“1元卡”解密：扒一扒银行“人群画像”信审逻辑

（原标题：“1元卡”解密：扒一扒银行“人群画像”信审逻辑） 夏心愉乐视前员工在建行信用卡额度被降至1元事件，站在外部视角看，似乎离奇。但如果将视角切换为银行信用卡部门的“人群画像”风控逻辑，以及逐渐讲求的事前预警机制后，一切是否会变得可以理解?事实上，除了“1元额度”过于抓眼球以外，基于所属组织或群体的风险评判变化而“殃及”个人信用情况变化，这样的事件，在业内已不是秘密

（原标题：“1元卡”解密：扒一扒银行“人群画像”信审逻辑）

夏心愉

乐视前员工在建行信用卡额度被降至1元事件，站在外部视角看，似乎离奇。但如果将视角切换为银行信用卡部门的“人群画像”风控逻辑，以及逐渐讲求的事前预警机制后，一切是否会变得可以理解?

事实上，除了“1元额度”过于抓眼球以外，基于所属组织或群体的风险评判变化而“殃及”个人信用情况变化，这样的事件，在业内已不是秘密。建行并非首创。

“殃及池鱼”恰是风控逻辑

数年前，无锡某太阳能公司出现经营危机。第一财经记者从一家股份制银行信用卡部门人士处获悉，他们当时在内部对该家公司员工信用卡也悄然用上了针对性风控措施，只不过处理方式偏于温和而未被外界发现：比如封死这批信用卡的额度，只降不升(包括拒绝本可获批的客户正常提额申请)，并密切关注这批卡片的大额消费情况。

这也不是个案。在另一家股份制银行，对于一些身处产能过剩行业的员工，尤其是一些流水线操作工种，已办信用卡者续卡、未办信用卡者申卡，银行评审起来都会出现一定“扣分”，甚至拒批。

除了所属公司会波及个人，所属行业、身份证从属地域，甚至所属人群的自然属性(比如“未婚、女性”)等，都会因此群体整体信用表现而影响个人，这种影响可能是利好也可能是利空。

比如一张“3522”开头的身份证(属福建宁德地区：钢贸商籍贯集中地)，在2011年银行体系对钢贸业务进行风险预警前，持证人在多家银行办信用卡都比普通人便利，而且有更高概率获得更大的信用卡授信额度;但在2012年钢贸危机爆发后的一两年间，即便持证人从未染指钢贸业务，在钢贸危机深重的长三角地区部分银行，他们甚至很难正常办出信用卡，就更不谈额度高低了。

在乐视员工信用卡降额事件曝光后，一众信用卡部门人士均选择缄默：没有人愿意因表示理解他行风控策略而“躺枪”。

而在第一财经记者以匿名形式的采访中，多名信用卡业务人士均对建行的风控“大方向”和“方法论”――识别该人群风险信号――表示了“认同”或“理解”，不过在手段运用的激进程度上，他们表示了异议。

其中，某银行信用卡中心分管风险的高管人员表示，他们其实也及时捕获到了乐视的风险信号，但仍补充考量了乐视员工本身的情况未提前采取措施。不过他表示，如果出现问题的企业不是乐视而是某些中低端制造业企业，企业已经或有可能发不出薪水，员工多从事偏于弱技术资质的操作型工作，“恐怕采取建行类似的手段是必要的”。

在风控尺度的把握上，建行对乐视持卡员工也是有基于个体的补充考量的，因而采取了“先堵后疏”策略。建行方面回应称，对乐视员工信用卡额度进行调整，只是暂时的举措，各支行会根据名单情况，对信用卡持有人进行一一排查，如果还款正常，就会恢复额度。

信用卡风控变量的“四大维度”

多名业内人士在接受第一财经采访时表达了相近的意思：越是小额、分散的授信，除了对客户个人一对一的资信评估以外，就越需要辅助进行风险评估。后者以大数据为基础、对客户所属群体进行诸如“人群画像”，并不断就新的风险因子表现，修正风控模型及对此群体的策略。

这样，在“大数法则”运算之下，不良率就可控在一定标准之内。

而这正是银行信用卡业务风控的题中之义。

“大额贷款做得好，拼客户关系;小额授信做得好，看模型建设。”有银行人士这样说。

信用卡风控建模具体看哪些变量?上述卡中心分管风险的高管总结称，最传统的操作是看“四大维度”：自然属性、收入情况、财富情况、在其他金融机构的风险表现。这些数据绝大多数在客户的央行征信报告、该行内部账户信息，乃至客户办卡提交材料中都有体现。

自然属性是指客户的性别、年龄、学历、户籍地域等。

收入情况则是公司行业、公司规模、职位、年收入等，这一点在风控的逻辑里被视为客户负债后的“还款来源”。

财富情况是看客户的拥车、拥房，还有在该家银行的存款、理财产品的量级。

2015年商业银行信用卡贷款不良情况 单位：十亿元人民币，%（来源：智研咨询）

客户在其他金融机构的负债情况、信用表现、有无逾期，也是一大考量。此外，多家风控严格的银行信用卡中心，还会对客户实行“刚性扣减”，亦即对卡片申请人的总负债额度进行评估，并减去客户已在其他银行获得的非抵押类授信额度。

除了这些传统操作，随着金融科技及大数据运用的发展，信用卡风控的评审模型中又添加了移动运营商、互联网公司等提供的客户行为数据，当然调取这些数据需在客户充分授权的前提下。这些行为数据可包括客户的移动设备定位、线上支付结算和流水等，也可据此推测部分客户的消费能力和习惯，为银行更精准的营销及风控提供辅助参考。

以上维度，在银行建模考量中的优先等级不同，从最优开始排列，依次为客户已有用卡行为数据、客户总负债水平、客户自然属性基本面、客户工作受薪及财富情况、客户工作行业前景等。其中无征信参考或没有丰富历史用卡行为数据的客户，银行会更多依赖此排序中的后三类信息;而对于该行存量客户，则更依赖前两项及客户在该行既有业务使用信息。

在这一框架里，“如果客户的公司真出现大问题，那就直接影响了两个大项，银行有所动作或反应，从方法论的角度无可厚非，但反应过于激烈未必有必要，因为还要综合评估其他几个大项，而那些变量并没有受到影响。”上述分管风险的高管在接受第一财经记者采访时评述称，其所在银行也会综合考虑到，乐视员工的个人资质属性基本面是偏中高的。

一般而言持卡人个人基本面越好，银行风控逻辑里，其受企业、行业等外部指标连累的程度就越低。

此外，也有银行人士提及对信用卡风险的事前预警机制。顾名思义，这是指不等群体风险指标出现异常而进行的事先干预，一般用作针对宏观经济变化及局部行业地区性变化，动态风险监测与预警机制也通常会配套事后恢复机制。

值得多提一笔的是，客户个人资信行为变化，比如在任意一家系统内银行的用卡发生频繁或中度延滞缴款，明显的消费金额、频次或用途不合理产生套现嫌疑等，都会触发银行风控的“红警”，引发信用卡被降额或停卡。