聊聊网商银行：小微企业1秒放贷背后的智能

在新世纪第二个十年期间，以互联网电商经济为代表，整个社会的生产经营活动开始大规模向线上迁移，并且带动和衍生了互联网支付、互联网金融、线上线下融合等众多的新型商业或金融模式。强大的云计算基础设施使得这些大规模线上经济成为可能，线上经济则为企业带来了海量的客户与高频的交易数据，云计算又使得普通企业都可拥有挖掘和处理这些数据的能力，进而通过大数据与人工智能技术挖掘数据价值，实现交易资源的最优化分配，如图所示。

  大数据和云计算

网商银行是一家以普惠金融为自身使命的互联网民营银行，在诞生之初即面临着无实体网点、需要服务海量小微长尾客户、资本规模有限三大核心问题。正是利用大数据与人工智能技术，网商银行体系化地建设了数据化风控、智能流动性管理、智能化运营三大能力，让低成本、规模化、商业可持续化的普惠金融成为可能，如图8-3-2所示。

大数据和人工智能

下面我们将分别从这三个方面来一窥网商银行的实践经验。

数据化风控

1. 大数据风控的总体框架

网商银行自诞生之初即发布了纯线上小额贷款产品，其背后是一套纯线上风控体系，与传统金融机构的线下风控有表8-3-1所示的区别

线上线下风控对比

	线上风控	线下风控
评估目标	还款意愿和还款能力	还款意愿和还款能力
数据采集能力	实时、动态、多维	人工收集为主
数据处理能力	云计算，7天×24小时	大中型机构自建数据仓库或分析平台，或人工处理
量化模型能力	传统算法+AI	以传统算法为主
风险评估角度	个体评估+网络评估	以个体评估为主
覆盖人群	小微长尾经营者	中大型经营者
产品特点	随借随还，小额分散	一次授信，偏中大额

网商银行及其前身阿里小贷，专注服务小企业10余年，积累了10万个以上指标的体系、100多项预测模型和数千种风控策略。其大数据风控主要围绕个体风险、关联网络、全生命周期信贷决策三个体系建设，如图所示。

（1）个体风险：和传统机构相似，从客户本身的属性（年龄、行业、城市）、经营情况、资产情况等方面进行评估。

（2）关联网络：基于客户账户网络、资金网络、物理地址网络、设备/IP地址网络进行套现、欺诈、黑产的识别。例如对全量客户的资金行为轨迹与相互关系进行实时刻画，可发现套现所涉及的商户、中介、客户信息，或者通过物理地址网络发现客户交易地点在短时间内有很大变化，则基本可判断该客户已被窃密。

（3）全生命周期信贷决策：以算法+数据为基础，构建客户风险准入→授信额度评估→差异化定价→贷中反欺诈→贷后监控的整套智能化体系。

大数据风控体系

2. 人工智能的运用

传统的授信与交易风控，主要依靠人工授信、评分卡模型、专家经验规则等模式。但这些模式在面向海量小微客户以及互联网电商场景时，存在着无法满足客户实时需求、难以应对风险与信用数据时刻变化，以及没有充分挖掘数据价值的不足。网商银行运用人工智能技术，并依靠云计算的海量数据处理能力构建了一整套算法模型风控体系，如图所示。

算法模型风控体系

3. 风控体系在电商场景的运用

针对电商场景的风险管理和核心模型，要围绕信用风险和欺诈风险进行多方位的预测和评估，如图所示。

信用和欺诈风险预测和评估

导致信用下降的风有多种，比如，客户经营不善，或者受到平台的影响，以及外部环境的影响。针对不同的风险点都需要利用大数据设计风控模型：对于经营不善情况，需要构建客户交易下滑模型；对于平台的影响，需要加强跟平台的联动；对于外部环境的影响，需要对各个行业类目不断做差异化的研究。

关于欺诈风险，需要重点提一下虚假交易。虚假交易风险的核心在于一方面客户可能会通过刷单提升销售额获得授信额度，一方面刷单对于客户来说需要成本，比例太高则经营就没有办法持续，因为没有利润。所以欺诈风险中虚假交易的识别是非常重要的。

随着电商平台上的炒信（以“刷单”等不正当手段提高信用）手段越来越复杂和难以识别，从早期亲戚朋友之间互相“刷单”，到目前已经形成了非常完善的黑色产业链。网商银行的虚假交易识别技术也在不断升级，在数据维度上，考虑客户浏览、拍下、付款，等商家发货后再确认收货，有时还涉及售后服务的交易全链路数据表现，并且结合买卖家的关联关系进行评估。在识别方法上，从早期的专家经验，到机器学习、深度学习算法的应用，现在已经在强化学习领域有很多尝试和实践。网商银行利用大数据技术进行虚假交易识别，准确率高达90%，有效防范了刷单导致的信用风险。图所示为利用大数据识别虚假交易。

