智能信贷 | 10秒授信的背后，计算机引擎里发生了什么？
我的图书馆
智能信贷 | 10秒授信的背后，计算机引擎里发生了什么？
Capital One目前是美国第八大银行控股公司，有信用卡、房屋贷款、汽车贷款、银行等金融产品。用信息技术来全面驱动公司业务发展，是Capital One公司的制胜法宝。智能信贷服务商读秒，主要为自然人提供的无抵押无担保的个人短期小额信用贷款，利用大数据与机器学习，它把传统银行最快3天的授信业务做到10秒完成。该公司CEO周静，曾在美国“金融黑帮”之Capital One任职8年，历任产品、市场、风控高级经理。2006年，她回到中国进入渣打银行，任渣打中国零售风险总监，至今有着近20年的跨国银行风险经管经验。日，周静加入PINTEC，带领团队开启了打造一款智能信贷产品的征程——即如今“读秒”的萌芽。历经一年多时间，读秒从最初的一款决策引擎产品，逐渐发展成为一套完整的智能信贷解决方案，产品团队也发展成PINTEC旗下子公司。10秒内外的火光闪电天下武功唯快不破。读秒技术负责人仲惟晓向雷锋网介绍，读秒至今已经接入了业内约40个数据源，通过API接口实时调取。数据接入之后，读秒通过自建的欺诈、预估收入、预估负债比等多个模型（规则）对数据进行数十万维度的清洗、挖掘，再通过平衡卡和决策引擎给出综合决策。而且，所有决策是平行进行的。10秒完成授信决策的背后，既有前期日积月累的数据收集和清晰，也有最后时刻刀光剑影的模型计算。一般人认为，大数据、机器学习技术如同一个黑箱，但事实上有迹可循。仲惟晓介绍，读秒的合作伙伴会海量的裸体数据给到他们，但真正有用的数据维度——基于数据构建的分析维度，实际上是由自己去挖掘的。“并不是说把数据拿来，然后放在一个很神奇的机器学习模型里就能把结果预测出来。”比如在前期用户申请阶段，会产生大量的用户行为、交易数据，或者信用数据，这些数据能够帮助决策机构了解“用户是一个怎样的人”，比如说看一个人的出行记录，分析他的住所、行踪、打的什么车、做什么航班以及舱位等等。而这些数据本身也需要挖掘的过程，虽然挖掘的过程与整个授信的过程是分离的。“有海量的数据之后，我们需要利用距离、分组等决策算法，从这些数据中筛选出业务适用的模型，规避风险。”仲惟晓接着举例解释背后的门道：一个很简单的例子，比如用户在多平台的借款的情况——以前我们觉得，一个客户借款5次、8次或者10次，第三方数据源可能会提供。但是现在，我们更加会看，比如多平台的借款频率，在过去的90天，或者270天、360天中是怎么变化的，此外还有借款的次数和借款平台数之间的关系。在这些裸体数据上面所建的就是所谓“维度”。简单来说，这是一个将非结构化数据结构化的过程。仲惟晓表示，不同用户在不同平台留存的数据看似独立，其实它们之间也会形成网络交织，比如通话记录、交易对象等关系，“随着用户排量增加，留存的数据越来越多，现有模型才能得到进化，适用于更多场景。”大数据不是要找一个人，而是要找一群人。而有前期台后累积的功力，才有台前10秒决策的速度。读秒科学决策总监任然坦然称：“其实建模型这个东西，大部分时间都花在挖掘数据上，把几千个，几百个数据跑出想要的维度，最后一气呵成建成模型，这个很快，只是之前这个东西是需要大量时间的积累。而且很多时候是需要试错的。就比如现在如果有一千个维度在跑的话，毫不夸张地说，我们会建大约十万或二十万个维度，去试哪些维度有用，哪些维度没用，因为需要去理解数据。”“前期的数据分析过程，相当于机器学习的过程，而接下来的案例应用中——从收到贷款申请到最后跑模型决策，相当于机器接受考试的环节。”仲惟晓说：数据提供方提供的数据首先被我们指标化，即通过人工的方式把指标从数据特征中判断出来，平均一个消费信贷申请会有上百个指标。