所有的风控人员应该思考的一个问题：汽车消费金融（含融资租赁）企业的风控策略如何验证有效性？
通常来说，风控策略在正式进件之前已经形成，而此时的风控策略，某种意义上来说，只是风控总监对风险情形和风险管理的一种假设。这种假设是否客观真实，需要实际业务数据的验证。一个不闭环验证的风控策略，是一个静止的无法进步的策略，这样的策略，要么损失收场，要么迟早淘汰。但是，即使我们想闭环验证风控策略的有效性，在传统的风险管理中，只能等问题实际发生之后才能验证，这时候真实的损失已经产生，不能不说这是一种代价高昂的学习。那么，这种代价能否避免或至少尽可能地降低呢？在数字化技术不断发展进化的今天，借助物联网和人工智能技术，是可以找到解决方案的。
让我们先看看当前的风控策略是如何设计的。通常来说，汽车消费金融风控策略围绕以下因素来设计：
● 反欺诈策略：决定用什么策略识别出准入客群的欺诈人群；● 信用评估模型：决定如何确定客户的信用违约风险或成本，是定价的基础；
● 额度策略：决定了对某个客户的敞口风险范围；
● 利率策略：决定了业务的盈利水平与价格竞争力。
风控策略设计中的每一因素在目前的汽车消费金融中的操作实务，可以总结如下：
通常通过产品的场景设计、属性设计、渠道设计和客户属性要求来做基础准入
黑名单：通常金融客户会有自己维护的内容黑名单，同时可能也会和同行等其他金融机构进行分享，这是很重要的一部分。
申请行为：申请行为异常，这个通常是根据自己内容积累的数据，也有与其他机构共享的数据。
实名信息：指客户在历史的申请中是否使用了多个身份信息。
消费行为：有的公司在要求客户提交资料的时候，附上银行流水和消费的相关资料。
团伙欺诈：以上几个环节是对用户行为进行评估，团伙欺诈是对关系进行评估，通常会通过三要素等维度，进行关联，发现与他有关联的高风险客户或者在短时间内有相似行为的客户。
信用评估是为了评估用户还款能力和还款意愿，通常通过建立信用评估模型计算信用得分来实现。信用评估来自于用户信息，信息的纬度大致可以分为基本信息、行为信息、信用信息、社交信息和消费信息等。建立模型规则就是确定信用评估变量和变量权重， 将用户信息输入信用评估模型之后，就能得出用户的信用分。
额度与利率策略既是控制风险和覆盖风险的重要因素，但同时也决定了产品在市场的竞争力。实际操作中，额度和利率设计受市场竞争影响比较大，进而给风控策略中的准入、欺诈、信用评估策略提出了更高的要求，额度和利率在激烈的市场竞争下，需要风控策略更加的严谨和准确。
传统的风控策略设计，主要依赖有限的资料和风控人员的经验，而近来兴起的大数据风控，丰富了风险识别的维度和数据，同时云计算和人工智能技术也有效避免风控人员陷入了数据的包围，给风控人员带来新的洞察和理性的数据结果，可以说风控能力得到了很大的提升。但风控策略的核心点始终在于，即使在大数据和人工智能技术的帮助下，风控人员也无法做到全知全能，不管人的判断还是机器的判断，都是在有限信息的情况做出的推测，这个推测可以无限接近事实，但终究不是现实，需要现实的检验。
现在我们清楚了风控策略设计的基本原理和实务做法，也知道了风控策略是在风控人员的风险认知和风险控制假设下通过收集数据推测、判断和控制风险的一套做法，假设、推测和判断都需要验证，那我们怎么做到在风险实际发生前就做到验证呢？
风控策略的核心本质是基于客户的信息，对客户的风险和信用做出预判，而其中最大的问题，在于很多的资料由客户自身提供，而汽车金融公司基于人力和成本的原因，无法对客户提供的资料一一进行准确细致的核实，从而导致风险的发生，如虚假的资料、欺骗来的身份证、缺失的信用数据等等，而这类风险，可以通过对贷款或租赁车辆的数字化管理来进行识别和验证。
万位科技通过使用物联网、云计算和机器学习的技术，实现对汽车消费金融（含融资租赁）企业的在贷车辆资产的数字化管理，车辆资产的在线化、可视化、实时交互与全旅程大数据可以动态验证风控策略的有效性与准确性，推动风控模型的优化，降低风险的真实发生。其原理如下：
数字化的汽车金融资产管理方案可以对风控策略在风险未实际发生前进行验证和预警，如下图：
从单重视贷前的风控策略到并重贷后的资产管理，引入先进的数字化技术对资产进行数字化的管理，可以让风控策略在风险实际发生前就得到验证和调整，这将是数字化技术在汽车金融领域纵深发展的必然。