利用大数据识别虚假交易

4. 风控体系在线下小微商户中的运用

网商银行在成立之初，主要以互联网电商平台的小微商户为服务对象。但我国还有更多的线下小微商户没有被传统机构所服务。这些小微商户可能是开了一个小卖部、一家小饭店，也可能只是摆了一个路边摊，如何让他们能够在生意需要资金周转时得到服务，成了网商银行要解决的一个技术问题。

面向线下小微商家的服务，第一个问题就是，很多商家是个体经营者，有些甚至连固定店面都没有，如何区分是个人行为还是商户的经营行为？图8-3-7是通过模型识别到的一种个人用户和商户支付的网络特征。如果是一个个人，给他转钱的人之间或多或少是有联系的，所以他们的关系图就像一个毛线团。如果是一个经营者，给他转钱的人会更多，而且他们之间是没有什么联系的，所以关系图更像一个蒲公英。

当线下小微经营者用上移动支付之后，能够沉淀下来的数据甚至比线上电商还要丰富。如图所示，网商银行创建了多套有针对性的风控措施，能有效识别经营属性，判断交易有效性，预测商家经营能力。除了参考商家店铺的经营流水外，还会考虑商家店铺所在商圈的人流量、所在的行业，跟进商家店铺在商圈内同行业店铺中的销售排名以及变化情况，综合评估商家的经营走势，这样为他们提供贷款服务就有了基础。

个人用户和商户支付网络

线下商户授信与风控体系

智能流动性管理

在风控之外，流动性是一家银行能够持续为客户提供金融服务的另一支柱。流动性管理既要考虑成本又要考虑风险，若单纯强调规避流动性风险，则流动性成本势必上升，故商业银行均构建了完整的ALM（Asset Liability Management，资产负债管理）与LRM（Liquidity Risk Management，流动性风险管理）框架，以实现成本与风险的平衡，如图所示。

成本与风险的平衡

本节主要讲述网商银行在业界管理理论框架下，采用大数据与人工智能技术实现流动性管理核心能力的实践。

1. 网商银行业务特点下的流动性管理难题

流动性管理理论体系在各家商业银行中大相径庭，而各家银行的客户、产品形态、资产负债结构又千差万别，所以流动性管理的实践只有最合适的方案，没有最好的方案，一切要回到业务本身，“以终为始”地去探索流动性管理方案。

从资产端、负债端、流动性工具与资金成本、管理定位四个方面分析，网商银行的流动性呈现出以下特点。

（1）资产端：以小微信贷为主，并且在产品形态上体现出高度与场景融合（例如切入商业平台场景）、随借随还的特征，从而在流动性上体现为现金流碎片化（小额）、波动大（场景驱动）、期限不确定（随借随还）的特征。

（2）负债端：以同业存款为主，并且由于缺乏大量对私客户故而缺乏大数平滑效应。

（3）流动性工具与资金成本：中长期流动性主要依靠同业协定存款、货币市场融资、资产支持证券发行，故而资金成本与传统商业银行相比处于劣势，降低流动性成本（例如资金闲置成本）的诉求更强烈。

（4）管理定位：网商银行的宗旨是为小微商户提供7天×24小时的“310”信贷服务，以满足客户需求为首要目标，故管理上不能容忍因流动性储备而延迟应答客户请款诉求的现象。

由于以上原因，网商银行的流动性无法走“由负债定资产”的传统“计划经济”管理之路，必须借助于科技的力量。从技术上来看，流动性管理本质上是一个“预测+运筹优化”的问题，即预测未来业务的规模，并通过运筹优化得到最佳的流动性方案。这即是网商银行流动性管理的主要思路。

2. 预测

首先，金融预测是一个时序预测问题，即通过过去一段周期的数字表现（例如每日放款量），预测未来一段时间（例如T+45日）中每一日的业务规模。针对时序预测问题，网商银行与蚂蚁集团共同研发了工业级的基于深度学习的时序预测平台——Antflux，如图所示。

基于深度学习的时序预测平台

有了强大的模型与平台，网商银行用客户特征、交易特征、时序特征进行构图，得到了数十亿条边的时序图谱，依据这份图谱数据并结合强大的人工智能算法，实现了任意客群（图8-3-11）及行业（图8-3-12）的高准确度时序预测，为智能流动性管理打下了第一个基础。