但是因为成本问题，这些指标并不会全部用在机器学习当中，我们会先利用历史经验数据做一个泛化的计算，从计算中筛选出大约十几个筛选度比较高的指标，然后这些指标的计算在线上实时进行。基本上每一条数据来了之后，我们每一个分布的节点会负责一定项的产品或者一定项数据的指标拆分。这些拆分完成之后，它们会被压到整个计算决策引擎里去跑模型，然后模型的数据成为是否给用户提供授信的依据，这是指标之一。然后基于这个用户的行为来才会对模型进行修正。CEO周静补充道：“每一个科目都有一个分数，然后科目都有不同的加权，但不一定每个科目加权都是同样的比例。因为维度和比例，都是跟后期的逾期率是有关联性的——如果关联性大，比例可能就大一点；如果关联性小，就小一点。”除了时间人力成本，10秒之内决策还避免了哪些损失？全球个人信用风险评估体系的缔造者，全球领先的预测分析和决策管理公司FICO的早期创始成员William Yao（姚志平）博士曾对雷锋网表示，人的大脑擅长做单因子的分析，而擅长于综合因子判断的恰好是计算机。“它们没有感情偏差，在几十个、几百个概念中做综合判断，只要给它数据，通过大量数据和权重，它都可以帮你计算出评分。美国几乎各大银行都在用机器学习做决策，这是机器学习一个很好的方面。”快速、高效用的表现是机器决策引人探索和开拓的首要原因，而应用之后带来的边际效益就是它得到推崇和坚持的来源。以前获一个贷款客户成本很高，你要有网点，要有很多销售人员，这都是成本。而如今，周静称，即使业务规模不断壮大，团队人员都不需要太多变化，可能只需要增加一些服务器。“每一次迭代我们的能量就会放开。每一次上量，边际成本就降低，是一个复制性很强的模式。”除了这些看得见的好处，调研环节大大缩短之后，也压榨了欺诈黑产的发挥空间。周静透露，根据以往碰到的欺诈现象，都是由中介第三方来包装的。这些客户可能人本身是真实的，但也许其本身的信用背景和收入并非真实，只是中介基于对整个审批流程了解的程度，而去做一套假的资料。所以从这个角度来讲，大数据风控便直接切开了第三方，即便用户造假，基于信息网络的交叉比对也能为识别欺诈提供了一定程度的帮助。“那智能信贷的技术壁垒在哪里？”“技术壁垒有几个，一是本身对金融产品的深度理解——不管是在什么形态当中，知道这个产品的本质盈利模式和分析点在哪里。与此同时，需要金融人员和科技人员紧密结合，基本上成一体地互相理解，从而把架构从零搭建起来。第三是数据的获取、挖掘能力和建立维度的能力。最后是整个公司的运营——因为风险都是后知的，你可能找到很多客户，也给了很多贷款，但是如果收不回来的话，也是不行的。所以本身它还是跟传统金融很多地方类似，就是怎么样可以长期地安全地运营一个信贷业务，这个不只是IT，还要对将来市场有一定的预测，包括整个获客的来源是否稳定，获客的人群本身是否可授信。总结起来是，风控、数据、贷后管理，最后就是整个客户的周期。”最后，周静对雷锋网表示，数据与技术驱动之下从获客到决策，再到风控的整条完整的信贷产业链都做起来将是一个不可逆的趋势，银行不管是跟我们这样的公司合作，还是自己做，都将发展这样的模式。“如果能十秒钟做一个决策，为什么还要回到那个消耗巨大人力和成本去走的三天的决策过程？不管是Fintech、传统金融行业还是BAT，征信、风控公司也好，我不觉得这是一个只有几家变得很尖端的趋势，而是一定成为将来行业的常态。”本文为头条号作者发布，不代表今日头条立场。
馆藏&11844
TA的最新馆藏[转]&
喜欢该文的人也喜欢智能信贷：如何用科技改造金融业-瞭望东方周刊
瞭望东方周刊 │
　　在传统金融机构工作了近20年后，周静于2015年选择离开。
　　“中国互联网发展到2015年基本成熟，我相信数据和技术是可以驱动金融的，特别是在零售金融领域，两者可以很好结合。”智能信贷公司读秒CEO周静告诉《瞭望东方周刊》。
