大數據風控助力新市民服務

林亞臣

2021年10月18日，習近平總書記在主持中央政治局第三十四次集體學習時強調，發展數字經濟是把握新一輪科技革命和產業變革新機遇的戰略選擇。在數字經濟、共同富裕等國家戰略布局下，我國金融業正向著高質量數字化轉型邁進。銀保監會主席郭樹清指出：“為促進經濟金融良性循環和高質量發展，3億新市民將成為重要的活力源泉。”銀保監會、中國人民銀行于2022年3月聯合印發了《關于加強新市民金融服務工作的通知》，明確新市民范圍，鼓勵引導銀行保險機構積極做好與現有支持政策的銜接，強化產品和服務創新，高質量擴大金融供給，提升金融服務的均等性和便利度，不斷提升新市民的金融服務水平。

數字金融服務新市民大有可為

幫助新市民在城市落地生根的重要舉措之一，是更好地滿足其金融需求，為其做好金融服務。這既對我國構建新發展格局、實現高質量發展具有重大意義，也是推進金融供給側結構性改革、促進共同富裕的必要舉措。這其中金融機構的作用不言而喻。然而，目前許多傳統金融機構尚無充足的技術能力為新市民提供與其需求匹配的金融服務。例如，金融機構更傾向于為有抵押擔保或有征信記錄的客戶提供信貸服務，但大量新市民是無征信記錄的“白戶”。因此，消費金融公司這類具備大數據風控技術的“能力者”，在幫助新市民獲得高質量金融服務方面的重要性越發凸顯。

數字化與數字金融的異同

基于當前科技發展水平，數字化主要包括三方面：可度量化（將非結構化數據，如語音、視頻、圖畫、文字等，轉化為可測量和進行數學計算的數據）、可定量實施最優化、可實施全自動化決策管理。可以說，數字化是指可度量化、可定量的實施最優化決策、可自動化執行的實施過程。

金融的發展可以用六個維度進行概括：一是業態環境，即金融機構的營業形式（實體或虛擬）;二是運營基礎，即如何服務客戶;三是信息處理，即如何獲取和處理交易信息;四是交互模式，即人人交互、人機交互、人人與人機組合交互;五是管理模式，即手工管理、手工與系統結合管理、系統自動管理;六是決策模式，即基于契約模式、信用、法律保障等制定決策規則。

縱深來看，金融的發展可劃分為三個階段：傳統金融、數字金融和智能金融。對應上述六個維度，傳統金融的特征可以大致描述為：業態環境基于實體社會，運營基礎依靠機構網點，信息處理基于客戶提供紙制材料，交互模式為人人交互，管理模式以手工干預的管理為主，決策模式主要為人工參與決策機制。同樣，數字金融的六個維度特征可描述為：業態環境由實體社會、互聯網、物聯網、元宇宙組成，運營基礎是在業態環境中數字化全面運用，信息處理以數字化自動處理為主，交互模式為數字化交互，管理模式為系統全自動數字化管理，決策模式為系統全自動數字化決策。

基于此，可對數字金融進行初步定義，即在現實環境（包括現實物理社會環境、互聯網虛擬社會環境、物聯網環境、元宇宙）中，以大數據為基礎，以數字化交互、信息處理、決策、管理為主要運營模式的金融業態。

數字金融與大數據風控

當金融進入數字金融階段，其根本特征就是數字化。從前述六個維度來看，數字金融在每個方面都有質的飛躍。其一，數字金融所服務的業態環境不再局限于實體社會，互聯網、物聯網及元宇宙等都屬于其服務的范疇。其二，數字金融的運營環境取代了傳統的實體環境，使得金融運營方式借助數字化手段產生了更多創新，如通過數據驅動及時觸達客戶的服務方式，大幅提升了金融服務質效。其三，數字金融在信息處理上也有質的飛躍，從過去僅限于數據擴展到文字、語音、圖片等。其四，交互模式方面，數字金融也從依賴于人的交互發展到如今的數字化交互，使業務效率呈指數增長。其五，由于各環節數字化的實現，數字金融客戶管理模式能夠順暢地轉型至系統全自動數字化管理。其六，決策機制也逐漸數字化，金融機構可以采用科學量化的方法進行預測和實施最優決策，并及時追蹤和迭代調整，真正做到系統全自動數字化決策。

站在數字金融的浪潮之上，金融機構要提升競爭力和服務能力，除了要實現前四個維度的數字化之外，還須具備實現數字化管理和數字化決策的能力。具體到風險管理方面，須實現全流程風險管理數字化。因此，在拓寬金融服務邊界、提升服務新市民質效方面，大數據風控是大勢所趨。