3. 实际案例

在资金渠道的最优化规划上，网商银行采用人工智能的技术预测未来交易规模，并且采用大规模优化器进行求解（可支持千万个级别的决策变量和十万个级别的约束条件），从而获得最合理高效的资金渠道规划，进而实现各渠道头寸的管理以及交易流量的调配，如图8-3-13所示。

图8-3-11  任意客群预测

图8-3-12  行业客群预测

图8-3-13  头寸的管理以及交易流量的调配

智能化运营

传统银行的运营更多的是线下运营，但是随着互联网业务的崛起，APP聚集的流量远大于线下门店。银行的运营也开始转到线上。线上运营的效率和能力远大于线下运营，但是为了深度服务客户以及更广泛的客户触达，也存在线上线下联合运营的情况。本节主要介绍线上银行运营的能力。

银行的互联网运营的能力很难逃脱互联网运营的标准方法论AARRR漏斗模型，以及“目标-洞察-策略-实验-迭代”的运营方法论，如图所示（实验和迭代偏实际操作，在图中没有提及）。

目标-洞察-策略

首先是目标定义的问题，广义的目标定义比较简单，比如以余额作为目标，但按照产品生命周期进行切分后的目标则容易存在滞后的问题，需要通过大数据分析寻找近似目标。比如以留存率作为老客户运营的子目标，但是在人群流失后再去干预已经为时太晚（尤其是贷款流失口径为几个月的时间），需要根据留存的情况找到近似的行为，比如要流失的人对APP的访问频率也会下降，通过大数据验证和模拟，如果两者正相关且相关度高于某个阈值，则可以使用老客户访问作为一个近似指标来观察，这样在对老客户实施有针对性的策略时也更容易观察和调整。

在目标定义下，人群画像的差异需要通过洞察来解释。过去的传统银行主要是“小数据”的模式，受样本和调研能力的制约，会出现样本偏差以及问题覆盖不全的问题。线上业务开展后，业务会积累大量的数据，基于这些“厚数据”，可以通过大数据分析完成对人群心理和经营状况的“刻画”，进而能够覆盖更广的问题。如果需要更加精确，则要从“大数据”走向某些行业细节的“中数据”，只在某些业务场景中“加厚”，才可以进一步增强。即便如此，想要深度调研问题背后的深层次原因，传统的“小数据”模式依然要发挥作用，但是受限于传统模式的运作效率，可以考虑线上调研，比如用智能电访、智能问卷等模式进行处理。

在洞察环节之后，运营环节要制定有针对性的策略，将更好的服务提供给客户，对于不同的客户来说，更好的服务的定义是不一样的，人有偏好，有差异。在策略上需要精细化设计，同时利用算法自适应地提供更合理的策略。在大数据+互联网运营的时代，人的操作能力已经远远落后于需要，因此通过知识模型、智能策略，从人类专家中脱胎出智能机器专家系统变得很重要。

巧妇难为无米之炊，在策略之下，运营的干预能力也变得很重要，要能跟客户产生更好的互动，具备更好的心智，打造更好的差异化产品，还需要一系列的干预矩阵。要用独立的“阵地”承接客户的复访，要用人传人、团购等类电商的玩法增加客户的认知，要用足够的权益和产品版本构建不同的产品心智，以应对不同的需要。这类问题需要从洞察环节中发现，在产品思维/运营思维下设计，然后在策略环节去熟悉并应用。

金融创新的四个核心认识：认识你的业务，认识你的风险，认识你的客户，认识你的交易对手。不可否认，运营的核心问题仍然是客户认知的问题，只有能够综合利用各类数据、各类手段才能从客户的行为中理解客户，设计出合适的产品、手段、策略。因此互联网运营的核心问题脱离不了客户的认知问题，过去的客户认知的方法论在运营中仍然适用。也正因为如此，才能够去构建一个精准运营的网络。

《金融级IT架构：数字银行的云原生架构解密》

网商银行技术编委会 著

• 架构书中的“战斗机”！
• 引领数字化时代金融级别的IT架构发展方向
• 书中阐述的核心技术荣获“银行科技发展奖”
• 网商银行IT技术架构演进实践精华

本书介绍了网商银行成立至今的IT技术架构演进路线，涵盖了分布式、单元化、弹性混合云、云原生多个基础架构领域，同时介绍了技术风险、安全可信、业务架构等多方面的技术实践经验，我们希望和读者分享网商银行在金融级IT技术上做的独特探索，跟大家探讨数字化时代金融级IT架构的发展方向。（京东满100减50，快快扫码抢购吧！）
▼本书拓展升级课程▼

加入技术琐话粉丝群，可在公众号回复：技术群

  往期推荐：

•    ……

技术琐话 

以分布式设计、架构、体系思想为基础，兼论研发相关的点点滴滴，不限于代码、质量体系和研发管理。