　　她选择的突破口是智能信贷：用户通过手机，输入身份证号、收入情况、婚姻状况等基本信息，个人和中小微企业就可以迅速被授信进而拿到贷款。
　　这种智能信贷的方式，由机器取代人工授信、放款，极大地简化了流程、压缩了成本。而信贷中的“秒批”和“秒拒”，通过移动金融的方式，在2016年逐渐从调侃走向现实。
　　“移动金融作为移动互联网与金融深度融合的产物，是深入推进‘互联网+普惠金融’的重要抓手，在建设现代惠普金融体系方面，大有可为。”中国互联网金融协会会长李东荣在2016年11月举办的世界互联网大会上表示。
　　追求更快
　　周静的前一份工作，是在渣打中国任零售风险总监。对于传统金融机构做信贷业务的痛点，她深有体会。
　　“以前整个信贷流程，大概六七步，填写申请、录入信息，再预审、打电话、审批，然后再放款，整个流程下来得好几天。”周静说，漫长的流程不但耗费了大量的人力资源，也消磨了客户的耐心。
　　她曾尝试过压缩流程，把放款时间从10天缩短到7天，再压缩到3天，就再也压缩不下去了，“因为这个流程必须等一个一个环节的审核，次序不可打乱，没办法做到实时授信。”
　　对客户而言，有些时候还必须接受收费的中介服务，借贷成本抬高，整个流程透明程度也大打折扣。
　　“智能信贷做的，就是把传统信贷的六七步压缩成一步，用终端直接对接客户，也为客户节约了信贷成本。”周静告诉本刊记者，智能信贷击中的，就是传统信贷要求的项目繁多、流程缓慢、效率低下的痛点。
　　实现智能信贷，有三个主要的处理步骤：数据收集处理、建模和决策。通过手机端输入的基本信息，收集、比对和清洗出有效数据，建模团队根据指标和变量的权重，对数据进行再次分析处理，最后通过决策引擎对此单借贷形成审批、额度、定价等判断，完成信贷流程。
　　“整个过程是并行处理的，在技术的帮助下，完全靠机器自动运营，无需人工干预，因此能够实现最快10秒内的授信放贷。”周静说。
　　而这也极大提高了效率。她举例称，读秒200人左右的规模，处理的是亿元级别的月业务量：“传统上可能需要两三千人的团队。并且我们做小额贷款，每个月要操作约一百万笔的交易，包括新客户管理、客户维护、贷后管理等等，这在以前是不可想象的。”
　　读秒不是孤例。这种快速高效的智能信贷，已越来越多地出现在大众视野里。
　　玖富集团旗下的“玖富叮当”最快3分钟完成授信，拉卡拉的“替你还”也能在分秒内提供小额贷款，百度教育信贷宣称实现“秒批”，京东金融推出的“白条”则率先提供“先消费、后付款”的分期金融服务。
　　数据不是万能的
　　“过去，银行收集了大量的用户金融交易信息，现在，互联网沉淀了大量的用户行为信息，这些信息和用户还款能力、人品等有或强或弱的关联。未来，会结合人工智能或者完全依靠系统模型去实现金融服务的规模化。”京东金融副总裁许凌告诉《瞭望东方周刊》。
　　他所说的愿景，却是很多人对智能信贷的担心。通过大数据授信可靠吗？
　　本刊记者了解到，目前业内做智能信贷的数据来源，一般分为外部数据和内部数据：内部数据是团队自己挖掘的互联网大数据，比如通过招聘网站挖掘的地区收入水平数据；而外部数据则主要包括央行个人征信系统数据、8家个人征信试点机构数据、电商数据、运营商数据以及黑名单和业内共享数据等。
　　而每家智能信贷公司的优势数据资源各不相同。
　　比如依靠电商平台的京东金融，可以拿到京东用户数据、商户数据、物流数据、产品数据，等等；拉卡拉可以通过平台自身的金融数据，获得更准确的用户画像；而隶属于PINTEC集团的读秒，能从合作伙伴那获得多维度的数据，并且还会从用户申请贷款的行为中获得数据。
　　通过这些线上数据的交叉比对，在短时间内勾勒出相对准确的客户画像，是智能信贷的基础。