憑借扎實的科技實力和創新能力，馬上消費金融自成立以來就將自主研發的智能風控、智能獲客、智能營銷、智能客服等一系列系統，以多元化產品為依托，通過零物理網點、線上自動化服務拓展到全國各地，提升金融服務的觸達性和便利性。截至2021年12月末，馬上消費金融的服務已覆蓋全國31個省（自治區、直轄市），實現3C數碼、旅游運動、生活服務等全場景覆蓋，累計服務縣域用戶和農村用戶分別達到3362萬人和2778萬人。

值得一提的是，消費金融服務的客群與新市民高度重合，而持續滿足并服務好3億新市民的金融需求，不僅是金融機構的社會責任和發展機遇，更關乎我國城鎮化發展、共同富裕戰略的實施成效，進而為數字金融加速推進、經濟高質量轉型升級貢獻砥柱之力。

大數據風控助力解決新市民服務痛點

大數據風控實現了信息的度量化

大數據風控，可以簡單理解為全流程風險管理數字化，即以大數據為基礎，以數據驅動的方式，系統自動化執行各環節風險管理策略的風險管理機制。換句話說，大數據風控可以將各種信息度量化，在預測和決策中綜合使用這些信息進行量化的最優決策，并部署在系統平臺上全自動實施執行。現實生活中，由于部分新市民工作不穩定，缺乏收入及房產等資質證明，導致金融機構難以用傳統的風控模式衡量其信貸資質，造成服務空白。不僅影響金融機構拓展市場細分領域，也影響普惠金融的落實和滲透。而大數據風控在技術層面提供了解決之策，使金融機構拓寬服務客群、提升服務質量有了更多可能。

目前，馬上消費金融通過運用數字金融技術已為超過650萬新市民建立了信用記錄，通過線上線下融合的方式不斷提高普惠金融的服務效率，與多家銀行及保險公司合作，借助網點功能實現線下服務新市民的金融和消費需求。大數據概念形成于2010年前后，大數據風控概念在2013年以后慢慢成形，并自2015年起在信貸市場逐漸落地應用。隨著眾多電商金融陸續推出網絡信貸產品，民營銀行相繼成立并推出多項服務，以馬上消費金融公司為代表的消費金融公司先后成立并推出多種信貸產品，我國大數據風控市場基本形成。

大數據風控的數據基礎和技術層次

不同于傳統風險管理，大數據風控有著完全不同的數據基礎和技術層次。首先，大數據具有“4V”特性：一是量大（Volume），達PB級;二是數據類型多（Variety）;三是產生速度快（Velocity），以每月大于多個BP的速度產生，某種程度上也標志著新技術的發展速度;四是密度小但價值高（Value）。其次，在大數據整合方面，“4V”特性使傳統的數據處理技術很難直接應用，因此，新的處理方法——分布式處理方式Hadoop、Spark和Mapreduce等應運而生。由于大數據種類多，傳統經典分析方法也面臨挑戰，因此機器學習、人工神經網絡深度學習等人工智能方法被加速引進應用。

事實上，大數據風控最本質的含義在于風險管理策略的有效性在大數法則下成立，不合理個案雖可能發生，但均為小概率事件。同時，風險管理策略數字化、數據驅動的方式以及自動化執行包含的內容也十分豐富。首先，大數據風控中的“風控”是風險管理的簡稱，是在收益風險中尋求平衡以達到投資回報的極大化，而非字面意義上的簡單風險控制。其次，整合大規模數據需要以結構化數據、半結構化和非結構化數據作為決策基礎，需要有一個快速處理和整合數據的分布式處理數據倉庫作支撐。再次，系統自動快速執行策略的前提是具備決策變量生成平臺，用以簡單、穩定且高效地計算自定義的大規模決策變量（基于結構化、半結構化和非結構化數據）;此外，風險管理策略的數字化要求有一個強大的規則引擎，可部署機器學習和AI深度學習風險模型。最后，數據整合處理、決策變量計算、策略和規則部署實施執行各部分和賬務核心系統須無縫連接，使風控策略在數據驅動下自動運轉執行。

金融機構如何實施大數據風控

在現階段，大數據風控的實施方式豐富多元。以信貸業務為例，在客戶觸達、核身、計算評分、授信等環節，部署的方式和重點各有不同。

如何觸達客戶

客戶觸達即授信機構和流量渠道的交互。如今流量可以發生在多種渠道，如電商消費場景，租車、自媒體、專業會員等細分市場領域，搜索、支付、朋友圈等互聯網應用基礎平臺，蘋果、安卓等手機應用市場，BAT第三方平臺等。

對于風險管理而言，客戶觸達是大數據整合、基本模型和評分計算的環節。無論哪種觸達模式都包含兩個步驟：一是與流量通道建立聯系，這是第一步，可登錄公司網頁或下載公司App進行簡單注冊，使用電話號碼即可完成;二是與賬務系統建立聯系，這是獲得授信的必備條件。

