普华永道管理咨询 2017 年金融行业研讨会 个人信用报告数字解读及其他增值服务 主讲人 : 赵勃

www.pwccn.com 普华永道管理咨询 2017 年金融行业研讨会 个人信用报告数字解读及其他增值服务 主讲人 : 赵勃

目录 个人信用报告数字解读简介 重要信息提示 其他增值服务 普华永道管理咨询 2017 年金融行业研讨会 2

个人信用报告数字解读 简介 普华永道管理咨询 2017 年金融行业研讨会 3

评分类型 信用评分 非信用评分 风险评分 非风险评分 征信评分申请评分行为评分流失响应收入 4

评分设计的目标 : 区分和排序 频数 坏 客户 好 客户 分数 450 5 :1 500 550 600 2016 年 6 月 5

个人信用报告数字解读是通用型信用风险评分 适用于大多数主流的信贷业务 - 房贷 - 信用卡 - 车贷 - 消费贷 - 个人经营性贷款 适用于信贷风险管理的多个环节 - 贷前审批 - 贷后管理 - 催收 普华永道管理咨询 2017 年金融行业研讨会 2017 年 6 月 6

数字解读分数范围 分数 信用风险 0 高 1000 低 2017 年 6 月 7

数字解读 开发简介 利用征信中心跨地区 跨机构 跨时间的数据开发的通用型信用风险评分 - 确保样本对整体的代表性 完全基于个人信用报告中的信息进行计算 - 信贷信息 - 硬查询信息 未采用个人基本信息 ( 年龄 性别 学历 ) 和资产信息 ( 收入 ) 借款人在未来两年内在任一机构 任一信贷产品上发生 90 天以上逾期的可能性 - 综合考虑不同业务类型风险暴露时间的差异 - 坏 定义和巴塞尔协议保持一致 普华永道管理咨询 2017 年金融行业研讨会 2016 年 6 月 8

数字解读 预测变量分类及预测力贡献度 信贷申请 12% 信用历史 8% 信贷组合 8% 还款历史 43% 稳定性 可解释性 当前负债 29% 预测能力 还款历史当前负债信用历史信贷申请信贷组合 2017 年 6 月 9

可 数字解读 条件 有信贷记录 信用历史长度不短于 3 个月 最近 24 个月内有更新 可数字解读 75% 2017 年 2 月底 3.28 亿 1.09 亿 不可数字解读 25% 普华永道管理咨询 2017 年金融行业研讨会 2016 年 6 月 10

数字解读 性能验证 自我验证 分地区分产品分行业 1600 多组 第三方独立验证 全国性商业银行 金融机构端验证 全国行地方行消费金融公司汽车金融公司 2017 年 6 月 11

数字解读 性能表现 具有较强的稳定性 适用于各个信贷业务和应用环节 较强的风险区分能力和排序能力 2016 年 6 月 12

数字解读 性能表现 KS 区分度曲线下面积基尼系数 56 2.24 86 72 2016 年 6 月 13

数字解读 有较强的排序能力 数字解读 范围 总人群累计占比 坏 客户累计占比 坏 客户占比好坏几率 0-399 0.46% 6.11% 89.68% 0.1 400-449 0.96% 12.02% 78.48% 0.3 450-499 1.71% 19.38% 65.87% 0.5 500-549 2.67% 27.31% 55.40% 0.8 550-599 4.20% 34.80% 32.67% 2.1 600-649 6.51% 42.57% 22.59% 3.4 650-699 13.65% 59.97% 16.31% 5.1 700-749 25.35% 77.56% 10.07% 8.9 750-799 40.63% 89.14% 5.08% 18.7 800-849 57.26% 94.47% 2.15% 45.6 850-899 78.67% 98.15% 1.15% 85.9 900-949 97.82% 99.86% 0.60% 166.5 950-high 100.00% 100.00% 0.43% 231.1 2016 年 6 月 14

数字解读 有较强的稳定性 数字解读 范围 基准 2010 年 7 月分数占比 最新 2014 年 12 月分数占比 PSI 值 客户群体特征 0 -<615 0.0998 0.0682 <0.1 非常稳定 615 -<719 0.0996 0.0615 719 -<744 0.0981 0.0637 744 -<781 0.1013 0.0892 0.1~0.25 发生了一定变化 781 -<818 0.1012 0.1293 818 -<847 0.0885 0.1184 847 -<865 0.0814 0.0813 >0.25 发生了较大变化 865 -<888 0.1191 0.1079 888 -<916 0.109 0.1503 916 -<1000 0.102 0.1302 PSI=0.0836 2016 年 6 月 15

