繼11月初的珠海航展后，汽車行業(yè)也迎來了一件大事。11月9日，由中國(guó)汽車流通協(xié)會(huì)及各省市自治區(qū)汽車流通協(xié)（商）會(huì)聯(lián)合主辦的2016中國(guó)汽車流通行業(yè)年會(huì)暨博覽會(huì)在珠海國(guó)際會(huì)展中心正式開幕。本次博覽會(huì)號(hào)稱行業(yè)年會(huì)，不僅邀請(qǐng)到來自政府機(jī)構(gòu)的負(fù)責(zé)人、研究領(lǐng)域的行業(yè)專家，同時(shí)也請(qǐng)到汽車流通行業(yè)全產(chǎn)業(yè)鏈企業(yè)代表以及歐美的行業(yè)組織代表前來助陣，針對(duì)當(dāng)前中國(guó)汽車流通行業(yè)的熱點(diǎn)、難點(diǎn)問題，各方人馬展開深入交流與探討。

作為國(guó)內(nèi)領(lǐng)先的車聯(lián)網(wǎng)數(shù)據(jù)服務(wù)運(yùn)營(yíng)商，廣聯(lián)賽訊也應(yīng)邀參加了本次年會(huì)。副總經(jīng)理沈劍先生以《大數(shù)據(jù)在GPS風(fēng)控預(yù)警中的實(shí)戰(zhàn)圖譜》為主題發(fā)表演講，為大家詳細(xì)講解了車聯(lián)網(wǎng)大數(shù)據(jù)在汽車金融風(fēng)控領(lǐng)域發(fā)揮的重要作用。

沈劍，車聯(lián)網(wǎng)車云平臺(tái)產(chǎn)品設(shè)計(jì)專家

以下是現(xiàn)場(chǎng)演講的主要文字實(shí)錄。

在金融圈里有兩個(gè)熱得發(fā)燙的關(guān)鍵詞：一個(gè)是大數(shù)據(jù)，一個(gè)是風(fēng)控。雖然將大數(shù)據(jù)和風(fēng)控結(jié)合并不是什么新鮮概念，但是要找到一些能擦出火花的結(jié)合點(diǎn)，并且做得有穿透力卻是很難的。下面我就和大家分享一下廣聯(lián)賽訊在這方面的探索，也就是關(guān)于大數(shù)據(jù)在GPS風(fēng)控預(yù)警中的實(shí)戰(zhàn)圖譜。

先簡(jiǎn)單介紹一下廣聯(lián)賽訊，我們是一家專注于車聯(lián)網(wǎng)數(shù)據(jù)服務(wù)的公司，致力于依托強(qiáng)大的車聯(lián)網(wǎng)云平臺(tái)和大數(shù)據(jù)分析技術(shù)，圍繞著車主買車、用車、養(yǎng)車、賣車的全生命周期的需求，開發(fā)出以車聯(lián)網(wǎng)+服務(wù)、車聯(lián)網(wǎng)+保險(xiǎn)、車聯(lián)網(wǎng)+金融為核心的車聯(lián)網(wǎng)產(chǎn)品和服務(wù)。數(shù)據(jù)是我們的立命之本，服務(wù)是我們的制勝之道。

回到主題，首先，讓我們回顧一下什么是GPS風(fēng)控預(yù)警？GPS風(fēng)控預(yù)警本質(zhì)上是通過安裝車載智能硬件（例如GPS）到車貸客戶的車輛上，并借助車聯(lián)網(wǎng)云平臺(tái)的強(qiáng)大分析、監(jiān)控和預(yù)警能力，幫助汽車金融公司實(shí)現(xiàn)貸前、貸后的風(fēng)控及資產(chǎn)回收。我們認(rèn)為GPS風(fēng)控預(yù)警是汽車金融風(fēng)控不可分割的一個(gè)關(guān)鍵部分。

