数据、场景与资金之困，BAT、网易如何突围大数据风控？阅读　　在大数据风控领域，核心的三个要素是风控模型、场景和资金，传统商业银行往往拥有低成本资金优势，在线下场景也具有长期 客户积累，但是在线上大数据和数以千、万计的风控因子方面却稍显吃力; 而BAT、网易在内的互联网IT巨头，则在海量的数据、金融云、线上场景和用户精准分析方面优势领先...
　　近日，随着网易北斗大数据风控平台的上线，业内包括BAT、网易在内的主要国内互联网巨头都开始在大数据和金融衍生应用领域进入了金融科技化阶段，和互联网金融第一阶段相比，目前产生了以大数据金融、风控、智能投顾、个性化产品等为代表的新阶段，伴随着监管的深入和全国性互联网金融政治风暴的规范化推进，1.0时代的互联网渠道和通道金融将逐步被融合了大数据、人工智能和机器深度学习的金融科技所替代。
　　虽然以蚂蚁金服、腾讯金融、网易金融、百度金融为代表的互联网金融集团开始逐步进入金融科技阶段，特别是在大数据风控领域进行行业输出，但是仔细研究之后，各自在大数据风控的突围路径还是有所差异的，其中蚂蚁、腾讯走的是内部场景孵化，技术成熟后外部输出;而网易、百度则是立足大数据风控技术，通过外部合作拓展产业生态。
　　模型、资金、场景，互联网与金融机构各取所需
　　在大数据风控领域，核心的三个要素是风控模型、场景和资金，传统商业银行往往拥有低成本资金优势，在线下场景也具有长期客户积累，但是在线上大数据和数以千、万计的风控因子方面却稍显吃力;而BAT、网易在内的互联网IT巨头，则在海量的数据、金融云、线上场景和用户精准分析方面优势领先，但是需要一定的资金对接和金融牌照服务资质。于是乎，在目前金融监管收紧，而双方都有迫切需求的情况下，通过互联网IT巨头的技术、数据、模型对接线下传统金融的资金，成为了一个标准化的产业链合作模式。
　　可见，不论是阿里的“蚂云计划”，网易金融的“北斗”智能风控开放平台，还是微众银行微粒贷的同业合作模式，其实都在利用自身特定的技术、风控和数据优势，对接传统机构，实现大数据风控和底层金融云服务的开放性输出。对于传统金融机构，抑或是其他不具备自营大数据风控建设的电商、O2O、工具、社交等场景化行业而言，大平台的开放性能力输出将是一个更低成本更高综合价值的外部解决方案。
　　阿里、腾讯的生态内尝试，最终走向行业合作
　　其实，在互联网金融还没有正式进入行业化阶段之前，像阿里、腾讯、京东这些有电商背景和产业的公司在线上的商户信贷和个人消费金融方面已经进行了尝试，但是当时场景化、数据化技术还不成熟，特别是大数据风控、个人征信等还未进入行业标准化阶段，因此更多是通过淘宝、天猫等电商平台上的商户订单、流水和销售情况，与商业银行联合进行放贷，只不过最终双方风控标准和实际信贷审核成本差距太大最后不欢而散，这也最终促使了包括阿里、腾讯、京东、网易等在内的公司纷纷设立自身的互联网小贷公司，开发出针对商户的线上无抵押无担保信用贷款产品以及个人的信用分期产品。
　　所以，从阿里、腾讯的互联网金融业务发展来看，最早的溯源可以说是通过电商金融化实现了金融衍生属性的拓展，在起初利用商业银行的合作进行电商小贷、信用贷款以及个人信用贷款等产品的尝试。在传统金融还没有看到大数据风控和征信的市场潜力之后，便开始建立自营的信贷和理财金融渠道，包括电商小贷、支付、理财等业务。当然，随着平台融资需求规模的扩大和风控系数的稳定（一年来网商银行的户均贷款金额不到4万元，户均贷款频次远高于同业，不良贷款率为0.36%。此外，微众银行微粒贷也曾公布相关数据：笔均借款金额低于1万元，逾期率低于0.3%。），阿里和腾讯又逐步开启了和传统金融机构的合作路径。
