整理 | 近音 棘轮
2018年，风控将成为金融行业的核心竞争力。
而行业的一大趋势，是融会贯通。
“产品、客群和风险是三位一体的关系。”在“风控·命门” 一本财经金融科技峰会上，百度副总裁黄爽精准概括。
在数据和技术能力之外，运营能力也将成为风控能力的一大指标。
面对一个更加广阔的世界，行业从业者应如何更新观念，自我迭代，与时俱进？
黄爽：风控、产品、客群，如何相互作用形成“铁三角”
百度副总裁黄爽
01信贷群体贩卖的是狭隘焦虑
过去一年左右的时间里，整个个人信贷行业是过山车似的发展态势。在这个过程中，有很多言论听起来挺是那么回事的，它们有个共同的特点，就是“贩卖焦虑”。
有人说：“现金贷的业务核心是流量，最大的成本是获客成本，根本轮不到风控。”有人说：“只要把利率抬得足够高，不需要风控优势，照样能够盈利。”
出了一些监管的措施后，另外一种言论出现了：“借款人群体已经被收割殆尽了，所以可能剩下的开发空间也不足了。”也有人说：“绝大多数的客户都在多头贷，连蚂蚁和微利贷都被污染了。”最后的结果是没有流量，你会焦虑；利率不能高了，你会焦虑；你是蚂蚁，你还得焦虑，因为你会被污染。现在不焦虑，根本上不了头条。
但我们说为什么这些言论不足可信呢？
因为所有这些说法都脱离了产品、客群和风险的三角关系，在就其中一件事情做文章。有的时候，这些言论是局部成立的——在某些相对初级的环境里，当监管力度不足、技术能力有限时，你可能只能针对一小撮人，去做一个利率特别高的产品。这可以满足一时之快，但是在一个自律和他律的环境里面，这件事情就不容易做。
02客群、风险、产品三位一体
但如果你理解产品、客群和风险三位一体的关系，消费金融这件事情还是大有可为的。
首先说宏观。美国的金融科技这么牛，为什么仍有美国人觉得中国的金融科技比他们还要牛？因为中国市场有一点特质是美国市场不能比拟的，也是金融科技最大的基础：中国市场的消费增长态势仍然非常强劲。人民的生活水平在提高，人民的收入在增加，人民的人均消费额还有一个非常大的增长空间。
其次，我们的信贷渗透率大概是23%左右，日本的这个数据大概是60%左右，从个人信贷渗透率来说，仍然还有一个非常好的发展空间。
最后从参与主体来讲，除了银行以外，越来越多的非银行机构加入到这个行业里来，在不同的人群中进行探索。这也是一个非常大的增长空间。
03技术与三位一体的嫁接
大数据叠加AI能力，是挖潜市场的前提。
中国有得天独厚的条件：智能化生活，不仅仅把大数据沉淀下来了，还把大数据沉淀在设备上了，所以有条件把设备和人串起来，把信息和人串起来，把信息和设备串起来，这给人工智能提供了基础。
人工智能是什么？是算法+算力+产品化能力。
在人工智能的基础上，科技公司加入这个行列，能够把人工智能的东西工程化、产品化，让更多人可以去利用，让更多供给方能够参与到这个行业里来。
有了数据、算法和算力，对客群的理解就会比较立体。客群不仅仅是这个人有多少风险分、违约概率大概是多少，而是有什么东西会影响到这些因素。
一个真实的需求，它本身蕴含的风险远远低于一个虚假的需求。如下图这个响应模型，是对一个人的需求进行画像。
如果把信用分580-620的客户分成五等分，它的缺钱程度在最上面的20%，里面是最下面20%的90倍，也就是说，很多时候，我们其实是不理解我们是需要对上面的这20%或者最上面的40%-60%，去供给一个产品的。
说他需要钱就意味着他风险高？也不是。一个真实的需求是救急不救穷的。所以在我们高响应人群的风险分布里面，低风险的人群也是能够占到一半以上。
04解构风险、产品和客群的关系
百度交易数据不是特别多，但是相对比较实时和多维，从风险角度看，它有几个特征。
1.没有央行征信的人，百度数据是可以独立进行区分的，违约概率也能够进行有效的降低。
2.一旦这个数据和央行征信组合在一起的时候，可以跟更大的人群进行叠加，进一步提高违约的捕捉率。
3.在上述论述之上可以指导差异化定价，能够让客群的利率得到的更准确。
风险在实际中最好的应用是反欺诈。讲个实际例子，反欺诈日益扩展到线上线下，是一个巨大的高科技产业。
