一、汽车金融风控概述：行业背景、风险类型、评分模型的价值
大家好，我是老张。在汽车金融风控这个行当摸爬滚打了十几年，今天咱们聊聊最基础、也最关键的东西——评分模型到底能帮我们解决什么问题。
说实话，我刚入行那会儿，风控全靠人工经验。客户来贷款，信贷员看看身份证、问问收入、再打个电话核实，就批了。那时候坏账率有多高？嗯，我只能说，老板的脸色经常不太好。
1.1 行业背景：为什么汽车金融风控这么重要？
先看一组数据。中国汽车金融渗透率从2015年的35%左右，涨到了现在的50%以上。什么意思？就是说每卖出两台新车，就有一台是通过贷款买的。这个市场有多大？万亿级别。
但问题也来了。市场大了，客户群体就杂了。以前买车贷款的主力是白领、小老板，现在呢？网约车司机、自由职业者、甚至刚毕业的大学生都来申请。客户画像越来越复杂，传统的人工审批根本忙不过来。
我个人习惯把汽车金融的风险分成三类，你想想看是不是这个理：
| 风险类型 | 具体表现 | 我见过的真实案例 |
|---|---|---|
| 信用风险 | 客户不还钱、逾期、坏账 | 有个客户征信报告显示无逾期，结果贷款后第三个月就失联了。后来一查，他在其他平台借了十几笔网贷。 |
| 欺诈风险 | 身份造假、资料伪造、团伙骗贷 | 我曾经遇到一个案子，三个人用同一套身份证信息，在不同城市申请了8笔贷款。要不是系统发现了IP地址异常，这80万就打了水漂。 |
| 操作风险 | 内部人员违规、流程漏洞、系统故障 | 这个我不多说，但你要知道，有时候最大的漏洞不是外部黑客，而是内部流程。 |
核心观点：汽车金融风控不是简单的「批或不批」，而是一个从贷前、贷中到贷后的全流程管理。评分模型在其中扮演的角色，就是「用数据说话」。
1.2 评分模型的价值：为什么我们需要它？
说白了，评分模型就是一个数学公式。你把客户的信息输进去，它给你一个分数。分数越高，风险越低。就这么简单。
但它的价值远不止于此。我总结了几点：
- 效率提升：以前人工审批一单要30分钟，现在模型跑一下，3秒钟出结果。你想想看，一天处理1000单和100单，差距有多大？
- 一致性：人的判断会受情绪影响。今天心情好，可能批得松一点；明天被老板骂了，可能就严一点。模型不会，它永远公平。
- 可解释性：「为什么拒绝这个客户？」模型可以告诉你：因为他的收入负债比过高、因为他的征信查询次数太多。这在监管合规上非常重要。
- 持续优化：模型可以不断学习。今天的数据反馈到明天，模型就能自动调整。人工经验做不到这一点。
我的经验：评分模型不是万能的。它只是一个工具，关键看你怎么用。我曾经见过一家公司，模型评分很高，但坏账率依然居高不下。为什么？因为他们只用了模型，没有做人工复核。模型漏掉了那些「看起来完美但实际有问题」的客户。
1.3 知识体系框架：一张图看懂
下面这张图是我自己画的，把汽车金融风控的核心逻辑串起来了。你仔细看看，就能明白评分模型在整个体系中的位置。
避坑指南：我曾经见过一家公司，模型评分卡做得非常漂亮，AUC值0.85以上。但上线后坏账率反而上升了。为什么？因为他们的训练数据是2019年的，而2020年疫情后客户的行为模式完全变了。模型没有及时更新，结果就是「刻舟求剑」。
所以，我建议：评分模型至少每季度要重新训练一次。如果市场环境变化快，甚至要按月更新。
1.4 评分模型的实际应用场景
说了这么多理论，咱们看看实际中怎么用。我挑三个最常见的场景：
- 贷前准入：客户一进来，先跑模型。分数低于600的，直接拒绝。分数在600-750之间的，进入人工审核。分数高于750的，自动通过。这个流程，我用了好几年，效率提升至少5倍。
- 额度定价：分数越高，额度越高，利率越低。举个例子，分数800以上的客户，首付可以低至20%，年化利率8%。分数650的客户，首付要30%，利率12%。这叫「风险定价」，说白了就是让好客户少花钱，坏客户多花钱。
- 贷后监控：客户贷款后，模型要持续监控。如果发现客户的评分突然下降（比如新增了逾期记录、多头借贷增加），系统要自动触发预警。我有个客户就是这样，模型在他逾期前15天就发出了预警，我们及时联系了他，避免了坏账。
一句话总结：评分模型不是用来「替代人」的，而是用来「辅助人」的。它帮我们做80%的标准化决策，剩下20%的复杂情况，交给人工处理。这才是最合理的分工。
好了，这一章就到这里。内容不多，但都是干货。下一章咱们会深入讲评分模型的构建流程，包括数据清洗、特征工程、模型训练这些实操内容。到时候我会拿一个真实项目的数据来演示，你准备好笔记本就行。
公众号:蓝海资料掘金营，微信deep3321