贷款申请中的虚假雇主与集中度核查

您打开了新入职员工名单,发现同一地区里接连出现相同类型的雇主。这个模式看起来很熟悉,您可能已经在考虑下一步:趁更多申请进来之前,把这批申请加入黑名单。但名单显示的只是类别和地区,还没有说明每个人背后的情况。您要判断的是,这些申请来自利用虚假雇主行事的团伙、通过同一渠道提交申请的销售人员,还是只是纸面上工作情况相似的一批人。什么才是有用的信号,什么又意味着该拦截申请?

新入职员工最集中的单元,违约率低于预期

这家放贷机构中,雇主类型和地区最集中的单元里,新入职员工的违约率低于预期。这是同一家消费贷款机构,名称已更改,曾出现在对再次申请的分析中。样本包含约 310,000 份现金贷款和循环贷款的当前申请。纳入比较的每位客户都持有一笔当前贷款,违约指放贷机构对这笔贷款作出的还款困难标记。欺诈损失和信用损失使用同一个标记。

在客户数达到 50 名的单元中,新入职者比例超额倍数上升时,违约率整体变化不大。超额倍数达到两倍及以上的单元中,新入职者的违约调整后赔率为 0.94。新入职者最集中的单元看起来更值得排查:64% 的客户新入职,43% 是该放贷机构的首次申请客户。该单元新入职者的违约率为 7.7%,预期为 11.8%。

折线图显示,在新入职员工集中度为 0.57 至 1.40 时,调整后违约率比值接近 1.0
雇主单元中最集中的新入职员工,违约率低于预期

拦截这个单元会影响审批,也可能拒绝评分已经计入信用风险的借款人。样本没有单独的欺诈结果,因此无法说明拦截能减少多少欺诈损失。应把单元集中视为检查申请的理由,并将该单元的违约情况与雇主类型、在职时间和评分所反映的风险进行比较。

结合评分反映的风险看雇主集中情况

不同雇主类型对应的信用风险确有差异,因此集中度核查在影响审批前,应先考虑这些差异。在客户数至少为 1,000 的雇主类型中,违约率从 4.9% 到 15.8% 不等。按外部评分分为三组后,各组内仍能看到这些差异。

各雇主类型的违约率与外部评分预测值之比为 0.60 至 1.81,图中标出了 1.0
各雇主类型的违约率为预期值的 0.6 至 1.8 倍

这里的预期违约率,是雇主类型、在职时间分组和外部评分分组相同的客户所对应的违约率。这个比较用于判断,某个集中单元是否带来了放贷机构已有风险信息以外的新信息。纳入外部评分、地区评级、产品和在职时间分组后,雇主类型使排序能力提高了 0.003。

入职时间有助于判断预期信贷表现,因此评估新入职状态时应结合其他证据。入职未满六个月的客户违约率为 10.6%,入职一至两年的客户为 11.4%。同时刚入职且首次向该机构申请的客户,违约率低于预期。

柱状图显示按当前工作在职月数划分的当前贷款违约率,0 至 2 个月对应的客户数标注为不足 1,000
在职前三年,各月的违约率变化不大

一种常见误区是,看到较高的原始违约率符合原先的怀疑,就把它当成新的欺诈证据。这样一来,已经计入预期违约率的风险,也可能变成拒绝申请的理由。应结合雇主类型、在职时间和评分比较各个集中单元,把新入职状态作为背景信息,而不是单独的欺诈触发条件。

采集雇主名称,按雇主统计申请集中度

放贷机构的记录包含雇主类型和客户所在地区,因此只能把申请归入较大的单元,无法区分具体公司。一个典型客户所在的单元里,约有 300 名其他客户。在这种规模的单元中,若有十名新入职者组成的团伙,单元内新入职者的比例会从约 11% 升至 14%,仍在普通单元的波动范围内。同一雇主名下的十笔申请可以合并统计。

雇主集中度是欺诈核查的一种方式,但按雇主类型和地区划分的代理指标会把同一单元中的多家企业归在一起。样本没有雇主名称或注册号码,因此无法区分这个单元中的不同企业。应在申请中采集这两项信息,以便按申请人填写的雇主统计申请数量。