　　主要是出于两个考虑，其一是通过目前的互联网生态内在的小贷和银行牌照，在资金供给和规模化上受到一定限制，如果通过自身民营银行渠道蓄积资金成本较高而且见效较慢，因此需要证券化或者是银行同业拆借的方式满足授信规模扩大带来的资金储备需求;另外，传统商业银行、证券、基金、资管等公司也逐步看到了大数据风控在未来信贷领域的增值潜力，也都希望引入各种大数据风控模型“助贷”服务体系，而腾讯、阿里包括京东目前的一些个人信用贷款产品已经具备了外部输出对接金融机构的要求，花呗、白条、微粒贷目前都可以通过引入银行资金，拓展外部场景的方式来实现“资金”困境的突围和标准化技术能力的输出。
　　网易、百度的曲线突围，技术先行衔接场景、客户
　　如果说阿里和腾讯、京东的优势在于自身的电商和社交场景，并且因为电商场景天然带有更多的支付和金融属性，因而在互联网金融业务上起步更早，那么像百度、网易这样并不具备丰富的电商场景和衍生交易的平台，在大数据风控领域又是如何进行突围的呢?（在互联网金融业务起步的第一阶段，相对阿里而言，百度、网易的场景资源还是不充裕的，但截至目前，两家巨头已经纷纷在O2O、电商领域积累了大量的现实交易场景）。
　　当然，在近两年，无论是百度还是网易，在电商、O2O上的业务布局可谓是“用心良苦”：百度李彦宏在此前的公开场合一再强调要在百度糯米上投入200亿，形成以糯米、外卖、去哪儿等多样化的线上O2O场景。此外，在金融场景领域，百度金融除了大力推广百度钱包以外，在教育信贷领域通过对接线下各种行业教育和培训机构，输出百度的大数据搜索、定位、风控、人脸识别、关键因子等建模优势，开始逐步培育出了百度有钱花教育分期产品，目前已经准备进行ABS产品上市。
　　对于网易而言，这一年以来在电商业务上的进展也可以说是引人瞩目，网易考拉海购、网易严选纷纷从跨境电商和ODM模式切入电商领域，目前网易考拉海购已经成为海淘市场增长最快的品牌之一，并且以自营模式成为行业亮点，网易严选也通过细分电商市场切入在短期内获得大量用户和市场知名度。相比考拉、严选等支付场景的扩大，网易金融也已经进行了前期的业务布局，在理财、支付、小贷业务基础上，目前正在逐步顺应行业发展调整为网易支付、智能金融、大数据风控、网易三拾众筹几个业务板块，其中大数据风控的运作平台网易北斗，是一种技术先行，场景后续的交叉业务模式。
　　如果说百度是通过外部寻找线下教育产业的方式实现技术和场景的对接，那么网易金融目前则是通过金融科技化探索，与国内众多的中小金融机构对接，通过机构平台实现B2B2C的业务发展，是通过助力商业银行实现技术和场景的对接。相对而言，中小金融机构在线下信贷场景和大数据风控技术对接上的需求度更为迫切。对于商业银行而言，其实并不缺乏用户和数据，特别是一些和传统银行信贷工作相关的企业、个人和其他公共部门数据，但是在数据处理、模块分析和互联网化数据采集上缺乏专业的技术支撑实力。
　　从银行的信贷模型上看，大数据风控系统和传统银行的信贷系统处理机制有着本质的区别。以网易北斗智能风控开放平台为例，通过尖端建模及大数据收集处理能力，采用神经网络/机器学习/支持向量机等全球领先技术来保障风控模型可以去伪存真、真实反映用户的信用。而传统金融机构更多依靠信贷员个人的经验和流程化管理风险能力，相对而言受经济周期和个人经验能力影响更大。从网易北斗上线仪式上的数据来看，其实现了中小银行在多个方面的效率提升和成本降低：1)显著提升金融机构数据处理能力—处理效率提升90%;2)大幅缩短审批时间—放款速度提升70%;3)有效提高信贷资产质量—平均坏账损失降低35%;4)有效提升模型风控预测能力，提升预测性能60%。
