不对称偏差分析法简述

在上一篇文章《风险管理中的软信息分析》中，我们讲解了关于客户各种软信息风险维度的分析与运用。在文章的最后我们提到，风控人员在对客户的软信息维度进行分析后，很多时候只能得出“还不错”“感觉不大好”这样主观性模糊结论。而这种时候，我们就需运用到一种风控技术，叫“不对称偏差分析法”。下文我们将详细了解什么是不对称偏差分析法，并如何使用这项技术。

“不对称偏差分析法”最开始是运用在信贷IPC技术中，现在看来其实就是风控模型的初级手工版本。而现在流行的大数据模型其实有相当部分借鉴了“不对称偏差分析法”的思路，它能有效剥离且呈现出风险点，最终就客户信息维度做出可视化的风险判断，从而帮助风控人员发现客户风险点，并做出最终决策。

运用“不对称偏差分析法”，我们首先需要设立软信息风险维度，也即是所谓的“标杆”信息。根据信贷客户群体、客户场景的不同，会设立出不同的“标杆”。“标杆”的选择主要在于风控人员对产品的风险把控及产品定位。但要注意的是，设立“标杆”需遵循以下几点原则：

1

客观原则

我们设置“标杆”时，需采用有事实依据且可量化的客观信息作为“标杆”，例如“年龄”、“收入”、“学历”这些软信息维度。而像“健康状况”“家庭关系是否和睦”这类主观判断信息则不能设立为“标杆”。

2

分层原则

我们会将“标杆”分为多个层级，方便之后的分析。但这个分级数量不宜少，更不宜多，通常4-5层是合适的。例如，我们将“年龄”即可分层为“18-25岁”“25-35岁”“35-50岁”“50以上”这四个层级。如果层级过少，则大部分客户呈现的图形会无差异化，起不到作用；而如果层级过多，则图形会呈现大幅度波动，造成大部分客户都是异常的假象。

3

少量“标杆”原则

我们在选择软信息维度“标杆”的时候，也不宜选择过多。“不对称偏差分析法”终究不是大数据模型，无法通过电脑来快速的计算分析超多维度。因为一个“标杆”有4-5个层级，每当我们多设立一个“标杆”，信息量就会增加4-5倍，最终会形成一个庞大的信息维度模型，导致无法得出准确的结果。

当我们选择好“标杆”后，最终就会形成下图所示的简易模型图：

如图所示，不对称偏差分析表其实是展示了某一个阶段大致的正常客户画像。例如上图所标识的45岁客户，再婚，月收入2万元，有200万的房产，从业时间10年，则在分析表中呈一条直线，这就表明客户信息与我们认定的客户软信息是匹配的，则客户软信息真实性较高，风险性较小。

那如果有这么个客户，填写的信息为年龄25岁，离异，月收入2万元，无资产，从业3年，就会出现下图情况：

从上图不对称偏差分析表中我们能明显看到，该客户的软信息风险维度呈现大幅度的波动，换句话说，就是这个客户与我们的目标客户群体的软信息是不匹配的。这种情况其实就是“不对称偏差分析法”对风险人员进行预警，风险人员需第一时间对“欺诈风险”及“信用风险”进行考虑并处理：

1

欺诈风险

客户是否信息作假，导致客户软信息出现大幅度波动。

2

信用风险

如果客户信息真实，那么客户为什么25岁就是离异状态，是否因为人品原因？客户月收入较高，却毫无资产，是否有不良嗜好等。

其实在现如今的实际操作中，随着大数据的普及、风控大数据建模的兴起，“不对称偏差分析法”因为客户信息维度数量的限制，已经不足以满足我们对风控模型越来越精细化的要求。但是，“不对称偏差分析法”作为风控模型的雏形，特别是在风险维度取舍思路上以及异常发生后风控人员对客户风险的迅速反应上，仍是值得我们去借鉴与学习的。

作者：数喆风控经理 许怀鑫

排版：数喆设计 赵磊