雇主类型应作为单独的风险属性保留。同一份申请中的核查也依赖相关信息记录完整,以便评估申请人填写的内容。应根据放贷机构所在地区选择合适的信息来源,核验雇主身份信息后再将其视为已核实。

通过还款记录评估身份明确的雇主

以往的还款表现有助于评估经营时间较长的雇主,但比较时需要区分雇主历史和地区风险。在这份样本中,同一单元较早申请客户的表现似乎能预测之后的违约情况。纳入地区以往的表现后,这种关联主要由地区解释,单元本身增加的信息很少。

对于有足够历史客户的具名雇主,可以先在一个时期划定较早的客户群,再在之后的客户群中衡量还款表现。比较时固定地区,检查雇主历史是否提供了地区之外的信息。申请采集雇主身份后,再测试具名雇主的历史表现是否提供了地区风险之外的信息。这份样本衡量的是单元层面的关联。

现有记录没有具名雇主的历史,也缺少申请日期。对于历史记录充足的雇主,可以使用较早客户的表现。对于新出现的雇主,则应使用首次出现时间核查。

将这些审核规则纳入决策流

制定信贷、反欺诈或催收规则,并用于实际决策。

具名雇主规则可识别团伙并转交申请核查

模拟结果显示,使用具名雇主的规则比按雇主类型和地区划分的代理指标发现了更多植入的团伙,但有些规则也会转交大量真实申请。模拟使用了放贷机构真实客户、单元、在职时间和评分,并在此基础上模拟雇主、申请周和团伙。用于估算拦截收益的团伙违约率是假设值。

柱状图:按雇主名称制定的规则抓到 5、10、20 和 40 人的模拟团伙申请,比例均为 100%,按单元格判断的替代方法为 16% 至 95%
按雇主名称制定的规则抓到了所有模拟团伙申请,按单元格判断的替代方法漏掉了小规模团伙
规则团伙 5 人团伙 10 人团伙 20 人团伙 40 人误报
单元代理指标16%42%67%95%8.9
首次出现时间 90 天0%0%0%0%0
首次出现时间 180 天86%70%50%26%0 to 0.3
首次出现时间 365 天100%100%100%100%0 to 7.7
新入职员工占比100%100%100%100%0.8 to 110
任一规则100%100%100%100%0.8 to 110
仅按周统计申请数100%100%100%100%2,100
谨慎团伙,任一规则0.6%0%0%0%0.8 to 110

按单元格判断的替代方法抓到了模拟团伙申请的 16%,团伙人数为五人。模拟中,只要某雇主一周内至少有三笔申请,且首次出现时间在过去一年内,规则就抓到了所有植入的团伙申请。按真实新入职员工分布到雇主的方式不同,每 10,000 笔真实申请中,被转交核查的有零至 7.7 笔。首次出现时间设为 90 天的规则一笔也没抓到,因为模拟申请人填写的入职时间显示,该雇主首次出现的时间更早。

另一条规则会转交至少有五名申请人、且其中至少一半在职未满六个月的雇主,也识别了所有五人或更多的植入团伙。根据新入职员工在模拟雇主中的分布方式,每 10,000 份申请会转交 0.8 至 110 份真实申请。将这条初始规则用于欺诈阈值前,应先测试转交量。还可以将雇主的新入职员工占比与其雇主类型的占比进行比较。模拟没有给出这个指标的阈值。

在主要模拟中,仅按每周申请数判断就抓到了所有植入的团伙申请,但每 10,000 笔真实申请中约有 2,100 笔被转交核查。一个谨慎的团伙若声称入职时间为七至十八个月,并把申请分散到八周内,就能躲过按单元格和新入职员工占比判断的规则。首次出现时间设为一年时,只抓到了这类五人团伙的 0.6%,更大的团伙一个也没抓到。仅按每周申请数判断,抓到了这类五人团伙的 12%,以及所有人数达到二十人或以上的团伙,但转交核查的比例同样很高。

这里需要权衡识别出的模拟团伙数量和被转交核查的正常申请数量。应结合核查负荷评估识别效果,并在发布规则前测试申请转交量和申请结果。可以使用欺诈规则回测工具测试候选规则。

