投資互金多年，風(fēng)雨桀驁，不屈不撓。行業(yè)這幾年被毒打如家常便血，三天兩頭，膽戰(zhàn)心驚，為點碎銀操碎了心。一直以來，我都有兩個互金持倉，一個是360數(shù)科，另一個就是樂信。雖然數(shù)(科)九寒天，但也樂(信)此不疲，我始終認為行業(yè)春天不遠。

反正最壞的已經(jīng)過了，我這個死多頭，會撐到底。

這次有機會見到喬楊老師，樂信的CRO，他是業(yè)內(nèi)比較早研究、實踐大數(shù)據(jù)風(fēng)控的專家，之前在Discover和京東數(shù)科擔(dān)任過管理職位，跟我也是前同事。喬老師寫過一本信用評分建模的教程叫《數(shù)據(jù)化風(fēng)控》，我讀了一遍很受益，大家有興趣也可以讀一讀。

目前樂信的風(fēng)控能力看起來確實比較牛逼：

為論述簡單起見，我從電商零售行業(yè)里借用一個概念，以下將平臺的借款額稱為GMV。

截止2021年Q2，樂信資產(chǎn)質(zhì)量達到兩年最優(yōu)，首逾率只有4.92%，同比下降 40%，同時不良回收率同比上升了30%。另外一個比較核心的指標(biāo)，F(xiàn)PD30(First Payment Default 30，指首個還款日后30天逾期的GMV除以下單月訂單GMV的比例)則達到0.62%，也刷了歷史新低。這個指標(biāo)過去12個月連續(xù)穩(wěn)定在1%之下。

那么如何做到這個風(fēng)控結(jié)果：用行業(yè)來說，就是在充分利用大數(shù)據(jù)的基礎(chǔ)上，搭建基于AI的風(fēng)險管理體系。原則是最小化人的主觀因素，最小化人工操作風(fēng)險。簡單論述一下：

1. 抽象數(shù)據(jù)下的AI風(fēng)控

我認為現(xiàn)代性的本質(zhì)，就是具象事物的抽象化與數(shù)據(jù)化，以便于某些人開展進一步的捕捉、管理、預(yù)測等騷操作。對于人類尊嚴這個層面，這種抽象是一種踐踏;但對工業(yè)化生產(chǎn)與商業(yè)效率而言，抽象的威力簡直堪比火車頭，也是現(xiàn)代社會的起步。藝術(shù)也是如此，你畫個逼真到堪比光學(xué)鏡頭下的照片的，這不就叫現(xiàn)代藝術(shù)，這是古代的照相術(shù);而你畫的人像只有一些殘枝敗葉，才是現(xiàn)代藝術(shù)。

在信用業(yè)、金融業(yè)里，對于人抽象，就是給其做信用畫像(credit profile)，比較有名的比如5C模型——character, capacity, capital, collateral, conditions;又比如信用評分，從此你是不是靠譜——用馬克思韋伯的話來說——就不是一個價值理性，而近似為為一個工具理性;就不是籠統(tǒng)的好壞，而變成了多好與多壞。比如，潘驢的信用評分是720分，而鄧小閑的信用評分是660分，那么我們不僅知道潘驢的信用要比鄧小閑好，我們還能量化地知道潘驢比鄧小閑要好60分。

這個人喜不喜歡讀康德對于其會不會守約還錢有沒有影響?可能有，但影響不太大。那喜歡吃披薩而不是燒餅?zāi)?估計沒什么影響。而對于信用卡、消費貸、現(xiàn)金貸這種無抵押的貸款而言，借款人的抽象無非是字段，年齡、性別、婚姻、學(xué)歷、職業(yè)、住房、居住地、貸款金額、期數(shù)，等等，并施以權(quán)重。你可以有一個長變量列表(long list)，然后將其篩選成更有區(qū)隔力與預(yù)測力的短變量列表(short list)，篩除掉諸如喜不喜歡讀康德這樣比較不C位的變量，通過正確定價或者有利于出借人的錯誤定價來賺錢。

