"很多人以为只有厂租、光伏等标准项目能搞风模，其实回租类的非标项目也能搞的，头部租赁己稍稍落地应用多年。"

　　标准与非标项目在风险模型上，其实就差在一个是纯线上打分，一个是线上与线下一起打分。许多人就奈闷了，那既然都要线下，那跟风控员手工做有什么不同?

　　其实就是标准化，标准化才能上规模。

　　很多人初步下沉小微非标业务，常常很困扰于高度信息不对称的难点，风控看不清楚没安全感要补一堆材料，浩浩荡荡的写了100多页风险评估报告，列了几十个风险点，有些看起来是风险，又不像是风险，页数写的愈多，反而愈不知道到底要不要投放，投放多少额度，常常是业务跟风控先吵一顿架，最后再拍着脑袋下决策。

　　这样就会很没效率，不经济，资产规模做不大。花在吵架的时间可能比项目时间还多。而且实务经验是架吵的愈多，不良率就愈高。

　　所以这个时候风险模型就可以作为决策依据，还能顺便尽职免责。简单粗暴且不精确的解释，风模是一种规则与标准，让业务与风控有共识，哪些因子与违约有高度相关。哪些跟风险其实关系度不大，别纠结了。

　　譬如开车时，轮胎坏了大概率会影响行车安全，但雨刷坏了则不一定，看下雨没。把规则列清楚就能够协助标准化作业，真正跟违约相关的因子其实就那几个，限定评估范围，不要太发散。

　　所以许多头部租赁公司开始建小微风模，最重要的初衷还不是做为决策引擎，而是减少业务跟风控的吵架，尽快让资产上规模，对国企来说，最重要的是有一个规则依据，尽职免责，实现国有资产的保值增值，要是后端再结合科技系统，就符合监管所要求的数据治理，科技赋能。

　　最重要的是还能省人员编制与用工成本。

　　很多人会想像，现在大数据跟人工智能很先进，只要买个现成风模，就能像信用卡审批一样，线上就能咻咻咻的审批放款。但想像很丰满，现实很残酷。

　　公司业务要像零售业务一样，如此的线上全自动比较难，不过半自动还是可以的。小微业务嘛，没个风模有点说不过去。

　　但小微因为多样性高，且高度信息不对称的特性，还是得要去现场尽调，但尽调内容更偏向是数据采集跟反欺诈。数据采集的内容、范围、都有明确的规定与要求。

　　譬如大家都知道小微企业，实控人很重要，但实控人只是一个概念，概念是不好评估的，更靠感觉。但实控人有几套房，跟参加工作的具体时间则是一个量化过的概念，股东结构，持股比例也是。我们可以把这些标准输入到模型里面，在统计学上我们叫定性转定量分析。

　　很多人说没有历史数据没有办法做风模，笔者在这里要特别澄清一下，风模其实有两个阶段，评分卡与量化风险模型。

　　评分卡是第一阶段，这里只需要风控人员与有经验的咨询公司，将风控人员或同业经验转化，给予一个评分与权重。所以不需要历史数据也能有一定的辅助判断功能。

　　第二阶段才是量化风险模型，利用数量分析跟模型做精细化的修正，将型一与型二错误做后验，将原来专家法下的人工设定的权重与参数调整，并且加入宏观经济因子、地区、行业风险等，实时动态监测微调。

　　甚至在头部租赁公司的实务经验里，不只是违约率能做量化分析，还会根据设备等风险缓释措施，做回收率的建模 。

　　第一与第二阶段是不可逆的，也无法跳跃。也就是说量化风险模型没有办法直接建模，一定需要评分卡，所以很多人说没有历史数据就没有办法做风模，这种说法其实不太精确。

　　建模的第一步不是需要样本数，而是需要评分卡。只有经过评分卡的数据才是数据。

　　其实建模容易，落地难。

　　就像是很多金融机构都有买蚂蚁分数，分数是有了，但有了分数然后呢? 许多人也有买现金流模型，但许多人会表示看了半天也不晓得这些跟信用风险该怎么挂勾，只能看个感觉。我们的咨询团队有丰富落地经验的专家，有在头部租赁公司实际将风险模型与风险政策相结合的经验。

　　譬如200万以内非标小额案件的评分模型，实务上会快速审批，因为小额分散，一开始不需要大量数据分析，最重要的就是准入标准。

　　为了确保风模能落地应用，我们会根据金融机构的本身的风险容忍度与现有的组织架构，去设计五个关键节点，包括资料清单的标准化、准入条件，项目流程、针对小额案件的模块化风评等等，最后是信用评分，手把手的协助风模落地。

　　从实控人、司法征信、到申请人主体，银行流水等，共10-20个关键风险指标，与三个附带现金流模型一同做成评分，并且可开放参数与权重做客制化修模。