　　当大数据风控成为行业标配，比拼的就是产业链整合
　　蚂蚁金服、腾讯系金融的内部场景孵化，继而进行金融服务的外部标准输出，以及网易、百度的核心技术先行与外部生态场景的对接，不论先后次序、环节如何，其实都是在利用自身平台优势整合场景、资金、风控三个环节中的要素。到最后，当大数据风控成为一种标准化的基础模块，成为各种场景平台、产业平台和机构平台的内驱之后，比拼的就是场景、技术和资金的整体竞争能力了。
　　百度金融的核心风控能力+线下教育产业，网易金融北斗智能风控系统+中小商业银行区域融资链客群，以及蚂蚁金服的花呗、借呗产品，腾讯微众银行的微粒贷平台，目前都在从第一阶段的技术研发和大数据模型整合进入到了外部资金引入阶段，而这也将继续推动业内互联网金融科技化程度普及，也为国内大数据风控公司提供了差异化路径的参考。汇法集团旗下拥有汇法网、风险信息网、风险预警网、催天下等大数据及欠款催收平台。为各金融机构提供: 贷前信息查询服务，贷后监控预警服务，欠款催收服务。是利用大数据进行信用风险管理的专业机构。为金融机构提供信用风险管理全流程解决方案。
　　汇法集团旗下拥有汇法网、风险信息网、风险预警网、催天下等大数据及欠款催收平台。为各金融机构提供: 贷前信息查询服务，贷后监控预警服务，欠款催收服务。是利用大数据进行信用风险管理的专业机构。为金融机构提供信用风险管理全流程解决方案。汇数据之力，聚至诚之心
互联网生态
互联网平台
按字母排序
今日推荐&:&
汇数据之力，聚至诚之心
&在互联网上，没有人知道你是一条狗。&这句话出自美国著名杂志《纽约客》，并在之后的十余年里得到了广泛的传播。这句话的创作背景是聊天软件刚刚兴起之时，用户间只能通过文字交流，只要能对答如流，任谁也难以判断和自己聊天的到底是什么&生物&。由于互联网所具有的匿名性，使得互联网逐渐成为骗子的重要欺诈工具。然而，随着技术的发展，尤其是社交网络和电商的出现与普及，你的一言一行都被记录在了互联网服务提供商的服务器当中。他们不仅知道你是谁，喜好什么，甚至连你周边人的身份、性格、喜好也一清二楚。互联网的发展未能阻挡欺诈的脚步如今，小到刷单，大到在网络上利用虚假信息诈骗，网络欺诈可谓无处不在。根据美国征信机构益博睿近日发布的报告显示，网上交易欺诈在中国呈现爆发式增长，其中信贷和银行卡欺诈最为严重。由此似乎就出现了一个悖论。一方面，&在互联网上，没有人知道你是一条狗&的命题已经成为过去式，互联网公司在某些方面甚至能够比用户更了解用户。但另一方面，网络欺诈却呈现愈演愈烈之势。原因何在？欺诈所以能发生，原因就在于信息的不对称，骗子因为掌握着更多信息而处于优势地位，相反受骗者则处于不利地位。尽管，在互联网上有着大量的数据，但这些数据却被各个互联网公司自己掌握着，并且将之视为核心机密，很少有公司愿意将数据开放给他人。这就形成了一个个信息孤岛，单个公司所掌握的信息再丰富，与整体相比仍然只是沧海一粟。 因此，骗子只要利用一些虚假信息就很有可能得手。&当公司限于信息孤岛时，公司控制风险的发生往往会采用向内看的思维，根据自己所掌握的少量信息，提前预判可能会发生的问题，而这种风控所能起到的作用在互联网时代当然也十分有限。&同盾科技副总裁马骏驱表示。同盾科技副总裁马骏驱但事实证明，互联网技术的发展是可以降低公司被欺诈的风险的关键在于，如何聚合各方面的信息，使任何欺诈行为都变得有迹可循，以此为公司提供一个安全的网络环境。