应用 数字解读 的好处 更高的效率 更低的成本 更一致 客观的决策 提供了一个可参考的行业标准 普华永道管理咨询 2017 年金融行业研讨会 2016 年 6 月 16

数字解读和内部评分的差异 评分对象 客户级 账户级 数据来源 所有信贷机构 本机构 应用范围 所有环节 特定环节 数字解读 是内部评分的强有力补充 普华永道管理咨询 2017 年金融行业研讨会 2017 年 6 月 17

如何应用数字解读? 没有内部评分的业务 - 数字解读 + 其他信息 ( 收入 学历 负债水平等 ) 已有内部评分的业务 - 二者有区别 - 数字解读 和内部评分结合使用 矩阵 内部评分的变量 普华永道管理咨询 2017 年金融行业研讨会

数字解读 辅助审批决策简单用法 0 250 500 600 650 750 800 850 900 最终得分自动拒绝人工审查自动通过 风险 高 低 分数线 分数线 2017 年 6 月 19

交换集 低分 新的需要拒绝的客户 数字解读 以前拒绝的客户 以前通过的客户 分数线 高分 新的需要接受的客户 2016 年 6 月 20

交换集案例 ( 一 ) 应用策略 600 分以下全部拒绝 ( 多拒绝 335 户 ) 应用前 应用后 分数段申请数累计通过累计违约累计通过累计违约通过数坏客户通过数坏客户率率率率 950 ~ 1000 1495 1174 78.50% 0 0.00% 1174 78.50% 0 0.00% 900 ~ 950 8637 6990 80.60% 0.7 0.01% 6990 80.60% 0.7 0.01% 850 ~ 900 9955 8118 81.10% 2.4 0.02% 8118 81.10% 2.4 0.02% 800 ~ 850 6772 5340 80.50% 3.7 0.03% 5340 80.50% 3.7 0.03% 750 ~ 800 3624 2823 80.20% 4.8 0.05% 2823 80.20% 4.8 0.05% 700 ~ 750 1832 1398 80.00% 4.8 0.06% 1398 80.00% 4.8 0.06% 650 ~ 700 913 682 79.80% 4.2 0.08% 682 79.80% 4.2 0.08% 600 ~ 650 508 374 79.70% 5.3 0.10% 374 79.70% 5.3 0.10% 550 ~ 600 269 189 79.70% 6 0.12% 79.10% 0 500 ~ 550 130 87 79.60% 7.6 0.15% 78.80% 0 400 ~ 500 108 58 79.50% 10.8 0.18% 78.60% 0 300 ~ 400 30 20 79.50% 3 0.20% 78.50% 0 0 ~ 300 3 1 79.50% 0.2 0.20% 78.50% 0 335 2016 年 6 月 21

交换集案例 ( 二 ) 应用策略 850 分以上全部通过 ( 多接受 3805 户 ) 应用前 应用后 分数段申请数累计通过累计违约累计通过累计违约通过数坏客户通过数坏客户率率率率 950 ~ 1000 1495 1174 78.50% 0 0.00% 1495 100% 0 0.00% 900 ~ 950 8637 6990 80.60% 0.7 0.01% 8637 100% 0.9 0.01% 850 ~ 900 9955 8118 81.10% 2.4 0.02% 9955 100% 3.0 0.02% 800 ~ 850 6772 5340 80.50% 3.7 0.03% 5340 94.7% 3.7 0.03% 750 ~ 800 3624 2823 80.20% 4.8 0.05% 2823 92.7% 4.8 0.04% 700 ~ 750 1832 1398 80.00% 4.8 0.06% 1398 91.7% 4.8 0.06% 650 ~ 700 913 682 79.80% 4.2 0.08% 682 91.3% 4.2 0.07% 600 ~ 650 508 374 79.70% 5.3 0.10% 374 91.0% 5.3 0.09% 550 ~ 600 269 189 79.70% 6 0.12% 189 90.8% 6.0 0.11% 500 ~ 550 130 87 79.60% 7.6 0.15% 87 90.8% 7.6 0.13% 400 ~ 500 108 58 79.50% 10.8 0.18% 58 90.6% 10.8 0.16% 300 ~ 400 30 20 79.50% 3 0.20% 20 90.6% 3.0 0.17% 0 ~ 300 3 1 79.50% 0.2 0.20% 1 90.6% 0.2 0.17% 2016 年 6 月 22

