今天大家都已經(jīng)習(xí)慣了線上秒批、數(shù)字信用等基于人工智能和大數(shù)據(jù)的風(fēng)控體系。但是追溯到十幾年前，數(shù)字風(fēng)控卻付出過慘重的代價。十幾年一路走來，隨著大數(shù)據(jù)以及人工智能等技術(shù)的不斷完善，互聯(lián)網(wǎng)金融才真正讓大數(shù)據(jù)風(fēng)控走向完美。

日前，在玖富集團開放日上，玖富首席數(shù)據(jù)科學(xué)家、首席風(fēng)險官谷穎講解了人工智能的應(yīng)用要素和發(fā)展階段，揭示了智能風(fēng)控的進化史。

(玖富集團開放日)

從互聯(lián)網(wǎng)金融祖師爺?shù)目宓粽f起

NextCard是互聯(lián)網(wǎng)金融行業(yè)繞不過的一個案例。這家公司堪稱互聯(lián)網(wǎng)金融的祖師爺。NextCard總部設(shè)在舊金山，通過互聯(lián)網(wǎng)發(fā)放信用卡的公司。公司提供一套VISA卡網(wǎng)上信用審批系統(tǒng)，并為使用者申請者提供互動服務(wù)。

（維基百科關(guān)于NextCard的介紹）

在這家公司的征信體系之中，信用資料較少的申請人，只需在這里存有一定額度的存款，就可申請到信用卡。和今天很多互聯(lián)網(wǎng)金融項目相似，NextCard主打短平快借貸，在當(dāng)時備受美國用戶的喜愛。從1996年推出到2001年的第三季度，NextCard積累了120萬個信用卡賬戶，未償余額達20億美元，其成本卻比傳統(tǒng)做法低70%。

NextCard幾乎擁有今天互聯(lián)網(wǎng)金融企業(yè)的所有特點，甚至今天很多中國互聯(lián)網(wǎng)金融項目都與之相似。不過，遺憾的是，2002年9月，NextCard遭到聯(lián)邦證券監(jiān)察機構(gòu)的調(diào)查并宣告破產(chǎn)。破產(chǎn)的最大原因是因為該公司的客戶主要都是一些被其他信貸機構(gòu)拒絕的消費者，導(dǎo)致欺詐、壞賬的激增。

然而，NextCard把許多屬于客戶故意拖欠不還的普通信用壞賬歸為“欺詐”損失(“欺詐”損失被歸納于一次性損失，財務(wù)上不需要相應(yīng)的儲備金)，它需要大量增加儲備金來預(yù)備將來的信用損失，導(dǎo)致其喪失流動資金，不得不宣布破產(chǎn)。

回到15年前來看，NextCard錯誤很明顯，主要是這三點：

1、在征信把關(guān)層面上就已經(jīng)出現(xiàn)了漏洞

對于美國銀行來說，影響審批額度的主要因素包括客戶基本特征（包括男女、年齡、教育程度等等）、客戶風(fēng)險暴露情況（社會收入、債務(wù)情況、還債能力綜合評估）、現(xiàn)有的社會表現(xiàn)（房貸還款情況、其他銀行信用卡使用情況等）。但NextCard高估了人性，明顯對用戶的信用水準(zhǔn)期待過高，忽略了信用欺詐的嚴(yán)重性，導(dǎo)致公司破產(chǎn)。

2、在風(fēng)控層面上也缺乏合理的預(yù)警機制

按道理來說，在公司出現(xiàn)壞賬時，應(yīng)該加強儲備金，以此抵御風(fēng)險，但是NextCard幾乎沒有設(shè)置壞賬紅線，甚至也沒有為壞賬準(zhǔn)備對沖風(fēng)險的儲備金，僅僅只是把壞賬歸納為一次性損失，這樣的損失過多的情況下，最終只會導(dǎo)致壞賬如滾雪球一般越滾越大。

3、迷信線上審批，缺乏線下人工風(fēng)控把關(guān)

在那個時代，線下人工把關(guān)是風(fēng)控不可缺少的一環(huán)，很多小微企業(yè)的信貸甚至需要風(fēng)控人員到現(xiàn)場查看生產(chǎn)現(xiàn)場，結(jié)合生產(chǎn)工藝，了解生產(chǎn)組織情況，固定資產(chǎn)更新情況。風(fēng)控不僅僅是資本和金融層面的事情，更需要真正深入到產(chǎn)業(yè)之中，去了解一家企業(yè)的運行狀況。顯然，NextCard缺乏對線下的把控，以至于全盤皆輸。