集中度标记需要进一步核查

可以根据标记将申请转交核查,再根据核查结果作出判断。模拟中,规则转交的真实申请违约率不高于预期,因此约九成客户最终还款。

Jo 和 Max 是这家机构样本中客户的化名。Jo 的违约率已被评分预测到。Max 还了款,和同一单元 65 名新入职员工中的 60 人一样。个体经营者 Kai 违约,其违约率也已被评分计入。

客户卡片显示:Jo 的预测违约率为 19.3%,Max 所在单元有 65 名新入职员工,其中 60 人还款,Kai 的预测违约率为 21.8%
同一单元的两名新入职员工结果不同,个体经营者的违约也符合预期

对于转交核查的申请,应检查雇主名称和注册号码是否与放贷机构选定的信息来源一致,再结合雇主层面的申请数量和触发规则的原因进行比较。对于信息不一致或集中度异常的情况,应结合其他现有证据进一步调查。综合其他现有证据核查后,再判断是否确认欺诈。

在申请表中设置雇主核查信息

回到新入职员工名单。评分已预测到 Jo 的违约,Max 和同一单元的大多数新入职员工一样还了款,Kai 的违约也已被评分计入。按雇主类型和地区划分的单元无法识别哪些申请人属于团伙。申请表和后续核查可以按以下顺序设置:

  1. 采集雇主名称和注册号码。在放贷机构所在司法辖区选定核验这些信息的数据源,并先明确何种情况算匹配,再据此确认信息。
  2. 按雇主名称统计每周申请数。采集申请日期,以便计算每周数量。
  3. 记录每个雇主首次出现的日期。首次出现时间窗口应覆盖申请人声称的入职时间。在主要模拟中,一年窗口抓到了植入的团伙申请,九十天窗口则一笔也没抓到。
  4. 按雇主类型计算每个具名雇主的新入职员工占比。使用前先用放贷机构的数据测试转交核查的阈值。模拟结果没有提供可用阈值。
  5. 对于有早期客户的雇主,在控制地区因素后,用样本外数据评估其客户的还款表现。将这项检查用于经营时间较长的雇主,并结合其他证据判断雇主是否虚假。
  6. 不要单凭刚入职或首次向该机构申请就认定存在欺诈。应结合其他证据评估。
  7. 将检查发现的申请转交核查。记录雇主信息是否与选定的数据源匹配、申请数量和入职时间分布是否属实,以及有哪些其他证据支持或削弱疑虑。

贷款欺诈中的雇主核验常见问题

如何判断多人填写同一雇主是否指向虚假雇主骗局?

如果多份申请突然填写同一个雇主,应将其视为进一步调查的理由,尤其是在该雇主刚注册或近期才出现在记录中时。比较申请日期和填写的入职日期,并检查申请人的信息是否呈现相同模式。欺诈团伙可能会使用虚假公司,销售人员也可能通过同一身份提交申请。应先弄清实际情况,再对个别申请人采取措施。

贷款申请应采集哪些雇主信息?

采集雇主法定名称、注册号码和所在地区,同时记录申请人的就业状态及其填写的入职日期。记录申请日期,以便按时间统计填写同一雇主的申请数量,并记录雇主首次出现在记录中的时间。应为个体经营者提供单独的经营和收入信息填写方式,不要因为缺少雇主注册号码就将其视为可疑。

如何核验申请人的雇主和收入?

先在相关官方登记机构核对注册号码,再比较公司的注册日期和申请人填写的入职日期。登记信息只能证明公司存在,不能证明申请人在该公司工作。应通过独立渠道查到的电话号码联系雇主,并将工资单或银行流水与申请中填写的收入进行比较。

雇主监测应回看多长时间?

可以先使用滚动 12 个月的数据,并在申请人填写的在职时间更长时延长回看范围。记录每个雇主首次出现的日期,再比较申请量变化、雇主历史和申请人填写的入职日期。较短的观察期可能漏掉分几个月提交申请的团伙,因此不能只根据雇主近期首次出现就作判断。

将这些审核规则纳入决策流

制定信贷、反欺诈或催收规则,并用于实际决策。