1. 汽車金融是什么？

汽車金融主要指與汽車產業相關的金融服務，是在汽車研發設計、生產、流通、消費等各個環節中所涉及到的資金融通方式。主要包括資金籌集、信貸分期、抵押貼現、金融租賃，以及相關保險、投資等活動。

商業模式

零售業務中，商業銀行和融資租賃公司作為資金方，經銷商/4S 店/租賃公司作為銷售渠道，汽車電商平臺起到導流作用，共同為有購車需求的個人消費者提供分期購車金融產品和服務。

從競爭格局看，銀行和廠商金融是零售市場的主要玩家，在資金成本和渠道獲客上占有絕對優勢。此外，汽車電商平臺作為線上導流服務方，為傳統金融機構提升獲客效率，近幾年也活躍在汽車金融市場。從產品類型上來看，售后回租為市場主流，直租有待快速發展。

2. 滴滴汽車金融在做什么？

1）滴滴汽車金融業務現階段定位為服務出行生態，一切從用戶價值出發，為有購車需求的司機提供低成本購車金融方案。

2）對內構建汽車金融風控體系，通過網約車場景數據的積累和應用，不斷提升全面風險管理能力，生成優質網約車金融資產，逐步形成風險定價能力。

3）對外向傳統金融機構提供優質金融資產和系統化的風控能力輸出，實現資金和資產高效匹配，積累金融資產管理能力。與此同時，作為連接資金和資產的雙邊平臺，與主流金融機構建立長期合作伙伴關系，持續為網約車體系提供資金支持。

未來滴滴汽車金融的業務范圍會隨著出行產業生態的發展不斷豐富， 延伸至整個出行產業鏈，為汽車經銷商、4S 店、代理商等汽車銷售者采購汽車和營運設備提供的金融服務， 以滿足產業鏈上下游各環節的金融需求，逐步形成集信息流、資金流、物流于一體的汽車產業金融新業態。

3. 滴滴大數據在汽車金融風控上的應用

傳統信貸框架下，以貸款人央行征信判定還款能力的風控模式已經不再滿足網約車金融的風險管理需求。網約車場景下，汽車金融風控對在貸資產的真實性、穩定性、以及風險預警的時效性提出了更高要求，基于大數據建立智能營銷和智能風控決策體系顯得尤為重要。

從資產端來看：

車貸 C 端問題：貸前準入未使用場景內數據作為個人征信補充，貸中數據缺失，沒有匹配的風險預警方案，貸后催收效率低，需要對網約車貸款人形成動態信用評分。

解決方案：運用滴滴大數據補充傳統零售評分卡模型，將場景中能夠反映個人信用風險特征的數據應用到汽車金融領域，制定風控政策和準入標準。同時建立體系內有車群體的 PD（probability of default）評分模型，關注 PD 參數的顯著變化，提供大數據下的風險預警方案。逐步搭建網約車場景下的全面風險管理體系，提升全流程風險管理能力。

車貸 B 端問題：傳統金融機構對于 CP（Car partners）征信數據的缺失，導致其不能有效識別渠道風險，尤其對于中小型 CP 來說，很難獲得傳統金融機構的授信。

解決方案：借助滴滴平臺大數據，支持資方對 CP 的授信審批。具體來說，是將渠道基礎信息，以及能夠反映其資產規模，資產使用效率，司機管理能力的數據維度進行系統化梳理，形成入模變量，同時不斷積累體系內壞樣本，建立 CP 半監督模型。模型輸出結果即是 CP 信用評級綜合分數，直觀反映出 CP 的風險等級。目前汽車金融的 CP 評級為月度輸出，可以動態反映出 CP 風險等級的變化。

從全流程風險管理來看：

在實際運營過程中，我們在零售車分期貸款的貸前，貸中和貸后三個階段發現了以下問題。

貸前準入風險：貸款申請人不是放款后實際運營該車輛的司機，也就是說 A 貸 B 還。這種問題通常發生在渠道進件環節。汽車金融產品銷售過程中存在一定的操作風險，線下渠道銷售人員為了提高成單率，找了信貸資質好，更容易通過貸前審核的人代替司機申請貸款，然而實際跑滴滴的司機信貸資產差，還款能力不足以支持月供，PD 違約概率較高。那么這筆車分期貸款的信用風險就會在貸后的資產表現期內逐漸釋放。

首次拉單時，貸款人和司機信息不符：

貸中運營風險：貸款人在存續期內退車，車輛由租賃公司代償，待租賃公司找到新司機后由新司機運營并繼續還款。這種情況下， 傳統風控在貸前準入對初始貸款人的判斷，以及車輛 GPS 定位已經不再能夠有效反映貸后運營車輛的風險變化。在貸車輛在存續期內先后匹配多個滴滴司機時，租賃公司在車輛運營管理，現金流管理和司機管理上面臨很大挑戰，有時多個司機集中退車會引起渠道集中性風險。

