金融科技与风控的结合,要建置量化风险模型和与之对应的组织架构,小微因案件分散,财务杠杆需要更高的资金池运作的能力,初入的门槛实比一般项目来的高,但一旦做好量化信用风险管理,将会有效降低作业成本,增加小微人均管理资产,并建立护城河,获得可持续的可观利润。一般来说小微企业因无场景依托,风险控制的做法将会有别于一般TO C业务,难度也更高。

一、为什么要运用风险模型?

小微的痛点为作业成本与风险的关系,小微高度信息不对称,但资产易穿透,用手工慢慢做都能做好业务,目前现行大部分租赁公司是依靠有丰富经验的主管批核,或许个案会比较准确,但是不能复制及不易传承,耗时效率不佳,要扩大业务规模会有局限。用数据来替代经验,用标准化的流程来实现批量化的操作。信息数字化,决策流程数位化,以「模型」与个人专家并行,学习运用模型才是最好的营运模式。在市场亦有先例,专注在小微的租赁公司,虽然资产规模只有其它龙头租赁公司的十分之一,但营业收入等量,ROE更是长期维持在20%以上。

二、大数据风控要做什么跟可以做到什么呢?  

以实务经验来说,小微产品上规模仍有几种方法可参考,可根据客群设定与产品的不同而有所不同。虽然小微大多获客是依属地化,但在做数据分析时是首先按细分行业做纵向分类所属行业,并依次将譬如包括但不限于报税销售额、销售结构、供应商结构、财务信息、上下游信息,银行给予的授信额度做数字化信息入库。在资产组合管理视角上虽然强调要尽量产业分散,避免相当数量的资产具有相似的风险特征,但每种产业都有其各自的营业周期,做产业分析还是有其重要性。

这里稍微解释一下与违约因子有关的五大构面,从这五大构面可以勾勒出相关10-20个代理变数。包括经营能力、财务流动性、规模成长能力、公司偿债能力、负债程度五个构面。在财务流动性分析上,因金融科技的参与,也做到了批量分析流水、税务等等,取代重复劳动的人工作业。而软性因子包括但不限于老板个人的消费习惯、保证人之背景与资力、也因金融科技与信用环境的成熟,相关因子有的已有数据源可参考,或可佐评等表将显性因子做组合风模,如此种种做多维度的数据模型。在实务上,因小微企业的特性,一般在违约预测会以多种不同的数量分析做结合,再加上后续新案件修正与检视模型,只要模型具一定稳定度,便是非常有效的工具。以台湾经验为例,风险模型是经过多年的产学研究合作建置的,评等好坏与违约率高低,经过超过10多年的检验相关度超过90%。

在小微上因为作业成本高,不只会注意型二误差( Type Ⅰ Error)也很在意型一误差(Type Ⅱ Error),型一误差是指实际上为正常公司,但模型估计出来的结果却被判别为违约公司。而型二误差是指实际上有发生违约的公司,在模型估计出来的结果却被判别为正常公司,过度保守犹如银行的风控,违约案件检讨报告写不完。

 一般国际上在评估信用风险时常用的建模方法例如KMV或BSM理论依据较严谨,被多数业者采用,「Credit Metric」是以「迁移矩阵」推测「违约槪率」,这方法需要稳定的客户评等,再加上大量且长期的评等迁移,才能推估较稳定的违约率。小微企业的基础信息的准确度较不稳定,不易用此方式建模,较适合上市公司有稳定且长期的财务信息可取得,各种建置数量分析方法都有一些局限性,当决定于取得建模的样本,以最适合的各种「数量方法」建置。

三、市场已成熟的数据分析经验—"小小微”租赁、汽车金融为例

前次文章有提过,在风险定价的公式里,预期损失率(EL)牵涉了三个数字。

(1) 违约率(PD;Probability of Default)。

(2) 违约时曝险额(EAD;Exposure at Default)。

(3) 违约损失(LGD;Loss Given Default)

不同的金额与产品,会有不同的结构,就要搭配不同的线上与线下的比例,与之对应不同的组织架构。某些较为简单的产品或较小的金额,线上审批就可以减少财务报表的硬信息。在风险模型的设计上也会更简化因子。譬如以单案金额在50万左右的小小微产品,虽然客群体质相对抗风险较弱,违约率较高,但因为作坊式的家庭工厂虽然可能因短期周转问题而违约,但是继续经营意愿大,且因相对金额不大,还款意愿高(向亲友或民间借贷)以致于曝险较低,如果是做直租,资金用途明确,那么不良率就更低了,最后呈现的损失率与大金额的租赁就相差不大。所以这样的产品,组织架构里中台就相对更可批量审核,减轻作业成本。在产品结构的设计上会着重类担保(非第二还款来源)、贷前重反欺诈,在组织架构上,贷后重即时催收。在人员薪酬设计的上也可更强调即时激励,在合同的设计上也要更具弹性,惟在数据信息的接入方面,要尽可能地取得信息,例如人行讯息、税务等等的讯息,现在许多银行跟第三方征信公司合作的税务贷方面的产品就是如此,如果无法批量的取得信息,也有可能因为金额太小,作业成本过高而难以获利。批量取得并处理信息,亦是此业务最大的门槛,如果以纯手工来说,可能150万以下就算完全没有不良也无法获利,所以也有人会想,那是不是可以把金额做高一些,譬如以业务的角度,做100万的案件与做1000万的案件花的力气一样,会有冲动想往大案件靠拢,但值得注意的是,以实务经验来说,金额一旦到了100万以上,损失率的组成结构可能就完全不一样了,如此一来组织架构与薪酬体系就必需相对应的做调整。

批量审核以汽车金融为例。因产品较为单纯,加上资金用途明确,故一般来说会将审批线上化以节省作业成本。

四、市场已成熟的数据分析经验—小微产品为例

如果单件金额设定在一定金额以上,那么风险模型的设计也会有所不同,譬如在代理变数的设定里,财务分析就会相对重要。并且线上是无法完全取代人工,在线下仍具一定的人工作业,所以在薪酬与组织架构的设计上除了对客户经理的激励还要有相对的约束机制,也要有更完善且具弹性的组织架构设计,并将产品、决策流程、风险管理技术、包括业务、风控作业都要标准化、系统化,实现批量操作,赋能属地化管理,小微适合的组织架构与团队建置与运维,甚至岗位的职责也与大项目有所差异,在精细化管理方面,下次有机会讨论。

小微难的是风险与作业成本的关系,譬如很多初入小微的风控,会很难决定风险因子的权重,在大项目里细节都是魔鬼,也有足够的时间深挖,所以一般来说在小微会用到一致性交叉分析加快评估速度,风险因子人人都知道,都看的出来,但小微案件本身就是有瑕疵的,要求零瑕疵是不容易的,所以在小微里要怎么判断瑕疵的影响度是不容易的,所以还是需要一定的经验决定风险因子谁是相对重要,谁不是,更别说还要兼顾效率得要懂得取舍。所以很多来初入小微的风控会不由自主的不断补各式各样的资料来协助判断,但通常的情况是资料愈要愈多却愈无法判断。所以运用模型的筛选客户与系统化信用风险管理技术的重要性就不言而喻。