貸中的觀察也可以用一套抽象，比如什么是壞，可以界定為違約就是壞，比如界定為未來一年內(nèi)出現(xiàn)M2以上逾期、催收、呆賬、強停、拒往、協(xié)商，就是違約，就是壞。什么是“中性”或者“不好不壞”，比如“半年內(nèi)有一次M1”就算不好不壞，無鮮明的風(fēng)險特征，很難判斷好壞。這樣又是把一個價值理性問題(判斷好壞)近似成了一個工具理性問題(判斷高低)，為的就是好解決問題。

隨計算機科學(xué)的發(fā)展、人工智能的崛起、不同算法玩命兒式的迭代，這樣的數(shù)據(jù)可以越來越豐富，數(shù)據(jù)處理可以越來越精細化，策略可以越來越得心應(yīng)手。樂信搭建了一整套基于人工智能的風(fēng)險策略系統(tǒng)，而底層技術(shù)靠啥——大數(shù)據(jù)、人工智能、區(qū)塊鏈、云計算等等前沿科技。以下是走來的是樂信風(fēng)控方陣：

但光有這些其實是不夠的的。至少在此時此刻，我們還不能完全把所有決策，都交給機器人。

2. 人類介入的管理與監(jiān)控

所以我們一定還要有一整套的有“人類專家”介入的管理體系，去監(jiān)控、管理上述一整套基于AI的策略功能體系。比如樂信怎么做，他們搭建了一套可以認為干預(yù)的系統(tǒng)，分析、監(jiān)控并預(yù)警風(fēng)險，完成按天、按周、按月一整套的追蹤預(yù)警分析機制。

以下這段話喬陽老師說得很到位，我就直接引用了。

“比如在‘ 按天’這個維度上，可以對實時壞帳率有一個預(yù)測，比如對風(fēng)險指標(biāo)的一些目標(biāo)進行走勢的預(yù)測，包括核心指標(biāo)影響力的自動化評估，在周期里我們可能基于大盤各業(yè)務(wù)進行收益的復(fù)盤，在每月的維度，我們可以去根據(jù)人群的風(fēng)險識別以及策略效能進行管控。

有了這套系統(tǒng)，基于我們的壞帳預(yù)測，我們能夠把我們的策略、模型價值、用戶管理、催收運營，這一系列指標(biāo)拆分到天的維度，基于我們的體系，按天的維度去追蹤我們目標(biāo)達成是否出現(xiàn)偏差，如果出現(xiàn)偏差我們可以用自動化算法，把造成偏差的‘ 罪魁禍首’展現(xiàn)出來，再進行針對化的一些風(fēng)險管控和攔截。

比如我們在今年早期發(fā)現(xiàn)我們的入催率有一定的上升，我們自動化預(yù)警系統(tǒng)就發(fā)現(xiàn)了這個趨勢提出了預(yù)警，那有了這個預(yù)警，我們的自動化歸因系統(tǒng)就會對這個波動產(chǎn)生最大的一些影響，根據(jù)氣泡圖的方式展現(xiàn)出來，氣泡的大小代表影響力的大小。”

專家的話比較抽象，我來舉個例子。有一批人，可能既是樂信也是某唄授信用戶。今年初，某寶對某唄用戶搞了一波降額和關(guān)帳戶的操作，這批用戶的流動性就出現(xiàn)壓力，樂信就可以快速分析并定位出這批用戶風(fēng)險上升。但這畢竟還是一個粗分類，再通過自動化檢測數(shù)據(jù)，一鍵拆分，把造成風(fēng)險上升的用戶再精細到不同的用戶分組，最后針對不同用戶分組人群，進行針對性的策略攔截和管控。

3. 高增長下的優(yōu)化邏輯

當(dāng)然數(shù)據(jù)風(fēng)控極大增加了效率，提高了通過率，也降低了壞賬率，這些我認為都是創(chuàng)新之于金融業(yè)的效率的提升;而更多的人能享受到普惠金融，也可以說是一種公平的提升。效率與公平都得到了照顧。