如果有个线下的学校，它有很多的申请。正常的学校学员之间是没有关系的。一个正常的申请渠道，人和人之间的关联度分布是非常均匀的。我们把这个叫做健康的学校。
但一个有骗贷发生的学校，人和人之间的关联度就会发生质变，很多人之间的关联都会变得非常明显，所以把这个叫做“癌症细胞”。当你把这些骗贷机构和以前历史上的骗贷机构都叠加起来的时候，这个癌细胞就长得非常快、非常大。如果这是一个可以实时停止和机构进行业务的交互，也能够非常有效地防范线上和线下的风险。
最后说产品。
对每一种人都能用合理的定价提供一个合理的产品，这个产品的形态至少应该包括利率、额度、产品形态、典型用户、交互渠道甚至于沟通方式，这些在今天都可以用模型的迭代实现最大程度的多样化。
如果我们把两两的关系进行一个论述，我认为客群和产品决定风险的平均值。
如果是你做的打引号的“现金贷”的客群，不管你怎么做，你给他的只能是非常小的小额产品。你的风险平均值可能就只是20%，这是你的客群和产品决定的，但是这不是唯一可以做的客群，我们想要做的客群应该是多种多样、最普惠的客群。针对同样的客群，如果你对客群的认知更好、风险管理水平更高，你的产品就会比较有竞争力。
其实即使是现金贷和现金贷比，产品的经历也是不一样的。也有做现金贷的机构将来会蜕变，走出更有竞争力的一条全新的道路。
最终是风险和产品决定你的客群边界。
有些客群今天做不了，但是当你的风险管理水平提升的时候，当你有更多元化的产品接触到他、打动他的时候，你的客群边界就自然而然地扩大了。
最终其实这些都不是两两关系，最终都是三位一体的关系。
余泉：大数据风控不是黑盒子，与传统风控有一样的严谨性和体系性
蚂蚁金服微贷风险管理部总经理余泉
01服务线下商户
线下商户是什么？大家可能都比较熟悉：去吃饭、美容遇到的经营线下实体店的商户。他们就像整个商业血管最末端的细胞。服务好他们，实际上就是服务好整个实体经济里以前没有被服务好的客群。
这些线下商户很难得到金融服务，就算得到金融服务，要么需要抵押，要么需要收很高的利率。实际上，蚂蚁金服从去年开始，就配合支付宝做线下商户收钱码的活动，探索怎样能用更方便、更普惠的方式服务这个客群。
我们设计了一个随时可以申请、随时可以使用的多收多贷产品，额度越用越高。有些商户甚至可以获取用花呗收款的资格。
我们专门针对商户设计了一款产品“余利宝”，即收取的零钱随时存入一个随进随取的账户，帮商户赚取更多利息。
而从消费者角度，用户可以选择支付宝和花呗等多种支付方式付款。
说到多收多贷，举一个具体实例。一个杭州商户，是30岁左右的年轻人，开了一个外卖店，五六个雇员都是父母、亲戚。在决定卖什么的时候，他经常去查看美团和大众点评上热搜的是什么，然后根据热搜调整产品。他的业务做得特别好，于是就需要扩张。
就在这时，蚂蚁金服模型数据发现了他，给他推送了产品。他顺势就用我们的五六万贷款买了一些厨房设备和冰箱。第二个月，他的业务就扩大了很多倍，也还清了贷款。
这些线下小店的现金流是类似的。一旦遇到扩张，比如开门店、买设备的时候，没有足够现金，是非常需要贷款服务雪中送炭的。
02大数据风控不是黑匣子
回到风控上来，谈一谈蚂蚁金服是如何服务这些线下商户的。
我们尊崇惠普，要给他们更好更及时的产品、更低的利率。具体到风险管理环节，就是要降低风险成本。把风险成本控得非常低，才能给客户提供最低的利率、最优质的贷款服务。
从大模式上讲，我们主要从几个角度来识别商户：他是不是经营者？他是做哪个行业的？他的经营能力在哪个等级 ？通过这些信息来全面了解商户。
此外，一方面，我们要做大数据风控；另一方面，我们也要做一些线下反欺诈的事情。网上不乏对大数据风控的误解。大数据风控经常举的一个例子是，如果某人半夜2点借钱，那么他一定是坏人。也就是说，在一些人的逻辑中，用户在页面上怎样了，他就是什么样的人。大家觉得大数据风控就是一个黑盒子。
但我觉得，最核心的大数据风控，跟传统风控其实有一点非常一致的地方：做风险管理的框架设计，是需要一模一样的严谨性和体系性的。它做传统风控没有任何区别。