既然欺诈发生的原因在于信息的不对称，那么，就需要将信息孤岛打破，把大量信息关联起来，通过专业化的分析处理，从海量的看似无关的信息中找到信息的相关性，并由此形成公司可以用于做决策的参考。利用大数据做风控的方式，被称为&风控3.0&。&'风控3.0'方式一改以往向内看的思维为往外看，也就是通过大数据的数据共享找到诈骗者，使其一举一动完全暴露在公司面前。&马骏驱解释道。大数据风控顾名思义，数据的获取是这种方式的基础所在。而大量的数据掌握在以BAT为首的大型互联网公司手中，它们在大数据风控方面有着一定的优势。由此，在不少行业外的人看来，做大数据风控的公司是难以与BAT相抗衡的。对于这样的观点，马骏驱并不赞同。他谈道，&BAT的数据很多，但相对的也比较集中，就像管中窥豹一样，其终究难以看到全貌。但类似同盾科技的第三方大数据风控公司，由于客户来自多个行业，因此能够收集来自各方的数据，使数据具有多样性，反而能对整体情况有更为全面的认识。&人类最大的天敌是自己！如何击碎数据保护主义？对于第三方大数据风控公司而言，一个很大的问题就是如何取得客户的数据。在数据安全无法得到保障的情况下，数据保护主义具有一定的合理性。尤其是金融行业，稍有不慎就可能造成严重的后果，因此，传统上，金融机构大多倾向于自建风控体系。随着技术的发展，保护数据安全有了很多手段。例如，通过对数据的单向加密，尽管，第三方大数据风控公司，依然能据此做出分析，给出风险判断，但却无法获取数据的具体内容，即使数据不慎遭到泄露，有加密保护，数据依然是安全的。马骏驱坦言，&我们发现大家都越来越开放了，过去传统来说，银行不相信这些云端的数据服务，但是无论从银监会的角度来说，或者从银行本身来说，他们都松口了，第三方数据的获取，都是慢慢越来越开放的。&技术成为了获取信任的一个重要保障。有了技术的保护，虽然第三方大数据风控公司并不能获得数据的具体内容，但通过分析，依然可以获得一些高价值的敏感信息。因此，不少公司担心数据共享后，会将自身的弱点暴露给竞争对手，从而降低市场竞争力，甚至可能引来更多的竞争对手。这就要求第三方大数据风控公司要保持中立性。所谓中立性，指不涉及客户所在行业，即包括自己投资进入，也包括接受客户竞争对手的投资。在同盾科技的理念中，保持中立性是其中关键性的一条。正因为对中立理念的坚守与实践，使得同盾科技获得了越来越多公司的信任，进而形成了一个多样、丰富、相互信任的生态圈。良好的生态圈是第三方大数据风控公司实力的根本来源。一方面，为风控公司提供了多维度的数据；另一方面，也保证了数据来源的稳定性，大大降低了风控公司获取准确数据的成本。然而，这一切的基础是信任，唯有信任才能彻底消除&强大&的数据保护主义。建立信任是人类永远的追求，虽然永远也追求不到。人与人最大的不同是理念在谈到是什么支撑着同盾科技整个团队度过一个个困难时刻时，马骏驱表示，&（公司）在不同的阶段遇到的问题，确实有很多不同的种类，但只要心能聚在一起的话，就一定能解决问题。&什么能将一个团队的心聚在一起呢？那就是整个团队中的每个人都共享同一个理念。&我们希望让诚信生活更美好，这个愿景的话，我们所有的同事都是充满激情去做这件事情，每次有困难的时候，都可以克服。&马骏驱说道。共同的理念是一个团队最好的粘合剂，这种精神上的力量远比高官厚禄，更能赋予团队以强大的战斗力。人才的选择上，不少公司都面临着一个难题，当求职者不能德才兼备时，该如何选择？在这个问题上马骏驱毫不犹豫地选择了&德&。&有的时候我们并不觉得能力最强的人是属于同盾科技的，因为如果没有一个共同的理念的话，当遇到困难时，这条路是难以走下去的。