交换集案例 ( 三 ) 应用策略 600 分以下全部拒绝,850 分以上全部通过 ( 多通过 3805 户, 多拒绝 335 户 ) 应用前 应用后 分数段申请数累计通过累计违约累计通过累计违约通过数坏客户通过数坏客户率率率率 950 ~ 1000 1495 1174 78.50% 0 0.00% 1495 100% 0 0.00% 900 ~ 950 8637 6990 80.60% 0.7 0.01% 8637 100% 0.9 0.01% 850 ~ 900 9955 8118 81.10% 2.4 0.02% 9955 100% 3.0 0.02% 800 ~ 850 6772 5340 80.50% 3.7 0.03% 5340 94.7% 3.7 0.03% 750 ~ 800 3624 2823 80.20% 4.8 0.05% 2823 92.7% 4.8 0.04% 700 ~ 750 1832 1398 80.00% 4.8 0.06% 1398 91.7% 4.8 0.06% 650 ~ 700 913 682 79.80% 4.2 0.08% 682 91.3% 4.2 0.07% 600 ~ 650 508 374 79.70% 5.3 0.10% 374 91.0% 5.3 0.09% 550 ~ 600 269 189 79.70% 6 0.12% 90.8% 6.0 500 ~ 550 130 87 79.60% 7.6 0.15% 90.8% 7.6 400 ~ 500 108 58 79.50% 10.8 0.18% 90.6% 10.8 300 ~ 400 30 20 79.50% 3 0.20% 90.6% 3.0 0 ~ 300 3 1 79.50% 0.2 0.20% 90.6% 0.2 2016 年 6 月 23

贷前审批应用示例 数字解读 收入 低收入中等收入高收入 低分拒绝拒绝 通过率降低 25% 高利率 中分 通过率降低 25% 标准利率 通过率降低 15% 标准利率 通过率降低 10% 标准利率 高分 通过率降低 10% 标准利率 通过率降低 5% 低利率 通过率降低 5% 低利率 2016 年 6 月 24

和内部申请评分结合应用 ( 一 ) 数字解读 违约率 0-300 301-500 501-700 701-900 901-1000 申请评分 0-200 24.1 12.6 10.1 7 4 201-400 13.6 6.9 5.3 3.3 2 401-600 8.5 4.4 3.3 2.1 1.3 601-800 4.5 2.2 1.8 1.2 0.8 801-1000 2.9 1.2 1 0.6 0.3 2016 年 6 月 25

和内部申请评分结合应用 ( 二 ) 申请评分 数字解读 评分 184-761 762-804 805-830 831-850 851-865 866-880 881-895 896-911 912-926 927-985 0-557 1.48% 0.51% 0.37% 0.35% 0.26% 0.14% 0.26% 0.23% 0.06% 0.06% 557-575 1.08% 0.55% 0.35% 0.32% 0.15% 0.07% 0.18% 0.17% 0.09% 0.06% 575-587 1.04% 0.43% 0.19% 0.18% 0.16% 0.09% 0.17% 0.08% 0.12% 0.05% 587-597 0.76% 0.45% 0.20% 0.08% 0.10% 0.16% 0.09% 0.13% 0.04% 0.00% 597-607 0.76% 0.32% 0.17% 0.17% 0.19% 0.05% 0.06% 0.12% 0.03% 0.11% 607-617 0.68% 0.17% 0.21% 0.07% 0.09% 0.07% 0.07% 0.00% 0.03% 0.06% 617-629 0.60% 0.14% 0.08% 0.14% 0.04% 0.00% 0.02% 0.07% 0.00% 0.03% 629-647 0.55% 0.12% 0.10% 0.00% 0.06% 0.06% 0.04% 0.00% 0.02% 0.06% 647-690 0.19% 0.26% 0.00% 0.07% 0.06% 0.00% 0.04% 0.08% 0.03% 0.03% 690-884 0.07% 0.06% 0.00% 0.00% 0.00% 0.00% 0.02% 0.00% 0.01% 0.01% 2016 年 6 月 26

和内部申请评分结合应用 ( 三 ) 分类 原策略 新策略 客户数占比坏客户数违约率客户数占比坏客户数违约率 高分通过 215342 48.59% 132 0.06% 253055 57.10% 100 0.04% 人工判断 186716 42.13% 472 0.25% 154860 34.95% 383 0.25% 低分拒绝 41088 9.27% 174 0.42% 35231 7.95% 295 0.84% 2016 年 6 月 27

