依然关注客户的央行征信、客户的负债比和流动现金比例，就很难开展业务，租赁公司更应该关注用户的行为习惯，或者说是用户的大数据分析。
4.2.1 准入条件
在准入门槛方面，我们可以从以下基本信息来进行筛选：消费者的年龄、行业、地区、驾驶证违章、出行信息、其他负面信息，对于没有达到指定条件的不予通过。在信息真实性的验证方面，可以借助一些科技化的手段和设备来辅助完成身份校验，比如可以通过后台集中化视频电审的方式进行交叉验证，对于消费者提供的个人工作单位、联系电话、生活行为等数据进行验证，降低欺诈风险。
4.2.2 关键指标
对于汽车融资租赁的客户来说，重點应该放在客户的消费行为习惯、社交信息和互联网信用信息等方面上来。
在用户的消费行为习惯方面：在互联网大环境下，我们更应该关注消费者的消费信息和社交信息，关注他社交和电商平台上留下的痕迹，这些属于系统外部数据，可以通过与第三方达成合作来获得数据并进行相应分析。比如喜相逢融资租赁有限公司通过消费者的手机号，经过天猫等第三方数据分析后发现，虽然有一些逾期行为和其他问题，但是通过分析客户的浏览网站时长和主要通话对象的身份，就大概可以判断消费者的社交范围;同时也可以与物流公司合作，查询以该手机号码为收件人的相关购物记录，大致就可以判断出这个消费者的群体类别、以及他的社交习惯和收支情况等。之前喜相逢风控部门就发现这样的一个案例，一个30岁左右的男性消费者打算在该公司通过融资租赁的方式购买一台30万以上的奔驰C级车，但是通过相关系统数据分析后发现，这名客户的上网时间不长，手机号对应的收货地址经常进行更换，消费水平长期低于两百元，没有购买一些贵重物品，从而推断该客户的工作可能不够稳定，进而怀疑客户的还款能力。将这类型信息进行归纳分类并加以分析后一般能够获得一些比较有价值的线索。
在取得客户授权的时候，还可以对他互联网上的多头借贷进行查询，引入外部黑灰名单、网贷共债逾期等，比如说蚂蚁花呗、京东白条等相关互联网上的多头借贷。通过查询这些信息，并给客户的工作单位和朋友进行电话调研，大概就可以得到客户的一个基本画像，确定这个客户大致的还款能力区间，了解这台车的承租人的消费习惯和社交群体。
4.3 大数据风控模型逻辑分析
在大数据和云计算的技术支持下，完成互联网汽车融资租赁业务的风控模型大致分为以下几个步骤：
①数据分层：对搜集的系统内外部数据进行分层处理，从横向上，按照行业形态、业务模式等做好场景分类;从纵向上，按照数据的有效性和重要性进行分层设计。
②特征工程：是通过机器归纳的方法，针对不同的源数据以及分层特点，提取特征的过程，这个过程可以通过行业专家进行分析提炼也可以通过机器算法进行辅助。 ③智能建模：在特征提取完成之后对特征的组合权重通过数学算法进行模拟演算，形成具有针对性的场景模型。
④演算修正：信用准入和评估模型根据各自应用场景，通过不断输入增量数据和模型微调，进行重新演算和修正优化。
⑤数据回归：模型修正优化后对存量数据进行回归计算，并重新对风险进行预测，将预测结果反馈给运营和管理部门，这将使业务流程、营销策略、管理模式得到进一步的修复和优化。
4.4 模型的使用
模型搭建好之后，接下来要考虑的是模型运用的问题，可以在实际操作中利用表格的方式实现数据的整理和转化，将每个信用评分区间的坏账率和预测正负样本分隔程度的指标KS值列出来，然后划分阈值，作为后续业务风险的审批依据。
识别完欺诈风险和信用风险，与后续资产质量直接挂钩的就是互联网汽车融资租赁企业如何进行产品设计，即放款额度和价格，所以额度定价模型也是非常重要的一环。通常会把信用评分结果和个人还款能力的评估做一个交叉，对客户进行风险细分，还款能力强同时信用风险低，代表客户资质好，就可以相应地提高客户地额度空间;信用风险高同时还款能力弱，代表客户资质差，就可以相应的提高客户的首付比，降低放款额度空间，提高客户的违约成本，实现更好的风控效果，如图2所示。
5 总结
在实际业务操作过程中，互联网汽车融资租赁企业有时为了增加业务量，会降低准入门槛，这无形中也增加了信用风险，所以开展业务量的规模和资产不良率是成正比的。由于每一家企业的风险偏好不一样，因此可以在业务开展过程中找到最适合自己企业的业务量水平和能接受的不良率水平。
参考文献：
[1]刘志惠，黄志刚，谢合亮.大数据风控有效吗？——基于统计评分卡与机器学习模型的对比分析[J].統计与信息论坛，2019.
[2]左晨.汽车融资租赁的大数据风控应用浅议[J].产业研究，2020.
[3]刘占辉.大数据智能如何助力汽车金融风控[C].SP闪光辉之反欺诈分享会，2018.
[4]2019年中国汽车融资租赁行业研究报告.
[5]安福绪.大数据背景下消费信贷风险因素分析[D].2015.
[6]王嘉仪.大数据在互联网金融风控中的应用探讨[J].信息系统工程，2018（07）.
[7]彭小辉.大数据在互联网金融风控中的应用研究[J].中外企业家，2020（08）.
[8]肖剑秋.中国互联网背景下的汽车融资租赁分析———以车好多集团为例[J].市场周刊，2019（03）.
[9]彭湖.大数据风控的现状及优化对策[J].商展经济，2020（04）.
[10]罗兰贝格.2020中国汽车金融报告.