揭秘分享 | 汽车金融细分风控场景和反欺诈策略

小提示：您能找到这篇{揭秘分享 | 汽车金融细分风控场景和反欺诈策略}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的揭秘分享 | 汽车金融细分风控场景和反欺诈策略内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

笔者从汽车金融的市场规模出发，对具体的风控场景、反欺诈策略等进行了系统的分析，希望通过此文能够加深你对汽车金融反欺诈的认识。

我们今天说的汽车金融相关内容，主要是针对的是汽车消费金融板块的业务。

汽车金融板块潜在规模及与汽车保有量、新车每年新增销量、二手车每年销量及新车二手车的金融贷款渗透率上升空间有关。而驾驶证人数与汽车租赁金融场景是相关的。所以可以简单了解以下数据。

公安部交管局近日公布了上半年全国机动车和驾驶人最新数据。数据显示，截至2019年6月，我国机动车保有量达3.4亿辆，汽车2.5亿辆；机动车驾驶人数量达4.22亿人，汽车驾驶人为3.8亿人。

2019年1月14日，中国汽车工业协会在新闻发布会上发布的初步数据显示，2018年中国新车销量同比下降2.8%，至2,808.1万辆。全年产量也同比下滑4.2%，至2,780.9万辆。其中，2018年乘用车销量为2,371万辆，同比下降4.1%。相比之下，商用车市场保持增长势头，去年销量同比增长5.1%，至437.1万辆。

2018年全年，全国二手车累积交易1382.19万辆，累计同比增长11.46%，累计交易金额8603.57亿元，同比增长6.31%。

截至目前，欧美国家的二手车金融渗透率在50%左右，中国市场则不到30%，而新车金融渗透率则在50%左右，欧美国家基本都在70%以上。金融渗透率泛指通过贷款等金融方式购买的车辆数量占总销售车辆数量的比例。这些都代表了汽车金融市场的潜力所在。

一、汽车金融主要参与者

汽车消费金融这一块主要的参与机构类型，包括我们现在熟悉的商业银行，商业银行里做的相对较好的平安银行。根据平安银行去年的用户统计，产险用户有六千多万，车管家有录入车辆信息的注册用户已经有三千多万。在整个行业的活跃车辆数据来说，应该算是头部规模了。

银行汽车金融主要还是新车贷款，同时支持信用卡分期实现新车贷款的需求，新车贷款主要是为汽车厂商新客户提供购买新车的贷款业务，然后信用卡分期付款，主要针对这个客户，客户如果是有能力去申请贷款的，银行直接就给客户放款或者让客户在本行开个信用卡账户，冻结里面的资金实现购车贷款，同时把信用卡指标做了。

除了银行的那个客群要求相对比较高之外，一般都是要求是本地的，额外担保等，其他汽车金融公司，P2P，典当行，融资租赁公司基本上要求都不高，只要有一些新的记录或者是收入相对稳定的，这些客户均为放贷对象。

贷款期限，主要也是从12期到36期，最长不会超过60期，最短的可以一个月。新车首付最高的话还是银行。然后最低的话是那个典当行，尤其租赁公司最低可以做到零首付。

利率方面，最高的话是典当行，P2P这些机构，其次是融资租赁。汽车金融公司和商业银行的贷款利率相对比较低一点。

然后这里补充一点，商业银行和汽车金融公司，已经占了整个汽车金融板块85%以上的市场份额，这两类机构针对车相关的贷款业务的风控和反欺诈的需求是非常大的，是金融科技或数据公司后续可以重点关注的一个板块。

二、汽车金融传统风控流程

汽车金融的传统风控的流程，总共有十步。从资料提交，然后到初审，风险评估、尽职调查、部门复审、总部终审、签订合同、线下抵质押登记、发标放款（非P2P则直接放款）及贷后催收等十个步骤。

