身为一名产品经理，多多体验同类竞品的业务是非常重要的，体验多个大厂的产品就能基本看出整个行业的业务模式和互相的竞争优势。但是，唯独在金融行业，从前端 APP 上无法感知内部细节，这也就是为什么金融行业都需要“有2-3年互联网金融行业经验”的原因吧！

刚刚进入现金贷业务，我们今天来聊一聊现金贷的贷前管理，班门弄斧，抛砖引玉，还希望高人指点一二。

现金贷业务区别于其他金融类业务有非常清晰的特征：小额、分散，便捷，高利率；这就要求现金贷的贷款管理要做到：快速审批，急速放款，严格风控；同时，还要建立和搜集一套不断更新的数据系统，从而尽可能的降低逾期和坏账率，并且达到一个最高的收益点，也就是说，并不是坏账和逾期越低，公司收益就越高。

在贷前管理中，事先识别欺诈风险，将欺诈主体拒之门外，是业务的重中之重，据悉，现金贷行业有70%的损失是来自于欺诈。欺诈问题主要面向第一方欺诈、第三方欺诈和团伙诈骗。第一方欺诈特点为我就是“我”，但是可能是恶意骗贷，拒绝还款或者还款意愿低，信用风险高；第三方欺诈特点为我不是“我”，此处涉及身份冒用，盗用账号，或者团伙欺诈。那么在具体实施中，是如何识别欺诈主体的呢？根据现金贷的用户使用流程：注册登录-借款审批-放款-还款，反欺诈也将围绕整个用户使用流程展开。其中，属于贷前阶段的有注册登录-借款审批，今天我们就围绕这两方面讲一讲。

一、注册登录。

注册登录反欺诈并不局限在互金领域，在任何需要账号管理的平台，以及在新用户注册领取奖励的时候都能用到，需要做到人机识别以及区别垃圾注册。主要方法是根据注册日志，通过设备、IP、时间、手机号四个维度识别。垃圾注册主要特点是集中性和异常性。

1、设备：是否一设备对多账户，而且80%以上不是该平台账户，是否为伪造设备，设备是否为空，是否为常用设备。通用做法是通过图形验证码，在操作上机器和真人有着非常大的差异。这点产品经理在设计时需要注意一个前端交互，最好是在用户输入手机号码之后弹出图形验证码，将图形验证码与手机号码和设备绑定，安全性较进入页面即填写图形验证码要好一些。

2、IP：注册时是否一 IP对多账户，是否为代理 IP，是否为国外 IP，是否为风险 IP（黑名单库，该 IP 多次频繁访问各种注册页面，登录页面），登录时 IP 地址是否异常，必要时暂时性封锁来自同一 IP 的多次注册和登录。

3、时间：是否为深夜，是否注册时间极短（欺诈撞库登录时间再500ms 之内），通常情况下，盗号盗卡洗库撞库表现的特点就是，快、多、错。举例来说，有些骗贷用户会认为贷款审批为纯人工审批，所以他觉得深夜时审批人少，精神松懈，通过率高，而且通常人们深夜都处于睡眠状态，俗话说事出异常必有妖，此种用户就需要提高关注度。

4、手机号：是否为虚拟手机号。虚拟手机号现阶段一般通过手机验证码的方式识别，在手机号码实名制之后，可以对接运营商识别是否为真实手机号，但是单从注册阶段，没涉及到认证和借款，可以将手机号码运营商认证置后处理。

二、申请借款

申请借款会涉及到进件管理，进件管理又会包括用户的主要身份信息，所以将身份认证包含在借款申请中讲。在申请借款环节最重要的就是进件审核和授信模型。进件审核包含自动审批和手动审批，授信模型由业务风控部门根据用户画像、业务规则、抵质押物价值确定。