“人肉”風(fēng)控的必不可少與邏輯悖論

NextCard的垮掉本質(zhì)上是線上風(fēng)控、征信技術(shù)有限，無法戰(zhàn)勝人工的結(jié)果。在傳統(tǒng)金融機構(gòu)、小貸公司中，不僅僅有一整套嚴(yán)格的審核標(biāo)準(zhǔn)，需要貸款人提供各式各樣繁瑣的資料，而且風(fēng)控人員甚至還會自己的經(jīng)驗判斷，在面對一些特定行為特征、生活習(xí)慣的客戶會首先有一個自己的直觀打分判斷，這些是長期經(jīng)驗累積的結(jié)果。想要拿到一筆貸款，金融機構(gòu)、貸款公司會付出很高的人力、物力、時間成本。

玖富作為中國最早的互聯(lián)網(wǎng)金融服務(wù)公司之一，如今已經(jīng)有11年的歷史，在行內(nèi)頗受好評。這家金融服務(wù)公司當(dāng)年為確保資產(chǎn)項目的真實、安全、可控，通過非常嚴(yán)格的完整審核體系的層層篩選，內(nèi)部建立了獨立的線上風(fēng)控模型，并引入了實地征信風(fēng)控合作。

不過，實地風(fēng)控體系依然會存在各式各樣的邏輯悖論。

對于金融企業(yè)來說，風(fēng)控模型和風(fēng)控體系需要非常有經(jīng)驗的金融從業(yè)人士來進行把控，比如說，銀行的風(fēng)控模型的出發(fā)點主要是測量借款方的還款能力，一般來講，模型包含了兩部分的評判，即客觀性的和主觀性的。客觀性的主要是數(shù)據(jù)類型，能量化的。如公司的年度審計財務(wù)報告，銀行流水，繳稅金額等，這些數(shù)據(jù)放在已設(shè)定好的模型里就能給出個分?jǐn)?shù)或等級，做為參考。

但光靠客觀數(shù)據(jù)還不夠，比如說這公司所在的行業(yè)是淘汰落后的行業(yè)（如鋼鐵、水泥等），那么評級可能需要有些降級，再比如說公司的管理人在該行業(yè)的經(jīng)驗?zāi)晗薜拈L短，都會影響到這家公司的風(fēng)險，所以這部分就得靠人為主觀的去做些調(diào)整。

因此，人在傳統(tǒng)風(fēng)控體系中起到了很大的作用。比如說，需要人工標(biāo)記壞樣本的方式來記錄壞樣本訂單號，人工通過相關(guān)黑信息關(guān)聯(lián)找出來的標(biāo)記樣本。系統(tǒng)設(shè)計是盡可能多的和并且盡可能精準(zhǔn)的的收集到壞樣本。

但是人畢竟是計算能力有限，而且對復(fù)雜的征信環(huán)境缺乏整體把控能力。在人工審核過程中，很容易出現(xiàn)樣品偏差的問題。比如說，你發(fā)現(xiàn)騙子符合某些聚集特征，你指定策略1進行打擊后，騙子的這種欺詐手段被控制，以后的損失案例都不具備這樣的聚集特征。如果壞樣本的收集時間在策略1上線之后，這個時候模型訓(xùn)練的結(jié)果極有可能出現(xiàn)滿足聚集特征的風(fēng)險低，不滿足聚集特征的交易反而風(fēng)險高，也就是說聚集特征的權(quán)重是負(fù)數(shù)。

另一個問題在于，金融行業(yè)的勞動力成本正在逐年上升。在傳統(tǒng)金融尤其是傳統(tǒng)信貸服務(wù)領(lǐng)域，我國傳統(tǒng)信貸能服務(wù)的客戶群僅占總?cè)丝诘?5%左右。傳統(tǒng)信貸服務(wù)需要依托線下網(wǎng)點展開，資質(zhì)審核、合同簽訂等流程都需面對面進行，服務(wù)效率低下，最終的結(jié)果是一方面風(fēng)控人員不足，另一方面是單純的線下人肉風(fēng)控也缺乏對風(fēng)控體系的百分百把控。

智能風(fēng)控三階段究竟解決了哪些問題

對此的應(yīng)對方案是兩個：一是引入在金融領(lǐng)域?qū)τ谡餍朋w系有能力建構(gòu)一整套完整風(fēng)控模型的人；第二個才是把大數(shù)據(jù)、人工智能引入到征信體系之中，進行智能風(fēng)控。