1. 提交申请。有线下分公司业务员邀约，或者线上客户自行申请，提交贷款申请材料，主要包括身份证、机动车登记证、行驶证和工作证明等其他资信材料。
2. 业务初审。由业务员对借款人的证件和资料进行简单核实，业务团队长签字确认，交给风控专员。
3. 风险评估。风控专员通过网络查询、电话审核对客户资料风险点进行披露，并由车辆评估师对车辆进行估价，最后出具车辆评估报告。
4. 尽职调查。对于以上环节暴露出的风险点，如有必要，派出尽调专员进行上门查访，确保资料真实，资产安全，风险可控。
5. 部门复审。将全部资料上报审贷会，由风控部门和业务部门相关人员进行评估授信，并将结果上报总部。
6. 总部终审。总部审核全部资料，和相关业务人员进行复议并给出终审意见。
7. 签订合同。商谈放款条件，签订合同，客户同意将车辆抵押给平台指定的债权。
8. 抵质押登记。由债权人陪同借款人去车管所进行抵押登记，如果是质押，将车辆保存在指定车场，如果是抵押，在车辆隐秘处安装多个GPS。
9. 发标放款。按照客户的风险评级，在平台上发标融资，满标后把资金打给借款人。
10. 贷后催收。由专人负责监控GPS系统运行情况，或者检查停车场车辆情况提醒客户到期还款和辅助催收。

三、汽车金融各场景欺诈特点

汽车零售信贷场景，包括信用卡分期、新车按揭、二手车按揭。车抵贷场景包括押证贷款和押车贷款的业务。汽车融资租赁直租与回租业务。

汽车零售信贷场景常见的欺诈行为：资料造假、多头负债、信用恶化、内外勾结、残值造假、团伙欺诈、还款来源不足、用途不明等。

汽车抵贷场景常见的欺诈行为：资料造假、高估车价、多头负债、团伙欺诈、信用不良、人车失踪、还款来源不足、用途不明等。

汽车融资租赁场景常见的欺诈行为：资料造假、多头负债、合同诈骗、人车失联、还款来源不足、用途不明等。

四、欺诈黑产市场现状

通过金融黑产现状，侧面看汽车金融欺诈情况及可能带来的损害。

根据网上的公开数据，黑产2018年造成了4000亿的经济损失，假设这4000亿里面有20%，是汽车金融的一个损失，那就有800亿的损失，怎么通过做好风控防范，然后把这个风险降下来，是风控们需要关注重点。

右边的欺诈客群分布图体现汽车金融这个场景的欺诈客群，相对来说，比消费分期，现金分期，这样通用的一个场景的占比相对更低，已经接近了信用卡。

非银行的汽车金融100个申请用户里面可能有三到四个人，是有欺诈行为的。然后银行场景的汽车金融贷款产品可能只有一到两个有欺诈行为。

这里其实体现了，场景是具有天然欺诈防范的功能的（汽车金融这个领域是否还有可以更深入细分的场景，会有更好的欺诈防范效果？例如货车汽车金融、网约车租赁金融？）

五、常见两大欺诈场景

1. 不良中介欺诈

分享两个普遍案例，一个是不良中介的欺诈，这里主要包含好几个场景。

第一种情况：这个客户，就是没有车的，想买新车或二手车。但是，他不知道去哪申请贷款，然后通过网络渠道找到了中介，这个中介，就想坑他一笔钱。

本来客户资质只够买个5到10万的车，但是中介觉得这样没有钱赚，就帮他美化资料，买了20万的车。这样就导致这个客户本来只有能力还5万到10万的车的贷款，但20万的车的负债却超出了还款能力范围，产生不良。

第二种情况：依然是没有车的客户，也没贷款资质，但是他想要钱，找到这个中介。中介帮忙资料造假后把那个车贷款骗下来，然后这个车中介把车拿去黑市变现之后，分部分的钱给到这个客户，剩下大部分的钱的话就装到自己的口袋，这个客户也不可能还款了。

第三种场景：这个车主，他有车，找到这个中介把车价估高，想抵押贷款额度可以做的更高，他这个车本来只值10万块钱，他想要个9万，但是正常的一个抵押流程可能只能放个5、6万；

