汽车金融下半场：谁能参透大数据，谁就能率先破局

本篇文章2619字，读完约7分钟

借鉴世界先进国家的经验，全球汽车金融的渗透率平均约为50%，而在英美等先进国家，渗透率高达90%。另一方面，在中国，虽然中国连续八年位居全球汽车销售市场首位，但2016年汽车金融的渗透率仅为38%。与英美等发达国家相比，中国的汽车金融市场仍有很大的发展空间。

巨大的潜在市场吸引了许多合资汽车制造商引进自己的汽车金融公司，国内自主品牌汽车制造商也已经建立或计划建立自己的汽车金融公司。到2016年，中国汽车金融公司的数量已增至25家，资产超过4000亿英镑。另一方面，互联网金融公司也以其灵活的数据应用提供更加便捷的贷款产品来吸引消费者，试图共同抢占汽车金融的市场份额，这表明中国汽车金融市场的融资渠道正在逐步多元化，发展方向正在逐步转变为以消费者需求为导向，通过大数据应用简化冗长的贷款流程，通过优化消费者服务体验来获得和留住更多的客户。可以说，大数据分析能力已经成为企业的核心竞争力。因此，笔者希望通过本文对当前汽车金融业的发展趋势发表一些看法。

更快的客户体验要求

对许多人来说，买车是生活中的一件大事。如何顺利地选择一辆车是一件需要大量精力来准备和计划的事情。制定预算、选择汽车、驾驶测试、获得贷款和买车，整个购车过程中的用户体验对客户的最终决定非常重要。

我以前听一个朋友讲过这样一个例子:一个年轻的顾客走进一家4s店，希望选择他一生中的第一辆车。看了几辆车后，他主动提出要知道他能贷多少款，分期付款的次数和利率条件，以便最后决定买哪一辆。根据之前审批流程的经验，4s店表示提交申请后需要3-5天等待最终审批结果。结果年轻顾客走出4s店，通过汽车平台购买自己喜欢的汽车，并通过网上消费金融服务成功申请贷款。

成长于信息时代的新一代年轻客户早已习惯了高效和快节奏的服务，他们对速度的要求已经超过了以往任何时代。对于汽车消费贷款提供商来说，审批流程的及时性不仅影响到自身的运营效率和成本，还直接关系到客户贷款过程中的用户体验，甚至最终影响到交易的数量和成功率。特别是在当前金融技术飞速发展的格局下，大量新兴的网上借贷平台和黄金消费公司已经蓄势待发，打着“同一天放款，几秒钟放款”的旗号，盯上了传统的金融市场。就像上面的例子，当你还在慢慢地通过审批程序，检查风险和计算贷款金额时，客户可能已经转身投入了他的家人的怀抱。

因此，在当前环境下，汽车金融服务提供商也需要迎合客户的需求，进一步优化自身的申请审批流程，减少人工环节，提高审批决策的效率，实现高效自动化的申请审批决策。然而，如何在提高效率的同时有效地管理引入的风险，也是对每个参与者的数据分析、运营管理甚至流程设计能力的巨大挑战。

利用共同借款人加强风险管理

正如作者在上一段中提到的，买车在生活中往往是一件非常重要的事情，它更有可能成为一个家庭除了买房以外的第二大支出。然而，如果夫妻一方有不良信用记录，他们很可能会选择信用状况较好的一方申请汽车贷款，以掩盖信用缺陷。因此，在实践中，许多金融运营商会要求客户在申请汽车贷款时提供配偶或直系亲属作为共同借款人的姓名，并共同承担还款责任，用同一套风险评估标准共同评估汽车贷款借款人和共同借款人的信用风险，从而完整地刻画出信用主体的真实信用状况。

同样的概念也可以应用于风险评估模型，并且共同借款人信息也可以被引入到信用风险评估模型中。基于借款人和共同借款人的风险等级，建立了更详细的风险等级判断标准，并基于该风险等级设计了限额策略。例如，对于有共同借款人且风险等级较高的客户，汽车贷款的首付比例可以降低，这样自动审批流程不再只单方面考虑借款人自身的信用状况，还会考虑共同借款人的信用记录。这样不仅可以更全面地展现贷款主体的信用风险，而且贷款金额也更符合实际信用情况。

不良率太低，导致不良客户样本不足以支持模型开发

笔者与国内几家汽车金融公司和金融租赁公司的风险负责人讨论了风险控制的经验，发现汽车金融服务提供商在建立风险模型时遇到的最常见问题之一是不良客户样本太少。毕竟，买车往往是生活的必需品，资金的使用非常明确，车辆的价格也非常透明，挪用资金和过度贷款的风险也不容易发生。此外，车辆抵押作为债权保护，客户违约成本高，这自然增强了还款意愿，造成新车贷款不良率低。据中国银行业协会统计，2016年国内汽车消费贷款不良率仅为0.37%。

从风险管理的角度来看，低不良率是业绩，是利润的保证，是每个从事风险管理的人最渴望看到的结果，但对数据分析师来说，这可能不是一件好事。一个好的模式是回顾过去，预测未来，从过去的失败中吸取教训，从而提前规避未来的风险。当开发模型时，必须有足够多的坏样本支持，以确保模型区分好客户和坏客户的能力。低不良率无疑大大增加了模型开发的难度。

为了在不良样本不足的情况下保持模型开发的及时性和质量，笔者认为:一方面，可以在不同层次上建立各种不良客户的定义，然后通过滚动率分析选择样本更为严格的不良客户定义，以保证样本数量足以支持模型开发；另一方面，我们可以借鉴行业经验，找出高风险用户的一些共同特征，并根据数据分析结果快速构建应用风险模型的原型，作为风险防御的第一层。随着业务的发展，我们可以根据反馈不断迭代、优化和调整自己的模型和策略，以便及时动态地管理风险。

信用白人家庭的风险识别

据统计，中国汽车消费者中30岁以下人群的比例逐年上升，年轻人逐渐成为汽车市场的主流消费者。基于这一发展趋势，许多品牌汽车制造商相继推出了满足年轻人需求的车型，并积极为年轻人制定了许多营销计划。另一方面，随着二手车市场的快速发展，许多汽车金融家也看到了二手车金融市场的巨大商机。现在，在参观二手车商店时，你经常可以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，二手车客户实际上有更大的可能性属于PBOC信用白人家庭。面对这些缺乏信用记录的年轻客户和二手车客户，现有的评分模型能否有效区分信用风险成为我们模型开发者关注的焦点。

过去，信用风险模型主要使用PBOC信用变量。当面对信用记录很少的客户时，信用评分几乎都降到了中等水平，这使得有效识别风险变得困难。面对这样的困难，我们建议收集更加多样化的数据，并将其纳入模型开发，如电信运营商数据、航空空和铁路数据、第三方支付数据等。，从而扩大模型中变量的维数，降低中国人民银行信用信息变量的比重，从而提高模型对无人信用记录客户的风险识别程度。