具體來說，在汽車金融風(fēng)控的貸前環(huán)節(jié)，借助GPS設(shè)備的安裝服務(wù)人員，可以實(shí)現(xiàn)對(duì)渠道的真實(shí)性確認(rèn)、對(duì)車型 VIN 碼的準(zhǔn)確匹配，有效杜絕低配高貸；通過隱蔽性的安裝及不斷變換安裝位置，有效的保障逾期收車時(shí)能夠找到車輛。在貸后環(huán)節(jié)，一方面在微觀層面可以借助設(shè)備的斷電報(bào)警、子母分離報(bào)警、長(zhǎng)期不在線報(bào)警及時(shí)進(jìn)行檢修和回訪；另一方面，還可以在宏觀層面借助強(qiáng)大的大數(shù)據(jù)分析能力，通過逾期熱力圖、偏移度逾期分析、異常聚集預(yù)警等大數(shù)據(jù)算法實(shí)現(xiàn)更加精細(xì)化、智能化的風(fēng)控運(yùn)營(yíng)。

目前，廣聯(lián)賽訊在GPS風(fēng)控預(yù)警的大數(shù)據(jù)分析方向上，主要有四個(gè)落地點(diǎn)。第一個(gè)落地點(diǎn)是，解決合理離線時(shí)長(zhǎng)的標(biāo)準(zhǔn)設(shè)定問題。我們都知道，金融公司在委案收車時(shí)，都是根據(jù)車輛有無定位來和收車隊(duì)結(jié)算傭金的。而這里的車輛有無位置，不是指委派案件的時(shí)刻，而是一個(gè)時(shí)段。這就存在一個(gè)問題，由于車輛很可能因?yàn)橛脩舫霾畹仍?，停在了封閉的地下車庫，導(dǎo)致較長(zhǎng)時(shí)間沒有位置。那么我們給收車團(tuán)隊(duì)設(shè)置多長(zhǎng)時(shí)段是合理的呢？這個(gè)問題以往都是拍腦袋估算，今年，廣聯(lián)賽訊對(duì)數(shù)十萬在網(wǎng)客戶車輛一年內(nèi)的軌跡及運(yùn)動(dòng)規(guī)律進(jìn)行了大數(shù)據(jù)分析，做出了這個(gè)圖（如下），可以看出離線時(shí)長(zhǎng)設(shè)置的越短，誤差率會(huì)越大，離線時(shí)長(zhǎng)設(shè)置的越長(zhǎng)，準(zhǔn)確率越高。當(dāng)離線時(shí)長(zhǎng)設(shè)置為96個(gè)小時(shí)的時(shí)候，準(zhǔn)確度已經(jīng)達(dá)到了95%以上。大家都知道從金融公司的角度看，這個(gè)時(shí)段并不是越長(zhǎng)越好，它希望在一個(gè)合理誤差范圍內(nèi)越短越好。

第二個(gè)落地案例是在逾期分析上。由于當(dāng)前渠道下沉趨勢(shì)明顯，不少中大型SP覆蓋地域越來越廣，二三級(jí)渠道越來越多，飛單情況越來越普遍。這使得金融公司不僅需要知道渠道的逾期率，還需要知道渠道內(nèi)逾期的地理位置分布狀況，從而有針對(duì)性的幫助渠道改進(jìn)風(fēng)控，而不是整個(gè)渠道的開啟和關(guān)停。廣聯(lián)賽訊針對(duì)這個(gè)問題，利用GPS設(shè)備的備案安裝點(diǎn)、激活點(diǎn)和安裝后的常駐位置點(diǎn)等，結(jié)合每月的逾期信息，借助大數(shù)據(jù)計(jì)算平臺(tái)和數(shù)據(jù)可視化工具，繪制出動(dòng)態(tài)更新的逾期追蹤熱力圖。借助高頻次更新的逾期熱力圖，能把握更細(xì)的逾期分布情況，從而幫助金融公司對(duì)渠道進(jìn)行更深入的風(fēng)控。

第三個(gè)落地案例是在反騙貸環(huán)節(jié)上。在和多家金融公司交流后，我們了解到規(guī)模化騙貸往往伴隨著大量來自不同金融公司的車輛，或者是同一家金融公司的不同渠道的車輛，在一個(gè)較短的時(shí)間段內(nèi)大量聚集。為此，廣聯(lián)利用GPS設(shè)備的備案安裝點(diǎn)、激活點(diǎn)及安裝后的軌跡數(shù)據(jù)，借助大數(shù)據(jù)平臺(tái)的空間聚類算法，對(duì)多車異常聚集實(shí)現(xiàn)及時(shí)的預(yù)警。屏幕上的圖展示了我們對(duì)寧夏多車異常聚集點(diǎn)的分析。