评价一个人，不管是商户还是个人，一定要进行全面的评价：他的负债是多少？他的负债表现是什么形式？他的收入是多少？收入能表现什么形式？在设计任何风险管理体系的时候，一定要从这儿出发。如果没有这个体系性，只是碎片化地用一些数据做风控，风险是非常大的。
说点具体的例子。一些小商户之所以没有被服务，是因为他们没有在任何正式的商业名录、工商企业名单之中，有些人甚至从来没有银行流水、未必是个真正的注册商户。在这种情况下首先要做的，就是怎么识别他是一个经营者，而非一个个人。
我们使用支付宝获取他们的现金流交易数据，看到的是几千万、几亿现金之间的交互。我们的任务，是从资金交互网络里判断谁是经营者、谁是个体。
个体的支付宝的关系网长得像毛线团，没有集中给某个人打钱的动作，而是你转给我、我转给你这么一个比较均匀的网络。商户关系网络看起来是有个中心点的，这个图长得像蒲公英，有很多个点是陌生人向一个人转帐的。通过各种算法和调优，我们最后用这种方式识别谁是个体、谁是个人经营者。
03建立行业词库
形象的比喻可能让大家感觉这是很简单的事，但行业内的人都知道，客群分析并没有那么简单。
第一，大家想一下，如果是几千万人之间每天有资金交易的话，是需要很大的存储能力和计算能力来做这个事情的。
第二，找到这些节点没有那么容易。因为商户用支付宝也不光是收款，他也会跟亲朋好友转一下钱，要判断是私人转账还是收益，在各种考虑之后多方叠加，最后才能比较确定谁是商户。
判断谁是商户，还带给我们另外一个启发。如果有些模型被用在其他场合的次数比较多，这些模型在风控场合也是可以借鉴的。通过刚才的方式，我们想，商户有没有可能通过资金流的方式判断经营者？不是所有人都用支付宝支付的，他们支付宝上的现金流不明显，那怎样找到跟这个商户行为类似的商户？
对此，我们借鉴了搜索行业推荐行业常见的M2M算法。大家知道，在淘宝上买商品，经常被推荐一些“你可能喜欢这个”。它背后的算法是判断你跟其他消费者的相似程度，推荐相似程度的产品。我们用类似的办法也进行了买家分群，利用已有的经营者的种子，发现跟他行为比较相似的人，来拓展商户的积累。
第三，还有一个行业判断，没有国家发布的关于行业的判断，但是从风险管理、客群上，仍需要打一下标：到底是餐饮行业，还是别的什么行业。这根据现有的碎片化数据并不是特别好完成，因为商户的填写信息标准不一。
举个例子，有些人说我是做麻辣烫的，有些人说是家常菜，有些人说是小吃，有些是烤肉，这就需要去判断他到底是不是在做餐饮，是哪个行当的。我们就要通过这些词去链接他的行业。
通过去年几个月的积累，我们建立了一个行业词库，里面大概有220多个行业、几千个关键词。所有新商户填的信息，在最后标准的时候，我们都会映射到词库里，判断他的行业，对行业进行分类。
这个页面是反映多收多贷客户得到了什么。作为经营者，你使用支付宝收款，因为我们对你的了解更多，你可以贷的款就更多。商户每天都会算算自己这一天赚了多少钱，他需要一些微小及时的鼓励，所以在提额的设计上，如果他满足要求的话，我们每10天就会给他提一次额，相当于给他奖励。
我特别同意黄爽的观点，我想的跟她说的客群、风险、产品的“铁三角”关系很像。这个东西如果转起来，会产生特别不一样的化学反应。一旦你的产品打出品牌，有更多人用，那你风险管理的效果是不一样的。
中国小微企业贷款粗估是在7千万到1亿这个量级，这个蓝海非常浩瀚。我们想做的不是自己去自营，而是希望通过我们的能力，通过平台化的方式，跟体系外的银行和其他金融企业合作，一起来服务小微企业。
沈晓春：金融核心是风控，风控核心是数据能力
京东金融风险管理部总经理沈晓春
01风控能力的三个方向：数据、技术、运营
做金融的人都知道，风控是金融的核心，也是能量的来源。
风控帮助我们更好地长足发展。对风控的重视程度、投入的资源多寡，也体现了一个企业是否有决心把业务做长远，做到真正良性发展。
而风控能力的三个方向，则是数据能力、技术能力（AI能力）与运营能力。
首先，数据能力是做风控的真正核心基础，这是毋庸置疑的。京东金融在服务合作伙伴与个人用户的过程中，积累了大量数据。每天新增的数据量，超过200TB。这些数据可以在风控层面上，做各种模型、策略、定制化的场景等。