運營中一輛車在不同時點匹配多個司機：

貸后逾期催收：傳統信貸風控對于網約車貸后數據缺失，在無法獲得貸款人收入以及營運行為數據的情況下，不能確定每筆逾期債項背后貸款人的還款能力和還款意愿，因而無法做到對收入還貸比高，有還款能力的貸款人進行優先催收。這種情況下，需要針對貸款人平臺拉單數據以及貸款車輛營運數據制定催收評分卡，對催收進行分類管理。

滴滴大數據可以解決：

網約車金融全面風險管理體系的搭建。

在零售數據準備和模型變量開發時，形成從貸款人信貸基礎維度到涵蓋城市、渠道、車輛四大風險因子的模型長清單，實現覆蓋在貸資產全生命周期的動態監控。同時通過被投企業資產表現不斷積累模型因變量（壞樣本），有效把握風險等級變化，建立預警和響應機制，降低損失率。

每個風險因子下鉆形成多個風險指標，組合后形成風控策略。通過單一策略和多策略的綜合應用，實現貸中預警和風險的及時防范。

具體來說，優化方向有以下幾點：

優化點 1：從傳統的放款時點貸款人風險評估，優化為全流程多維風險動態監測。

傳統信貸風控只注重貸款人單一維度的信用風險計量，而在網約車場景下，城市政策合規、車輛運營狀態、渠道管理能力都會在整個信貸流程中對信用風險的變化起到決定性作用。對此我們借助滴滴網約車場景數據和壞樣本的持續積累，來補充傳統信貸數據維度， 優化 A 卡和 B 卡。

預警需求分析：

放款時點：反欺詐信息核實，數據維度包括但不限于平臺側核實司機、車輛、人車匹配、渠道基礎信息，同時排查渠道進件風險。

放款后，通過貸中監控實時反映貸款人信用風險變化，建立大數據風險預警體系。

建立大數據內評驗證治理架構，內評驗證流程方法，提供不同層次的的優化策略和實時流程。預警模型中，典型貸中預警策略如下：

隨著數據維度不斷豐富，四大風險因子的下鉆維度會逐步增多。我們同時也在實際業務中逐一驗證，并通過司機 A 卡 B 卡模型結果進行策略迭代。

貸后催收：

優化催收評分模型。實時對逾期司機的逾期天數，拉單行為，月均收入進行分析和監控，得出每筆逾期債項對應的還款能力和還款意愿綜合評分列表，幫助貸后催收提升效率。

優化點 2：增加數據觀測的時間寬度和時點觀測深度，并在此基礎上引入前瞻性.

通過對數據的長期觀測，單一風險策略迭代以及多策略應用的持續驗證，我們會得到司機信用風險變化的歷史平均水平和規律，結合業務現階段和未來發展趨勢，在此基礎上得到前瞻性調整后的 PD（違約概率），對信用風險的顯著變化進行定量和定性評估。

優化點 3：依托大數據分析能力，形成對業務全局風險收益變化的綜合判斷。

通過 C 端融租車輛的全流程風險管理，逐步勾勒出了融租產品形態下的司機信貸畫像和 CP 渠道畫像， 快速識別汽車金融在業務模式和產品上的運營風險，比如融租包經租，CP 代償，集中性違約風險等。進而對車金融資產質量有清晰準確的計量，實現資產端和資金端風險收益的平衡。

4. 滴滴大數據在汽車金融場景下的廣泛應用前景

企業信貸智能風控

方向：整個出行行業生態中，存在大量分散的中小企業服務商/渠道商，這些中小企業在滴滴平臺上的日常經營數據反映了其經營能力、資金流動性管理和司機管理能力。多維度經營數據完全可以支持數據風控方式獲得資金，為業務提供決策創新方案，包括識別客戶異常行為、差異化授信審批、全流程風險管控和預警、限額設定等。

進展：目前一些與滴滴平臺合作方有業務往來的汽車金融持牌機構已經在與我們就數據風控的授信方式進行深入探討，在平臺不提供擔保的情況下，通過司機余額代扣和平臺多維度數據建立風控模型，為優質汽車租賃公司提供對公授信資金支持。

零售信貸智能風控

滴滴平臺具有明顯的雙邊效應，即供給側和需求側都通過平臺完成交易，因此平臺上會沉淀大量交易和運營數據。當汽車金融服務對象是體系內有車人群時，可通過滴滴大數據補充傳統零售評分卡的不足， 將體系內非信貸數據應用到汽車金融業務場景下，比如用于制定產品級的風控政策和準入標準，輸出自動化信用評分，反欺詐，風險敞口管理, 風險定價等。

逐步建立網約車場景下的風險管理體系， 實現內評模型在數據、決策、和算法層面的創新。

包括：前篩客群、特征模型建立和訓練、反欺詐規則設計、線上策略驗證、與合作伙伴聯合建模、線上貸后逾期管理等。

隨著大數據風控能力積累，不管產品形態是新車融資租賃還是車輛抵押貸款，都可以針對不同業務類型，建立智能風控體系。在此基礎上，平臺數據的動態監控能夠幫助篩選資產表現良好的個人信貸用戶，形成白名單，自動化審批放款，提升資產匹配效率。