在进件审核阶段，要经过客户分析、准入规则、渠道监控、反欺诈等多种验证。在大数据角度和互金领域，此阶段需要通过用户授权拿到用户的人口属性（姓名、性别、身份证号码、年龄、收入等）、信用属性（收入、职业、学历、第三方信用评分等）、消费特征（购物数据，购买频率、类别、时间等）和社交属性（运营商数据，常用联系人，常用联系人的分析）。

审核阶段要注意提高审批效率，规范好审批权限：

1、自动审批

a.黑名单管理。在首先拿到人口属性后，对接第三方和自建黑名单数据库，可以直接拒件，筛选出一部分高危用户。黑名单来源可以为自建黑名单和第三方黑名单，自建黑名单一般是一个公司多个 APP 平台时，共享黑名单数据；第三方黑名单就是在与第三方对接查询黑名单时，同时收录进自建黑名单库。

b.建立自动审核模型和反欺诈引擎。可以根据主要业务模式和用户信息交叉验证，多维度排查用户。比如现金贷贷款业务一般对用户的年龄有绝对的限制，发现用户低于18岁直接拒件。

建立欺诈引擎需要能够识别反常行为，基于反常行为，利用实战数据（也就是大数据风控）。

欺诈主要包括第一方欺诈和第三方欺诈，所以要能够区别，用户的行为是不是“真实用户自己的真实意思表示”，这里有几个关键字“真实用户”，“自己的”，“真实意思”。比如用户常用地点是在杭州，但是突然有一天是在新疆申请，那么用户是不是被盗了？

在自动审批过程中，由于不同的公司业务模式不同，场景不同，建立的自动审批模型和欺诈引擎也就不同，各种模型都需要经过数据的实战并不断完善，丰富用户画像，根据以往数据确定是拒绝还是通过该用户。

2、手动审批

手动审批由于不同审核人员主观因素和行为标准不一致，会造成审批结果不同，所以此过程需要审核的东西越少越好，权限范围越清晰越好。

a.高亮标记重点审核内容。审核人员每天业务量巨大，有些需要高亮重点标记才更突出，比如注册定位地址和用户填写的居住（常住）地址有明显大距离的差异，这两点是需要交叉验证的，而且机器识别难度大，那么高亮标记有助于突出验证内容。

b.合理分配审核业务量。在后台设计中，并不是一股脑的将所有的待审核订单全部发放给审核人员，采用让审核人员进入工作台后“点击获取”待审核订单的方式，保持每一阶段审核的数量是固定的，让审核工作有阶段性，同时不被重复操作。

c.注重权限控制。审核分初审、复审、终审，权威数据表明，在一定范围内，风险控制能力越强的团队，其收益越高。在后台对权限管理尽可能详尽，页面权限、按钮权限、数据权限一定要严谨。

3、授信模型

授信模型一般会由公司内部经验丰富的风控组制定，前期需要明确的用户定位、产品的定位和核心优势。这时大数据就可以体现除了反欺诈之外的另一面了，大数据是如何实现授信模型的呢？

a.通过个人信息了解收入和生活情况，这是最基本的画像基础；

b.通过运营商授权了解联系人关系和层次，比如常用联系人位置和稳定程度，常用联系人在手机通讯录中的比例；

c.通过权威平台获取第三方征信评分，比如芝麻分；

d.通过短信和通讯授权获取借贷饥渴度，比如是否有多条催债短信；

e.通过消费平台了解消费水平、类别和额度，比如淘宝购买哪一类产品，平均每月消费多少；

f.通过手机上安装的 APP 来判定是否欺诈，比如修改位置和图片的软件，或者赌博类 APP 和借贷类 APP 过多；

g.通过社交软件了解用户和朋友关系的稳定程度，比如是不是联系人会经常一批一批的换，可能这样的用户工作就不太稳定，偿债能力和意愿相对较弱等等。

f.等等其他对于本行业，本业务有用的数据，比如兴趣爱好。

数据并不是越多越好，而是要基于自己的业务模式和行业。并且数据模型并不是一成不变的，要不断优化和试错，找到最优的利益最高点。