　　在周静看来，这在某种程度上让判断更为有效：“以往提交的各种文件和证明，都是孤立的，而现在的这些大数据，可以连起来审查，你要造假，得提前半年、一年，伪造出关于你的所有的线上行为数据，这几乎是不可能的。”
　　她还透露称，不管最后收集到什么数据，风控核心并没有变，还是在做这几件事情：看客户还款历史、还款意愿和能力，等等。
　　“我并不认为数据是万能的，我们相信有业务逻辑的数据才是真正有效的数据。因为技术不一定能识别前端发生的异常事件，但是业务逻辑却能发现典型事件和典型驱动因素。”拉卡拉金服总裁王国强告诉《瞭望东方周刊》。
　　他告诉本刊记者，拉卡拉借贷平台从推出信用卡代偿业务，到分期业务再到知名企业员工贷款业务，演进的智能信贷业务背后，是一个不断修改和调整的、甚至具备机器学习能力的、动态的风控模型。
　　许凌则介绍称，京东金融有四大模型：风险控制模型、量化运营模型、用户洞察模型、大数据征信模型。
　　“我们通过大数据系统将业务风控前置，预先判断和规避风险，在账户登录、激活、交易、信息修改等全流程环节，对每一次账户行为进行后台安全扫描，并和京东商城配送体系打通，对高风险订单实现配送最后一公里拦截。”他说。
　　本刊记者了解到，京东白条、拉卡拉、读秒的坏账率均低于业内平均水平。
　　差异化信贷服务
　　除了改变传统授信和放贷的方式，在获客渠道上，较之传统信贷一对一服务或地推方式，智能信贷有自己的流量入口。
　　“以前信贷业务获客，是需要很多固定成本的，但智能信贷，当获客量到了一定程度，边际成本非常非常低。”周静告诉本刊记者。
　　在王国强看来，智能信贷的获客模式可分为“冷启动”与“热启动”。
　　“冷启动”模式是指一些平台通过广告投放、返利折扣等吸引客户，而“热启动”模式，是指依靠平台本身已有的资源和影响力获得客户。
　　他认为，拉卡拉就是典型的热启动，不需要烧钱贴补市场获得客户，就能获得平台带来的自然流量。
　　这其中，垂直化程度高的智能信贷产品成为市场的主流。
　　在电商巨头中，有阿里系的蚂蚁花呗、依托于京东金融的白条、腾讯旗下的微粒贷等；在互联网公司里，有搜房、途牛旅游等OTA公司开发的分期产品等；在P2P平台转型公司中，有美利金融的二手车交易、3C产品信贷等金融产品。
　　“互联网消费金融跟产品和交易紧密结合，自然就有大量的用户，获客和转化都是非常容易的。而知道消费对象买什么东西，依此进行更精细化的额度、成本、定价等判断，这是互联网消费金融对消费金融业务本质上的改善。”零壹研究院院长李耀东表示。
　　王国强告诉本刊记者：在贷前审批阶段，可以做到差异化的授额、定价与期限管理；在贷中维护阶段，结合客户行为表现以及对相关产品的交叉持有情况，制订个性化的客户维护方案；而在贷后催收阶段，根据短期资金压力与长期风险情况对客户进行分群管理，制订差异化催收方案。
　　“我们所有的交易都有前中后的整体监控流程，运用技术手段打通了从获客到资金追索的全过程，这是传统金融手段所无法做到的。”他说。
　　这得到了市场的正面反响。
　　咨询机构艾瑞研究院统计数据显示：2015年中国短期消费信贷规模达4.1万亿元，渗透率为15.2%，预计2016年规模扩大至5.1万亿元，近三年均维持20%以上的增速；其中，互联网消费金融2015年规模达1183.5亿元，较2014年增长546%；预计2016年规模扩大至4367.1亿元，而渗透率仅为8.5%，发展空间依然广阔。
瞭望东方周刊 总第 709 期
Copyright (C) 2008 -
All Rights Reserved.京ICP备号您正在使用IE低版浏览器，为了您的雷锋网账号安全和更好的产品体验，强烈建议使用更快更安全的浏览器
发私信给温晓桦