今天BAT三巨頭上手互聯(lián)網(wǎng)金融的時候，幾乎都在不斷引入能夠駕馭風(fēng)控模型的人，以此根據(jù)不同行業(yè)，不同數(shù)據(jù)建構(gòu)起不同的風(fēng)控模型。玖富也在不斷引入風(fēng)控模型的把關(guān)人，比如說首席數(shù)據(jù)科學(xué)家兼首席風(fēng)控官谷穎。谷穎博士在回國之前曾在華爾街投行工作達十年之久，其團隊更連續(xù)六年在全美固定收益策略、量化研究領(lǐng)域排名第一。而且在一批成熟金融人才的研發(fā)下，玖富也構(gòu)建起了“火眼”風(fēng)控系統(tǒng)。

玖富的“火眼”風(fēng)控系統(tǒng)形成了線上化、機器化、模塊化的風(fēng)控構(gòu)架體系。充分利用大數(shù)據(jù)分析技術(shù)建立獨特的風(fēng)控體系，具有處理高效、風(fēng)險可控、成本低、邊際效應(yīng)明顯等特點，能夠可以提早發(fā)現(xiàn)用戶早期逾期表現(xiàn)，并能有更多的時間進行調(diào)整。

根據(jù)她的說法，人工智能應(yīng)用在金融領(lǐng)域有三個階段。第一個階段是機器學(xué)習(xí)（ML）階段，即互聯(lián)網(wǎng)金融為代表的金融機構(gòu)全面滲透到所有模型建設(shè)中；第二個階段是自然語言處理（NLP）階段，即國內(nèi)大量互聯(lián)網(wǎng)貸款和征信公司都在大量使用自然語言處理技術(shù)；第三個階段是知識圖譜（KG）階段，即大量使用知識圖譜進行反欺詐分析?！盎鹧邸憋L(fēng)控系統(tǒng)恰恰覆蓋了這三個階段的所有應(yīng)用，也是目前比較完善的風(fēng)控系統(tǒng)。

機器學(xué)習(xí)（ML）階段解決的核心問題在于，讓風(fēng)控模型自動學(xué)習(xí)、自動匹配各項數(shù)據(jù)，在模型內(nèi)發(fā)現(xiàn)異常，揪出信用黑戶。尤其是機器學(xué)習(xí)算法能夠根據(jù)數(shù)百萬消費者案例，如：資產(chǎn)、履約、身份、偏好、社會關(guān)系及借貸情況等進行開發(fā)和訓(xùn)練，利用算法評估預(yù)測用戶是否會違約、是否會按時歸還貸款等。

自然語言處理（NLP）階段解決的問題則是可以在個人及企業(yè)主頁、社交媒體中發(fā)現(xiàn)蘊含著與違約風(fēng)險深度關(guān)聯(lián)的深層含義，通過復(fù)雜的詞向量模型將文本轉(zhuǎn)化為計算機能夠識別和計算的詞向量表征，并基于深度學(xué)習(xí)技術(shù)對其進行特征提取，最終運用成熟的分類器網(wǎng)絡(luò)將文本數(shù)據(jù)與違約風(fēng)險實現(xiàn)高度的風(fēng)險掛鉤，而通過傳統(tǒng)方式很難充分挖掘其風(fēng)險價值。

知識圖譜反欺詐（KG）分析恰恰是最重要的一個環(huán)節(jié)，因為知識圖譜反欺詐需要把所有技術(shù)融合在一起，構(gòu)建圖譜，從中發(fā)現(xiàn)欺詐行為。這也是很多互聯(lián)網(wǎng)金融公司目前在主攻的方向。

因為在過去，反欺詐人員需要根據(jù)借款人提供的信息，查找多方面資料，進行不同屬性的比對，從而發(fā)現(xiàn)不良征信人。這種工作復(fù)雜而枯燥，為了識別團伙欺詐，往往需要收集、整理、分析各種維度的數(shù)據(jù)，工作量更是成倍增加。而知識圖譜反欺詐能夠把把每個客戶的信息、以及網(wǎng)絡(luò)上公開的信息織成一張巨大的關(guān)系網(wǎng)，并通過可視化的圖形將這種關(guān)系展示出來。結(jié)合反欺詐部門的經(jīng)驗，找存在欺詐的客戶。

寫在最后：

雖然如今大部分平臺都在采用“大數(shù)據(jù)技術(shù)”來做風(fēng)控，但審核結(jié)果嚴(yán)重趨同，現(xiàn)狀不容樂觀。真正大數(shù)據(jù)風(fēng)控技術(shù)需要多云數(shù)據(jù)源（平臺積累、征信機構(gòu)、同業(yè)共享）來支持風(fēng)控審核模型決策，這恰恰是中國互聯(lián)網(wǎng)金融企業(yè)最需要發(fā)展的方向，也是必然需要走過的曲折道路。

生成海報

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(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)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(fù)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(fù)任何法律責(zé)任。任何單位或個人認(rèn)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(xì)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。