风控与业务互撕谁能赢？ | 金融高管会风控专家私享会干货回顾

关注并置顶【金融高管会】，可查看更多往期干货。

5月18日金融高管会

发生了什么大事件，

小伙伴们知道吗?

没错！

是金融高管会风控专家私享会！

一场干货的盛宴！

20多位风控产业链专家集聚北京，

在东城区豪华的小院，

美食、干货齐分享。

最真材实料的风控经验，

那就是传说中

“别人家的风控玩法”！

大家赶快做好准备，

跟着金融高管会一起来

回顾这场干货盛宴！

      作为金融高管会第一期线下活动，5月18日金融高管会在北京举办的风控专家私享会活动获得30多位朋友报名，近20多朋友参会，最远的参会伙伴来自深圳。朋友们来自工信部、浦发银行、乐视金融、58金融、凡普金科、同牛科技、车晓科技、51信用卡、九鼎融资租赁、优信、车鉴定、迷影GPS等风控产业链上下游机构。在此，特别感谢中诚信征信公司为本次活动提供的胡同小院、及全部的会议服务。

主题分享：大数据风控驱动新金融——中诚信CTO姚明

大家好，非常荣幸能和各位分享一下我们从征信公司的角度如何看待互联网金融时代下的大数据风控，以及我们如何实践大数据风控。

一年前的时候，我们提出了“数据+规则+模型”的风控理念，并基于此理念研发了万象风云平台，致力于打造基于第三方征信的大数据风控云平台。

众所周知，传统的信用评估模型主要使用金融领域的历史借贷数据来预测和判断借款人的违约风险，所以其局限于只能对发生过借贷行为人进行有效评估。而新金融背景下，普惠金融的目标人群显然不符合上述特征。

因此，万象风云平台的大数据风控体系除了提升风控质量外，还有一个重要出发点，就是基于帮助金融机构了解更多的借款人、获得更多的可发展业务群体。平台的风控体系分为三个基本面、四个业务版块。

在数据层面，除了借贷交易数据和身份属性数据外，我们的大数据风控体系更广泛的采集通信运营商数据、电商消费数据、银联交易数据、网络行为数据、操作行为数据等金融次相关、甚至弱相关数据，来弥补信贷交易数据缺失的影响，进而覆盖更多的人群。质量不足数量补，这是对于风控大数据采集的一个重要原则。

从数据行业发展来看，现在的互联网大数据的维度已经非常丰富，并且对于风控的价值也越来越直接。例如从反欺诈角度看，我们通过对用户消费和行为数据的跟踪分析发现，老赖用户会关联到法律纠纷等关键词，多头借贷用户往往会关联到新口子、套现、京东白条、蚂蚁花呗、苏宁金融等关键词，通过薅羊毛手法走各种新平台，拆东墙补西墙，黑产中介会关联到周卡、猫池、小号、零配件、设备号等个关键词。

从信用评估角度，通过对线上消费和线下消费的数据分析，会发现线下消费地域流动性越小、购买的商品品类越丰富、消费趋势越稳定的人群，违约概率越低。但是如何高效采集和整合处理这些看似维度丰满、实际零碎稀疏的数据，并作出有价值的风险解读，是非常大的挑战。

在万象风云的数据平台里，基于生物识别技术的人脸识别和活体检测、基于NFC识别技术的身份证真实性检测、基于SDK预埋采集点的设备指纹、基于用户强授权的信息爬取，基于集成API接口的三方征信数据查询，构成了风控大数据的基本采集框架，服务于上层的规则和模型。对于数据的处理，通过应用流式计算提高处理效率，最大程度满足实时性要求；另外，应用知识图谱和图数据库技术，将所有信息抽象为“主体”与“关系”的二维世界，通过关联分析建立风险关联拓扑图，不但可以提高信息检索速，还能够识别隐性风险。在应用端，通过大数据可视化技术，能够让不懂数据分析和建模的人员，也能直观的从图标上看到风险、理解风险。

在规则层面，主要围绕反欺诈环节展开。在这个层面，既需要有业务发展初期的风控专家的经验设定，也需要有业务发展过程中数据挖掘和模型分析后的重构迭代。万象风云的风控规则，包括了业务准入规则、申请资料交叉核验规则、历史行为检查规则、团队反欺诈规则、黑名单检查规则、设备反欺诈规则、行为反欺诈规则等几个主要规则集，通过规则引擎和前端可视化编辑技术，能够让风控人员自主配置规则集和策略，并通过观测窗口进行策略与策略之间的对比，进而快速实现规则和策略的调整和优化。

对于规则的迭代，有两类主要触发点，一类是基于业务数据分析，即通过对审批数据和表现数据的追踪分析，属于验证性调整；另一类是基于新的数据能力导入和解读，建立并行的规则叠加体系，属于观测性调整。鉴于国内的信用风险，有很大一部分比例是来自于群体性欺诈，该人群的业务申请流动性和突发性很强，因此，是否有灵活配置的规则管理、是否有直观的策略比较工具，是能否快速识别风险和拒绝风险的关键。