第四個(gè)落地案例是偏移度逾期分析。因?yàn)槲覀儞碛辛丝蛻舻挠密囓壽E，我們自然希望發(fā)揮軌跡的最大價(jià)值。那么，能不能通過對(duì)客戶用車軌跡進(jìn)行分析，找到客戶經(jīng)常停留的點(diǎn)？能不能根據(jù)這些經(jīng)常停留的點(diǎn)，去驗(yàn)證客戶申報(bào)的家庭地址是否真實(shí)？客戶申報(bào)時(shí)的家庭地址是否真實(shí)和客戶逾期之間是否存在著相關(guān)性？

下面來看一下偏移度逾期分析具體是怎么做的。首先，根據(jù)GPS軌跡找出停留點(diǎn)。那么滿足什么條件的是停留點(diǎn)呢？就是連續(xù)一段時(shí)間位置沒有什么變化的點(diǎn)，用數(shù)學(xué)的方式表達(dá)就是：在任意一段連續(xù)的GPS軌跡中，如果滿足1）軌跡上的每個(gè)點(diǎn)的速度均小于5km/s，說明沒怎么移動(dòng)；2）每個(gè)點(diǎn)與開始點(diǎn)的距離都小于800米；3）結(jié)束點(diǎn)B與開始點(diǎn)A之間的時(shí)間間隔大于15分鐘，說明停留時(shí)間長(zhǎng)。這種情況下，我們認(rèn)為軌跡開始點(diǎn)A就是停留點(diǎn)。按照上面停留點(diǎn)的定義，我們對(duì)80萬用戶一年的軌跡進(jìn)行了測(cè)試，大概有9億個(gè)停留點(diǎn)。這個(gè)量還是相當(dāng)大的。

第二個(gè)環(huán)節(jié)，需要聚類停留點(diǎn)，判斷出常駐地來。這主要分三個(gè)步驟。首先，通過K-means算法將臨近的點(diǎn)分組，接著，將每個(gè)分組內(nèi)停留點(diǎn)的停留時(shí)長(zhǎng)進(jìn)行累計(jì)，得出分組的停留時(shí)長(zhǎng)。最后選取分組的停留時(shí)長(zhǎng)前6位的作為常駐地。按照這個(gè)定義，80萬用戶大概有140萬個(gè)常駐地。最后，比對(duì)常駐地和家庭地址，判斷家庭地址是否真實(shí)。這也是分三個(gè)步驟，第一步，只選取0:00到6:00的常駐地，因?yàn)橐粋€(gè)常駐地要成為家庭地址，一定是晚上睡覺的地方；第二步，找出累計(jì)停留時(shí)間最長(zhǎng)的3個(gè)常駐地；第三步，判斷這三個(gè)常駐地中是否有一個(gè)常駐地和家庭地址之間的距離小于 3km，如果有，那么家庭地址就是正確的。

最后，廣聯(lián)賽訊結(jié)合2萬多樣本數(shù)據(jù)對(duì)應(yīng)的逾期情況，按設(shè)備激活后的1-3個(gè)月的逾期狀況繪制了上面的圖。從圖中可以看出家庭住址匹配的逾期百分比分別是3.5%、 3.9%、 5.2%，而家庭地址不匹配的逾期百分比則高達(dá)6.9%、 9.9%、 10.4%，基本上是家庭地址匹配客戶的兩倍。這充分說明申報(bào)信息的準(zhǔn)確性與逾期成反比，而且從貸后環(huán)節(jié)來看，應(yīng)該重點(diǎn)關(guān)注申報(bào)信息不匹配的用戶，將這些用戶和設(shè)備拆除報(bào)警等結(jié)合起來，提高預(yù)警的及時(shí)性和準(zhǔn)確性。

我們相信，大數(shù)據(jù)和風(fēng)控的結(jié)合一定是未來汽車金融的核心競(jìng)爭(zhēng)力，廣聯(lián)賽訊將一如既往地埋頭深耕，不懈努力，為汽車金融事業(yè)添磚加瓦。