导语：“不管是Fintech、传统金融行业还是BAT，征信、风控公司也好，我不觉得这是一个只有几家变得很尖端的趋势，而是一定成为将来行业的常态。”
同步到新浪微博
当月热门文章
为了您的账户安全，请
您的邮箱还未验证,完成可获20积分哟！
您的账号已经绑定，现在您可以以方便用邮箱登录
请填写申请人资料您现在的位置：
智能信贷机器人破解小贷行业授信难题
　　今年3月，谷歌AlphaGo大胜韩国九段棋手李世石吸引了全世界的目光，把人工智能(AI)推到公众面前，如今这一技术也被运用到了消费金融领域。11月29日，由21世纪经济报道主办的第十一届&21世纪亚洲金融年会&&消费金融论坛&(以下简称&年会&)在北京举行。
　　维信金科CEO廖世宏在年会上表示：&大家都说消费金融看场景，但我并不完全认同， 我们缺乏场景，我们线下也没有许多的网点，如何去进入消费金融蓝海市场。我们提出了智能信贷机器人概念，我们觉得未来如何在手机端去捕捉海量的消费群体，才是制胜的关键。&
　　信贷机器人需四个核心板块
　　廖世宏在年会上表示：消费金融首先要解决一个的核心问题就是瞬间授信。&你必须有能力，在获取大数据的时候，瞬间授信，全程没有人工参与。那如何实现这一步，我们则提出了信贷机器人这一想法。维信从去年年初推出第一款全自动化的产品，到今天有8款全天24小时在互联网上运作的消费信贷产品。我们做了8个机器人出来，这8个机器人每天24小时在运作。这样的情况下，数据源的丰富很多时候让机器人可以结合更多的场景。当你拿到了大数据，就能够用机器人完全摆脱人工运作。&
　　不过廖世宏也坦言，信贷机器人实际本质上没有颠覆传统金融。&传统金融做消费金融借钱给个人，无非是看他的还款意愿跟还款的能力。所以我们打造机器人有四个核心的板块，当然背后我们有很多所谓的决策引擎、评分卡引擎在支撑。这四个板块中核心板块我们要做身份的确认，张三必须是张三。第二步必须要做的是防欺诈，确认是张三之后，要评估张三是否是借了钱或者消费以后从来没有想过还你钱，高风险欺诈的人群，怎么样筛选出来。第三其实是核心板块，我认为未来的消费金融核心竞争力可能最终比拼的是第三个板块，如何去做风险定价，风险量化模型的构造及这个模型的训练。当然第四仍然逃不出我说的传统金融会看还款能力，我们必须通过各种各样的模型模拟这个人收入总负债，我们说做DTI(负债收入比)的计算。&
　　每个月新增客户超150万
　　廖世宏举了一个例子，维信金科的卡卡贷就是构建一个全智能的，通过智能信贷云去帮客户管理他的信用卡，&我们的价值是信用卡用户的&信用卫士&，帮你代还信用卡，保证信用卡不逾期，全程通过智能信贷机器人完成的，全程没有人工参与。我们2015年4月份推出该产品，截止到11月29日，通过微信端，APP端，已经超过400多万的注册用户，其中有大部分的人已经做了实名认证，并且提出了金融的诉求，并且递增的趋势明显，目前每个月有超过40万的新增。如果算上豆豆钱、星星钱袋、秒分、天翼现金贷等智能产品，每月新增注册用户数超过150万。
　　不过通过信贷机器人大数据去做消费金融也有一些局限，廖世宏坦言在线下人工处理业务的时候，其实可以解决很多的问题，一个客户来的时候，如果某些数据的缺失，企业可以通过很多人工面谈的方法补救回来，获得其他维度的信息帮助判断。但是纯粹在线上的时候，实际很多时候因为企业要兼顾到用户感受，用户体验会变差，机器人只能在基于很有限的数据， 基于有限的几个模型快速地做判断。这里面不可避免会做很多的&错杀&。虽然机器人审贷目前仍不完美，但廖世宏认为信贷机器人大数据风控仍代表未来的方向。
　　南方财富网微信号：南财
南方财富网声明：资讯来源于合作媒体及机构，属作者个人观点，仅供投资者参考，并不构成投资建议。投资者据此操作，风险自担。
48小时排行