2. 经销商欺诈

这个主要是一个内外勾结或者就是经销商自行欺诈的一个问题。经销商库存太多了，车子首付大多客户付不起，所以经销商为了将车卖出去，找一些想要车或者做低首付广告吸引一些客户过来，然后通过虚开发票价格，做高车价拿到更多的贷款，实现客户买得起车。

经销商把库存清理了，而这些客户还不还得起钱就不是经销商要考虑的事情了。

六、欺诈场景信息造假方式

这个是互联网金融常见的欺诈手段，包括假冒真实用户的活体识别破解手段，假冒真实用户的身份证信息、银行卡信息（黑产或收购回来的），伪装新用户的改机工具（通过IMEI/IMSI/手机型号/MAC地址/GPS等），模拟真实用户使用手机的行为。

在汽车金融场景，主要是团伙欺诈针对线上的行为所作出的应对手法。

很多的汽车相关的贷款产品都需要车主或者这个卖车的车主，提供相关的资质证明包括流水证明，工作证明或者收入等，这些造假非常简单，包括挂靠电话，造假收入证明，挂靠社保及代发流水或工资流水等，造假水电费可以通过去小区楼下的邮箱拿那些用户的费单即可。

对于一些大额的车贷诈骗，中介通过把其拥有的高价车临时过户给客户，造成客户资质非常良好，客户骗贷完成后，再把车转回给中介。

七、反欺诈数据维度探讨

这个四象限图是为了区分技术及基础要素与垂直场景下的数据维度的造假成本及造假难易度。

例如驾驶证数据，高速数据，违章数据，车辆数据等，都是权威的同时难篡改，造假成本很高。那些设备数据、工作流水、工作证明等数据，都相对容易修改，造假边际成本也不高。

八、汽车金融有效风控等式

这里提出一个概念：有效风控。有效风控需要有明确的垂直场景，加上国有数据及传统的反欺诈手段，这样能够更好的实现风控。

这里用汽车金融举例，汽车相关的金融场景，类似新车金融、二手车金融、车抵贷、车辆融资租赁及网约车金融等。虽然这些金融场景的风控其实比较难做，但这其中的欺诈占比其实比无场景金融都少的多。

而国有数据指的是记录在各个部委里的数据，例如车辆配置相关的数据在工信部，车辆证件及车辆过户抵押等数据记录在车管所，社保数据在社保局，公积金数据在公积金局等等，这些部委不会串改相关数据，比市场上大部分通过采购或自有场景产生的数据相对更权威。

因此使用过程，无论是覆盖面、准确性、时效性等都是比较优质的，合规性就更有保障了。

而传统的技术手段，包括设备指纹、关联图谱、复杂网络等技术能力其实是很好的团伙欺诈识别，机器人操作识别的防范工作。

场景+技术+国有数据=有效风控——汽车场景+技术+汽车相关国有数据=汽车金融有效风控。

九、新车及二手部分风控场景要点分享

猎人在这里主要针对新车及二手部分车风控场景及应对点做最后的分享总结。针对新车场景分购车与租车场景，而购车场景分有意购车及无意购车。

有意购车主要有5大风险点

（1）通过中介、经销商或自行包装资质

• 针对挂靠工作单位，风控需要识别公司经营是否正常、公司单位及职位是否高危类、申请的单位相关用户是否过多及通过GPS等位置数据判断用户工作地址与填写公司单位是否一致等。
• 针对刷流水的行为：主要看是否有代付工资字样、查看资金流入流出异常情况及工作性质与流水匹配情况等。
• 针对收入证明真实性问题：识别印章真实性比较难，所以可以通过收入水平与同行业相关岗位是否匹配及与工作年限及经验是否匹配侧面判断。
• 针对有担保的客群：可以通过工商和财务及担保调研等途径识别担保用户或企业的担保能力是否充足，是否已经超过其担保能力范围。经销商为无支付首付能力的人开高发票价。
• 针对这个情况：可以通过车辆档案或配置数据获取车辆出厂销售价，与市场同类车型销售价对比发票真实性。