當(dāng)然我們也要注意，過往這個行業(yè)增速非常快，所以也就是分母增長非常快，壞賬率自然比較低。信用卡的不良率為什么會相對比較高(不良率定義為M3+，遠超1%)，且長期降不下來?就是因為信用卡整個行業(yè)發(fā)展停滯，分母增長極慢。所以互金在增速下降后是否還能維持現(xiàn)在的壞賬率，能夠解決信用卡一直解決不了的問題，是行業(yè)的挑戰(zhàn)。

在整個監(jiān)管趨嚴和利率下沉的趨勢下，各家互金平臺的風(fēng)控管理能力，需要更高的要求。樂信之前在搭建整個風(fēng)險定價和額度體系的時候，或許在意的是怎么去提升GMV;但現(xiàn)在，尤其是利率下行的市場環(huán)境下，管理層會更在乎，在風(fēng)控技術(shù)架構(gòu)以及系統(tǒng)完善后，能夠通過精細化運營，兼顧各方面的影響因素，來實現(xiàn)針對不同人群進行不同定價(額度、利率等)，以保證利潤和整個業(yè)務(wù)能健康增長。

結(jié)語

達爾文有句話，叫不是最強的物種，也不是最聰明的物種能夠生存下來，而是那些最能適應(yīng)變化的。我認為擁抱數(shù)據(jù)化風(fēng)控互金有這方面的潛質(zhì)，沒有最強的模型，沒有最聰明的算法，只有適應(yīng)于現(xiàn)在的風(fēng)控系統(tǒng)；而對于未來的不確定性，我們也仍然要有敬畏之心。

我們永遠都不要忘了，數(shù)據(jù)只反映過去，因為它們是來自于過去，它們對未來有一定的預(yù)見力、洞見力，但是它們不能100%準確預(yù)言未來，甚至90%也做不到。金融風(fēng)險，債務(wù)危機，我們幾乎能說，無論我們怎么預(yù)防，都難以避免;本來在模型里趨于完美的借款人，理性經(jīng)濟人，他們在可能會黑化變身，導(dǎo)致壞賬?？傊耸且粋€復(fù)雜的因素，你將其簡化成一串串?dāng)?shù)字、一行行代碼、一個個算法，在效率上確實有效，但也肯定不是萬全之舉。

人類有個毛病就是急于求成，常常錘子還沒研究透，就開始到處找釘子。這個問題，整個數(shù)字化創(chuàng)新的行業(yè)都要面對。而對于信用行業(yè)、金融行業(yè)而言，所有風(fēng)控從業(yè)者都應(yīng)該認識到，沒有百分百完美的模型，只有相對適應(yīng)于當(dāng)下的模型。對于未來的不確定性，我們都應(yīng)該保守地留有余地。知識的僭妄永遠是高懸在人類頭頂?shù)囊话褎?，我們不可不察?/p>

在這種清醒下，我們來看樂信的風(fēng)控，或者我們說的數(shù)字化大風(fēng)控，給整個行業(yè)帶來的重塑，就更有意義;我保持審慎樂觀，我也相信樂信這樣的互金公司在數(shù)字化風(fēng)控上的迭代，是一個可以長期投資的方向。

正好昨天樂信也發(fā)了財報，數(shù)字來看依然保持穩(wěn)步高速的增長，而多項核心指標(biāo)也繼續(xù)創(chuàng)歷史新高。我在文章最后簡單帖下數(shù)據(jù)吧，有興趣的可以交流。

Q2營收33億, 息稅前利潤10.01億元(Non—GAAP)，同比增長85%;

促成借款額達到606億元，同比增長47.6%;

注冊用戶數(shù)達到1.44億，連續(xù)8個季度增長超千萬;

授信用戶達到3290萬元，同比增長45.2%;

90天以上的逾期率為1.85%，新增借款FDP30連續(xù)12個月小于1%。

（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）