在技术能力上，算法的最终能力取决于底层的算力，也取决于这些算力资源如何实现优化。例如，在最底层的基础层，如何做数据的标注，可以让数据的计算高效地支撑中间的算法层？如何通过一些分布式机器学习的方式、资源的调配，来更好地利用所有的算力？
在中间的算法层，图像、语音识别的算法，如何整合基础层上的数据？如何把数据量化到技术模块当中？如何让数据最终在真正的产品层，实现欺诈检测、智能投顾、客服运营？这些都是底层技术在具体场景中的实际落地。
最后，是运营能力。数据、技术在风控过程中的重要性，大家都很容易理解，但今天，我为什么还要强调运营能力呢？
运营来自于多样的场景、多样的产品和多样客群的交织。在这样的过程中，运营能力实际上驱动了产品和实际场景的复杂度，从而给风控提出了更高的要求、更多的挑战。
在问题的解决过程中，运营能力与风控能力互相驱动。运营能力不断地深化，可以迫使风控能力在一个特殊场景、在一个特殊客群上能够更好地理解客户，从多维、动态的角度了解客户的需求，了解客户的风险点，从而在这个过程中，把产品推向体验的极致，最终达到用户体验与系统风控的平衡。
02科技让风控更安全
风控有几大方面，无论是运营对风控的推动，还是数据对风控的支撑，技术都是非常重要的部分。
以在线环境为例。在线环境对于账户的安全体系要求极高，技术如何在保证用户体验的前提下，帮助风控实现真正安全的账户体系？
用户在登录账号时，风控系统会把账户登陆的安全场景分为两层。一层是纯技术的，包括设备的识别、人机识别、生物识别的特征，都有相应的技术模块，生成标签、预警。
这些信息会传递到第二层：日常登陆模型和账户安全模型。第二层模型会对信息进行处理，识别是否是用户本人在使用账户，是否有可疑行为发生。这样可以在不打扰用户情况下，保护用户信息、资产安全。
上图我们在反欺诈过程中用到的一个算法：通过路径学习的方式，识别整个登陆过程、客户交易过程中可能出现的风险点。
我们经常说“道不同不相为谋”，这更多是从他的行为特征来看。简单举例，如何在一个营销活动中，确定客户是本人登陆账户呢？
前端有账户登陆的模型，会排除一些可能性。在这个过程中，一个正常客户的路径，会看到领优惠券，浏览一些不同优惠券覆盖的优惠商品，并在这个过程中进行比价、放购物车，然后再进行支付。
这是常规的路径。我们可以挑选一个反例：客户几次修改密码，直接查看余额，尝试转账，最后把易变现品放入购物车。这样的行为存在很多疑点，这些疑点在整个路径学习过程中，可以通过时间回溯与既往历史比较，判定是否存在安全问题。在整个欺诈、反欺诈的领域中，这一算法也应用得非常广泛。
设备群体挖掘技术，基于图形算法开发，被誉为风控体系防火墙，是目前比较常见的模型算法之一。黑产的隐蔽性非常高，我们利用已经发现的问题，就可以借此进行排查。
这是一种关联性的算法，也是一个节点，可以判断出一度关联、二度关联到三度关联中，每个节点关联到有问题客群或中介的概率是多少。这一算法可以排查集散点与可疑点。
对账户登录的各个环节，进行交易反欺诈、信贷申请反欺诈、反洗钱与营销风控排查，是非常重要的。风控体系防火墙的应用十分广泛，也解决了很多问题。
03技术推动新监管
技术可以推动业务的发展，也可以帮助我们更好地配合监管。反洗钱就是一个典型的例子，反洗钱包括对所有商户的KYB、普通商户的KYC，之后到交易、到监控、到信息审核的闭环。
实际的反洗钱体系，也基于强大的计算平台，每笔资金交易都会接入反洗钱体系，通过历史交易、静态信息、对手交易评级等特征值进行判断，是否出现涉及反洗钱等可疑行为，并上报监管。
包括黑名单挖掘技术在内的整个体系，也会在实际应用场景中进行落地，并实现90%以上环节的自动化监控和排查。
在京东金融自有业务上，京东金融与银联推出了风险信息共享机制，在区块链技术的加持下，可以实现更加完善安全的风险共享体系。在这个体系中，所有成员都有准入标准，获准进入的成员可以将信息记录在区块链中，共同维护数据安全。
风控讲究的是全流程、全方位、多维度的判断和防控。我们自营业务本身就有这样的需求，用户的注册、登陆、参加营销活动、支付订单、理财等行为，其实都在风控系统的保护范围内。