（2）负债过高的风险

这个风险主要看2块，一个是多头借贷情况、另一个是有无担保过渡的行为。其中多头借贷的接口还相对比较丰富，但担保的查询接口比较稀缺。

（3）信用不良的风险

通过查询央行征信、互联网金融信用及公开的法院诉讼及被执行情况，公安对外的不良名单接口识别信用不良的风险。

（4）贷后用户其他风险识别

贷后需要观察短期及长期的年检到期续期情况、是否出现多头借贷及逾期情况、有无车辆抵押风险、用户违章长期不处理是什么原因等。这些都是坏账发生前的征兆。

无意购车可以关注3大风险点

（1）通过中介、经销商或自行包装资质

• 针对挂靠工作单位，风控需要识别公司经营是否正常、公司单位及职位是否高危类、申请的单位相关用户是否过多及通过GPS等位置数据判断用户工作地址与填写公司单位是否一致等。
• 针对刷流水的行为：主要看是否有代付工资字样、查看资金流入流出异常情况及工作性质与流水匹配情况等。
• 针对收入证明真实性问题：识别印章真实性比较难，所以可以通过收入水平与同行业相关岗位是否匹配及与工作年限及经验是否匹配侧面判断。
• 针对有担保的客群：可以通过工商和财务及担保调研等途径识别担保用户或企业的担保能力是否充足，是否已经超过其担保能力范围。

（2）贷后车权即刻转让识别

识别一个月内的是否有过户操作、一个月内是否有做过抵押。一般有这样情况出现都大概率代表这个用户有欺诈行为。

（3）贷后用户其他风险识别

监控每年年检到期续期情况、有无新增多头借贷及逾期情况。预防客户资质变差导致的坏账。

在租车环节，分直租与回租场景。

直租场景主要关注三大风险

1. 信用风险：可以通过公检法相关接口名单获取、通过手机APP黄赌毒安装使用情况监控及是否有多头借贷及逾期情况；
2. 用途风险：对常出没违章风险区域监控、例如是否租车去跑黑车、租车是否拿去载货、租车是否在一些高危风险地带经常出没，例如赌博、酒吧等；
3. 骗车风险：通过常出行轨迹识别是否频繁出没于偏远地区，判断骗车概率。

回租场景关注4大风险

1. 信用风险：通过公检法名单、手机APP黄赌毒类监控、多头借贷及逾期情况查询信用风险。
2. 骗车风险：对常出没违章风险区域监控、例如是否租车去跑黑车、租车是否拿去载货、租车是否在一些高危风险地带经常出没，例如赌博、酒吧等。
3. 车辆性质风险：识别是否事故车、套牌车、租赁车及查封车等
4. 身份真实性识别：例如车主身份是否虚假及车辆相关材料真实性。

二手车分为押证（抵押）及押车（质押）

押证分为5大风险：

1. 车主身份真实性风险：例如车主身份是否虚假及车辆相关材料真实性；
2. 职业风险：判断车主是否属于高危及敏感职位。高危及敏感行业容易导致坏账也无法顺利把车收回做问卷调查的网站来。
3. 信用风险：通过公检法名单、手机APP黄赌毒类监控、多头借贷及逾期情况查询信用风险。
4. 车辆性质风险：事故车、套牌车、租赁车、查封车、无年检车、公深圳市企程网络科技有限公司车、担保车、二手车等
5. GPS风险：GPS拆卸风险、轨迹异常、断电风险、GPS离线及长时间停留预警等。

押车关注2大风险：

1. 车辆性质风险：事故车、套牌车、租赁车、查封车、无年检车、公司车、担保车、二手车等。
2. GPS状态情况：实现围栏预警及位移预警等。

#专栏作家#

大数据猎人，微信公众号：大数据网络销售和推广方案猎人，专栏作家。多年金融科技行业相关战略研究、行业分析、商业模式及产品体系研究经验，擅长政府数据+企业数据+公开数据多源数据融合流通交易及应用

本文于。，。

题图来自 Unsplash，基于 CC0 协议