这个题目有点大，细化区分为三种业务场景，每种场景下违约风险的侧重点有所不同，但是不管是哪种汽车贷款场景，也不管是否是用户画像、汽车画像还是经销商画像，都离不开数据。针对不同的数据有不同的应用，可以构建风控规则模型也可以利用机器学习手段构建大数据风险控制模型。
下面就具体聊一聊这三种业务场景下如何控制客户违约风险：
（一）新车业务抵押贷款
业务场景描述：个人去汽车经销商门店（4S店、购车网店、普通门店等）购买汽车用于家庭自用。汽车经销商门店与金融机构合作，为客户提供比较合适的汽车贷款。个人选择好汽车与金融产品之后，同经销商签署汽车抵押贷款合同支付部分汽车首付款后，将汽车开走。
上面描述业务场景很常见，归纳一下关键字：贷款人为个人，贷款机构为金融机构，购买商品为汽车，购买用途：自用（非商业用途不是跑专车、拉滴滴等用途），汽车类型：一手车（理解为新车，非二手车），抵押类型：抵押贷款（区别于信用贷款，信用贷款可以理解为纯靠刷脸刷人品申请的贷款，而抵押贷款理解为购买人是个人，但是这辆车的归属人归属于金融机构，一旦出现违约的场景，金融机构有权将该辆汽车收回拍卖用于偿还贷款）。
这种业务场景下客户的违约风险各式各样，有客户比较缺钱，同时在多家购车平台申请贷款，申请多张信用卡，最后无力偿还贷款。有客户套用其他人的信息购买车辆，拿假身份证、假的驾驶证等材料申请贷款，最后拆除GPS跑路。还有伙同经销商作案，同经销商一起骗取金融机构贷款，造成违约。
防控客户违约风险第一个画像：用户画像
个人用户画像依赖于各种数据，三方数据、征信数据、本地贷款数据等多维度数据。其中最重要的数据维度还是征信数据。征信数据为主，其他三方数据为辅，多角度多维度用户画像是目前金融机构防控违约风险的最重要的防控手段。
人民银行于2020年1月17日正式切换升级二代征信数据之后，个人征信数据更加全面。而第三方数据公司由于合规性要求，2018年、2019年监管机构对数据公司整改比较严格，很多三方数据公司濒临倒闭和破产，部分苟延残喘的三方数据公司出现数据不更新，数据不稳定，数据上游公司关闭数据渠道等现象。
相较于其他三方数据公司的萎靡，人民银行数据征信库升级了二代征信则包含了更多更全面的个人数据，相较于一代征信数据，二代征信数据有以下几个方面的变化：
【1】个人数据更加完整，手机号码更换次数及频次，个人及配偶基本信息、工作单位信息、居住地址等信息更加完整和全面。
【2】增加了个人公共查询数据，公共查询数据主要包括：水费电费缴费数据记录
【3】增加了个人对外担保数据，个人为其他公司或机构提供担保的数据。
【4】个人数据记录由两年，扩展为5年。近五年的还款记录及违约情况数据在二代征信库中都有体现。
【5】增加配偶负债信息汇总，针对办理离婚办理贷款的情况不能作为首次贷款享受相应的优惠，二代征信库中既包含个人的负债信息也包含配偶的负债信息。
针对个人违约风险画像主要包括：个人信息、个人负债信息、个人征信信息、家庭负债信息等角度。
防控客户违约风险第二个画像：经销商画像
针对经销商的画像主要防控团伙诈骗的风险，由于部分金融机构与经销商的合作模式越来越合规，包括缴纳保证金、增强绩效管理、违约罚金等各种行政手段，其违约风险不如个人违约风险高。但是一旦出现违约，随时将是巨大的，因此对于经销商维度的用户画像不容忽视。尤其是针对商用车抵押贷款、挂靠公司的挂靠贷款等。这部分内容放到第二种场景下着重阐述。
第三类欺诈风险，主要体现在材料造假、身份套用等方式。
这类风险防控措施，主要体现在证件材料真伪识别，一般通过大数据机器图像识别、OCR识别、PS图片识别等手段识别材料真伪。
（二）二手车业务抵押贷款
二手车业务是相对新车业务来说，其场景同一手车场景类似，二手车业务风险除一手车业务的三种主要的风险之外，增加了汽车维度的用户画像。
汽车画像维度主要包括：汽车基本信息、卖家基本信息、汽车维保信息、二手车市场评估价等维度。
汽车的主要数据主要依赖三方数据、渠道端采集数据、二手车评估师现场鉴定等数据，通过汽车维度画像，可有效降低报废汽车二次销售、以次充好等风险。
（三）商用汽车抵押贷款
商用汽车主要指挂车、卡车、货车等用于商业用途的汽车贷款，商用汽车抵押贷款的违约风险数据除了用户画像、商用车画像之外增加了挂靠公司违约风险画像。
商用车一般挂靠到挂靠公司，挂靠公司购买商用车的主要用途用于商业用途而非自用，公司的用户画像相较于个人的用户画像，其数据包含法人的用户画像，公司运营情况负债情况等各方面的风险画像。
小结：总结来说，违约模型构建的基础为数据，以数据为支撑构建基于不同应用场景风险违约画像。没有数据，风险防控就是空谈。