&知识和技能甚至能力的学习和形成相对来讲都是比较容易的，而理念、性格、品质的培养则要困难的多。因此，选择合适的人进入公司则显得至关重要。美国著名管理学家吉姆·柯林斯通过研究提出&先人后事&的主张，着重强调了选择&合适的人&对公司发展，尤其是实现从优秀到卓越的跨越的重要性。对于&谋道&的公司，它们的领导者往往更具有强大的使命感商业就其本质来说是一种人类的活动，而中国古人认为一切的活动都可以成为自我修炼，不断提升境界的过程。商业最初的层次是&谋利&，其次&谋名&，最高&谋道&。前两个层次的公司在市场中最为普遍，如果能够抓住客户的需求，采用合理的模式，仍然可以成为跨国的大型公司。然其精神实质仍未超脱对纯粹名与利的追求。因此，如果公司的领导者在境界上不能有进一步提升，这些公司将难以再有更大的发展。对于&谋道&的公司，它们的领导者往往更具有强大的使命感，希望能够借商业之力，改变社会，甚至改变世界，使人们的生活变得更加美好。这些公司在所有公司中属于少数派，但却有着惊人的能量。商业是对某种需求的发现和满足，而更深层面的则是对人性中的善性的发扬和对人性中的恶性的克服。
相关频道：
您对本文或本站有任何意见，请在下方提交，谢谢！
投稿信箱：
Copyright © 2000-- 硅谷动力公司版权所有 京ICP证000088号 京公网安备77号数据化决策丨如何让数据产品“生长”出来？
【数据猿导读】
数据产品其实不是一个孤立的系统，而是一个有机体，它在与数据，业务，人员结合中不断生长壮大。今天通过一个风控产品的小案例，来看看如何一步一步的了解用户需求，解决用户问题，推广数据决策的理念，让数据产品价值不断提升
1.记录数据
SC 公司是一家为商户提供支付，营销服务的创业企业，业务增长非常快，在其支付服务业务中，会出现套现，欺诈等风险问题，需要风控部分的人员侦测处理。
在支付环节，从交易成功到给商户拿到钱有一天左右清算时间，所以除了实时的拒绝交易之外，对于更加复杂的不容易立刻确认套现，欺诈行为，还可以通过人工方法检出查证，事后处理。
最早支持风控的数据产品可以提供的每日的交易明细数据，同时按照一些经验规则，把一些可疑的交易挑选出来供风控人员审查，每一个挑出来的交易就是一个欺诈行为的线索，通过这个线索去寻找确认做欺诈的商户。
从人们分析和决策流程上来看，如上图所示，这个阶段的数据产品提供的是&记录&功能，整个决策过程后几步都是要人工完成的：
汇总：将看到的各个数据在头脑里汇集，模糊计算历史金额，交易占比等信指标息；
预测：根据一些经验指标判断实际风险概率；
决策：根据金额大小，风险可能性来给出处理结果，比如关户，关卡等；
执行：根据决策，提取名单，通知IT团队来进行具体处理。
对于每次一条可疑线索，风控人员需要考察交易的多方面信息，还要翻找客户相关各个方面的信息，历史行为，地区，类型各个方面的信息，每个条线索判断时间较长，有时候风控人员也会漏看一些信息，造成判断失误。
这个阶段如何让风控人员更快速的处理一个线索是要解决的问题。
2.数据汇总
为了解决这个问题，通过和风控业务人员沟通，根据他们对每个线索要分析主要方向，为每个客户编制一个统一的用户画像标签体系，如上图中的 X1，X2 等标签，标签分为两类历史上的标签，比如历史交易金额，交易次数，中位数，交易类型等，这些可以在夜里预算好，对于当日的标签通过数据实时更新。
这样在出现一条线索的时候，风控人员就可以在一个页面快速的浏览所有的相关要素，同时给出对于线索的定性判断，高风险，中风险，低风险。