贷后管理 - 信用额度管理 当前有效账户 账龄 6<X<12 >=12 行为评分 低 - 中 高 低 中 高 数字解读 中 - 低高低中高 很低低中高 动作 无动作 无动作 上调 25% 无动作 无动作 上调 25% 无动作 上调 30% 上调 40% 2016 年 6 月 28

验证是使用 数字解读 的必要条件 通过验证了解 数字解读 在特定业务上的性能表现 验证后才能制定更有针对性的应用策略 - 划定分数线 - 具体的实施策略 平行验证还是全面应用 确定试用业务类型 普华永道管理咨询 2017 年金融行业研讨会 2016 年 6 月 29

模型不是万能的 数字解读 更多反映的是还款意愿 - 未考虑还款能力和身份特质 - 结合还款能力和抵押品等因素综合考虑 持续监控模型表现 - 区分能力 排序能力 - 人群稳定性 (PSI) - 分业务 分环节 - 及时修正策略 普华永道管理咨询 2017 年金融行业研讨会 2017 年 6 月 30

数字解读 随个人信用报告一起提供 2017 年 6 月 31

定期提供验证几率表 类型 不同产品 ( 房贷 信用卡 个人消费贷款等 ) 不同应用场景 ( 贷前审批 贷后管理 ) 每半年提供一次 分数范围 总人群累计占比 验证几率表 坏 客户累计占比 坏 的占比 好坏几率 0-399 0.46% 6.11% 89.68% 0.1 400-449 0.96% 12.02% 78.48% 0.3 450-499 1.71% 19.38% 65.87% 0.5 500-549 2.67% 27.31% 55.40% 0.8 550-599 4.20% 34.80% 32.67% 2.1 600-649 6.51% 42.57% 22.59% 3.4 650-699 13.65% 59.97% 16.31% 5.1 700-749 25.35% 77.56% 10.07% 8.9 750-799 40.63% 89.14% 5.08% 18.7 800-849 57.26% 94.47% 2.15% 45.6 850-899 78.67% 98.15% 1.15% 85.9 900-949 97.82% 99.86% 0.60% 166.5 950-high 100.00% 100.00% 0.43% 231.1 2016 年 6 月 32

收费问题 查询信用报告正常收费 试用期内 数字解读 服务不额外收费 批量离线获取 数字解读 也不额外收费 普华永道管理咨询 2017 年金融行业研讨会 2016 年 6 月 33

总结 评分用来对信用风险进行区分和排序 通用型的个人信用风险评分 未采用个人基本信息 综合的信用风险 在验证的业务上试用 数字解读 补充而非替代 - 特征 ( 数字解读 ) - 抵押 - 能力 普华永道管理咨询 2017 年金融行业研讨会 2017 年 6 月 34

重要信息提示服务 普华永道管理咨询 2017 年金融行业研讨会 35

基本情况 定义 - 当本机构 好客户 在其他机构出现违约或其他风险事件时, 征信系统主动提示给相关机构 目的 - 为机构用户贷后管理提供线索, 使贷后管理工作有的放矢, 提高效率 普华永道管理咨询 2017 年金融行业研讨会 2017 年 6 月 36

提示事件 对公 - 五级分类新增不良 : 贷款 贸易融资 票据贴现 保理 信用证 银行承兑汇票 保函业务 - 新增逾期 90 天 : 贷款 贸易融资业务 - 新增逾期 60 天 : 贷款 贸易融资业务 - 被法院列为 失信被执行人 普华永道管理咨询 2017 年金融行业研讨会 2017 年 6 月 37

提示事件 个人 - 五级分类新增不良 : 贷款 - 新增逾期 90 天以上 - 新增逾期 61 到 90 天 - 新增 呆账 : 信用卡 - 新增账户 - 被法院列为 失信被执行人 普华永道管理咨询 2017 年金融行业研讨会 2017 年 6 月 38

服务方式 频率 - 个人 : 每周五主动推送 方式 - 邮件推送 - 接口推送 - 页面查询 普华永道管理咨询 2017 年金融行业研讨会 2017 年 6 月 39

谢谢! 本文仅为提供一般性信息之目的, 不应用于替代专业咨询者提供的咨询意见 2017 普华永道 版权所有 普华永道系指普华永道网络中国成员机构, 有时也指普华永道网络 每家成员机构各自独立 详情请进入 www.pwc.com/structure