在某种意义上，规则是人工和智能，而模型是真正的人工智能。在大数据风控体系中，规则与模型属于相生相伴，又互相排斥。我们追求通过建立模型来简化规则、弱化规则的必要性，但并不能完全替代规则。在实际业务中，很难形成通用模型，无论是反欺诈模型还是信用评估模型，都有非常强烈的场景属性和特定人群特征。这从技术角度来说，极大的增加了建立模型的难度。如何在样本不均衡的情况下建立有效模型？如何在片面样本的情况下建立有效模型？如何在样本数据维度稀疏的情况下建立有效模型？等等，我们在过去两年中遇到了非常多的挑战。往往是一个模型建立后，在不同的场景、不同的人群中表现出极大的差异性。这些问题，一方面依赖于理论提升和技术创新，更多的还是要依靠对垂直场景的理解和业务试错迭代产生的数据。从某种意义上讲，模型只是数据的衍生品，所以并不存在到底数据更重要还是模型更重要的疑问。在模型的建立上，机器学习和集成学习已经成为标配，从基于直接变量的强解释性模型，到基于多层级子模型的弱解释性模型，本质上是对大数据价值的最大化利用。

上述的数据+规则+模型，是我们万象风云的大数据风控体系的三个基本面，在系统应用层面上，分为反欺诈、信用评估、风险监控和智能分析四个版块，覆盖贷前、贷中、贷后流程，从证明借贷人的“你是你”，到“你的资料是真实的”，再到“你的信用是好的”。其中的智能分析版块，主要是基于信贷表现数据自动分析，对规则集的调整提供实时智能建议。整体系统的目标是将风控线上化、智能化和工具化。这也是我们对于大数据风控发展趋势的判断和理解，欢迎大家与我们一起探讨和合作。

优信邵总：风控与业务互撕，怎么能撕赢？

与会嘉宾观点：大部分情况下，金融机构都是风控赢，业务方怎么能赢？

中诚信CTO姚明：风控是公司赢利的核心能力之一，在金融机构里，业务方很可能就会掰不过风控，那么就要从管理的角度来平衡。风控是可以用模型来证明给你看的。

金融产品经理刘欣怡：用数据来说话，业务方愿意来背这个风控成本，可以用AB测试证明某类被PASS掉的用户其实是被风控误杀。小额信贷用3000个用户就能证明，其他的大额信贷也可以用一定量级的用户来证明某些风险点可以适度放宽。

金融高管会：大数据征信成本都在什么水平？

车晓科技风控总监张文涛：消费金融通常不超过10元，更多的是5元以内。车贷等大额信贷，能接受50-200元的水平。

金融高管会：风控总监一般怎么设计风控模型？

九鼎融资租赁风控总监王禄海：一般新的金融机构前期的风控都存在很大的问题，一般情况下是靠风控负责人的经验，再拿第三方数据来看。会从8家征信公司去进行比较，最终会选择1-2家做为原子量的参考，根据经验来做一套模型。虽然大家都不一样，但是从各个维度来说，风控模型都会趋同。

金融高管会：风控模型会朝什么方向发展？

九鼎融资租赁风控总监王禄海：最终同类的金融机构模型会趋同，但是大家的风险容忍度不同。

中诚信CTO姚明：现在大家都推崇原子级的风控模型，有很多很多的点。现在根据一些经验，是可以去解释是哪个点被风控卡住不放。但是随着人工智能的发展和应用，变量越来越多、越来越细，风控也没法说明到底是哪个点不过了。

浦发银行北京某支行肖行长：银行跟金融公司、融资租赁、互联网金融直面竞争，怎样取得优势？

金融高管会：大部分情况下，银行和这些金融机构的用户不是一类用户。银行利息低，吸引到的用户更加优质，征信评分都比较高；其他机构一般是吃银行剩下的用户，甚至很多是白户。

优信邵总：在车贷这个领域，汽车金融公司、融资租赁公司可能也会跟厂商合作，跟银行一样谈到一些低息或者0息政策，在这种情况下，可能大家就是同样的竞争水平了，就看用户怎么选了。

中诚信CTO姚明：车贷为什么风险值不高？

金融高管会&优信邵总：汽车贷款在全球都是风险不太高的信贷方式，正规情况下用户违约率是很低的，无论是新车金融、还是二手车金融。

为什么用户不违约，因为没必要违约。金融机构为了控制风险，会用一些算法和风控措施来保证“用户要还的钱永远小于车的残值”。想像一下，车的残值是7万，用户会为了5万元的贷款额而去违约吗？除非一开始车价就做假的。

【金融高管会往期干货】