这个阶段，机器完成了数据记录和汇总工作，而风控人员依然要依靠人脑去建立模型，同时进行预测和决策。
增加这些功能后，风控人员处理每个线索的时间减少了，提高了效率。但是通过发现，未被处理的线索比例却依然在不断增加，原因是业务增加速度比人员增加的快，由于这些线索是随机分配给业务人员的，在没有被鉴别的线索里面，依然会有很多有风险的交易，风险覆盖率低。
接下来数据产品要解决的就是提高风险覆盖率的问题。
3.模型预测
为了解决覆盖率低的问题，可以通过评分模型的方法，对每一个线索进行评分，把风险高的排在前面，让风控人员首先首先处理高风险线索，至少不要漏掉高风险的问题。
这时候上一阶段积累的数据就发挥了作用，因为过去业务人员根据线索的各个要素，做过很多真实的判断和进一步的调查，有很多现实案例，又判定结果，也有线索特征，这就是建模的好材料啊，有 Y，也有 X，需要做的就是根据这些历史数据，进行分析建模，让机器给每个线索评分，评估轻重缓急。
但是在正式给业务人员用之前，要有一个试用的过程，这里重点的就是不能把评分给风控人员看，依然需要随机的分配线索，同时进行事后跟踪检测。在模型相对稳定的阶段，再让系统根据风险评分排序，让风控人员优先处理高风险的线索。
在做了这一步之后，在不增加风控人员的前提下，发现风险情况的效率大大增加，特别是有重大风险的情况，基本不会被漏掉。同时风控人员在分析线索之后，将采取，关闭商户，关闭卡交易等处置措施，这些也都会被记录在系统之中。
这个阶段机器可以解决数据的记录，汇总，综合预测的工作，而人从事决策和执行的过程。
这个流程采用之后，经过一段时间的数据分析，发现业务人员处置规则，也有不稳定之处，有人严格，有人比较松，如何才能让处置的规则也稳定下来，同时可以不断修订改进呢？
4.决策推荐
为了让处理规则稳定和统一，首先和风控部门一起讨论之后，梳理出了具体决策规则，比如根据风险分数和交易金额分为几个群组，有不同的处理方法。
部署到系统中之后，系统会根据规则推荐出不同的处理方法，风控人员如果觉的可行，可以选择同意；但是如果觉的不合适，给出改变的理由，并记录在案。
这个反馈结果可以帮助风控团队，不断总结，修订规则，同时也将风控人员的经验不断沉淀到系统中，就算有人员的变动，也只需要比较短的培训可以上岗工作。
5.人机和一
在以上的各个步骤都稳定可控之后，对于比较明显的风险线索，机器可以自动的进行拉黑卡，调整额度，关户等操作，人们所做的事情就是监督系统的运行状况，同时不断分析新的情况，优化系统。&一方面风控团队的人员减少了人员，有些原来做机械工作的人员转岗去了其他团队，而留下来的风控人员也不是每天进行重复的体力劳动，提高了工作的满意度，流失率降低，工作效率也提高了。 让机器的归机器，人工的归人工，机器可以帮助人们从事重复的，大量，高速的工作，而人工可以从事研究，管理，分析的工作，两边的结合才是最好的。
从上面的小例子可以总结几点：
数据产品不必一步到位，可以循序渐进，在资源允许的情况下分批次来实现；
数据产品的需求，要根据当时条件，解决当时最紧迫的问题；
每一步都要考虑下一步的计划，为下一步打下基础，比如收集必要的数据，让业务人员接受新的工作方法等等。
这样通过和业务部门的不断协作，让数据产品不是从天而降，而是从业务土壤中慢慢生长出来的，这样才能设计出&接地气&的数据产品，真的让数据转化为价值。
来源：狗熊会
声明：数据猿尊重媒体行业规范，相关内容都会注明来源与作者；转载我们原创内容时，也请务必注明“来源：数据猿”与作者名称，否则将会受到数据猿追责。
不容错过的资讯
大数据学堂
大数据企业推荐
大家都在搜