如何核身

經過觸達環節，大數據風控有了基礎數據，并將這些數據進行整理關聯后變為信息，下一步最重要的是判別信息的主體資格，核身是第一關。因此，在觸達環節收集足夠的核身相關要素就變得尤為重要。埋點的設計要全面和完整，考慮各種可能情況，覆蓋觸達的各個節點。

在線上信貸業務中，申請環節的身份信息最小集是“四要素”，即姓名、身份證號、電話號碼、銀行卡號;除系統性“四要素”鑒權外，通常還需做人臉識別，以確認客戶真實存在且為申請者本人，而且不存在身份被盜用、團伙使用等情況。核身步驟要求極高的嚴謹性，這是為后續環節構建的基礎防線。

如何計算模型評分

在觸達客戶并核身后，要用評分技術構建模型估測客戶預期損失概率。根據客戶觸達的不同形式所產生的不同信息（即產生不同的數據流和變量），進行不同精度的估計。由于數據的豐富程度不同，預先計算精度或存在出入;新信息接入后，預測變量將被進一步更新，精度將會提升，進而有助于提高授信準確率。

為盡可能準確估計預期損失概率，除結合平臺本身的信息之外，金融機構通常還會借助征信或增信數據進行優化。通常情況下，個人客戶在網上申請授信時，金融機構能夠獲得該客戶的個人基本信息、在平臺的行為信息、經授權的App信息及其他相關信息，如征信、銀行卡使用、手機運營商、多頭借貸等信息。

如何授信

首先，需要建設可靠的大數據處理IT系統。在關聯所有可以依法合規獲得的數據后，進行整合、實時計算評分變量和評分，進而準備好所有決策變量運行策略。此過程須在一兩秒鐘內完成。其次，運用機器學習構建預期損失概率估計。大數據風控更多采取機器學習的算法來構建模型評分，目前大多采用GBDT及其改良的Xgboost算法。構建模型的方法主要有分段式、分層式、綜合式、模型校驗四種。

大數據風控中的授信決策基本為系統全自動決策，大數據的作用在于，通過分析客戶的歷史行為、資信狀態等數據，盡可能全面準確地了解客戶的還款能力和還款意愿，并將此與歷史損失數據相關聯，從而預估損失概率。由此得出對客戶還款能力的近似判斷，結合同類客戶的歷史信貸表現數據，利用聚類或有監督的分類辦法、復雜網絡等聚類方法作出進一步判斷。根據這些判斷設計決策規則，如是否授信、授信額度及期限等，實現風險可控且回報率最大化。

大數據風控的“十大矛盾”與“十大原則”

“十大矛盾”

目前，我國金融業在信息處理方面仍然面臨以下“十大矛盾”：一是壟斷和競爭的矛盾;二是目標不一致的矛盾;三是“困欄”造成的矛盾;四是平臺轉化率極大化和共債風險的矛盾;五是因融資渠道單一的矛盾;六是“普”和“惠”的矛盾;七是多頭監管之間的矛盾;八是數據碎片化和信息不充分的矛盾;九是關鍵信息缺失和有效數據閑置的矛盾;十是降價引發的矛盾。

事實上，這“十大矛盾”對尚處于商業化落地進程中的大數據風控也造成了不少挑戰。例如，由于缺乏系統性征信數據，傳統的平衡卡等信用評級方法難以發揮作用，必須借助結構化、半結構化和非結構化數據進行信用風險判斷。但目前我國政府數據開放性欠佳、碎片化嚴重，數據整合能力也存在短板，因此數據的合規性和來源可靠性也需仔細甄別。同時，大數據風控還面臨技術層面的挑戰。例如，決策平臺方面，經典規則引擎局限性，機器學習、復雜網絡、深度學習部署問題，環境操作風險問題，都仍待解決;算法方面，構造變量、算法細節分解等也都存在短板。

“十大原則”

挑戰當前，大數據風控重任在肩。作為一直在此領域耕耘的金融機構，馬上消費金融結合自身經驗，總結了實施大數據風控的“十大原則”：一是數據的收集和使用必須嚴格遵循《數據安全法》等法律法規，這是開展業務的紅線，不能有絲毫松懈。二是必須保障核身的可靠性。數字金融時代，金融機構與客戶的人人交互頻率降低，作為風險控制的基礎防線，核身環節必須嚴謹有效。三是必須保障在線實時信息傳輸的合規性和安全性，這是從業機構共同的責任。四是所有用于決策的信息必須不能也不應有任何民族、性別方面的歧視，且需取得客戶授權。五是整合多種數據、構造預測模型和評分是大數據風控的基礎，但須在非開發樣本上得到可靠驗證后才能部署實施。六是利用模型、評分、變量等所設計的策略，需要在足夠大的驗證數據集進行模擬，以檢驗策略目標指標的合理性和可行性。七是大數據風控是全流程風險管理數字化，必須具備完善的回顧機制，這需要各環節運行細節具備可追蹤機制。八是大數據風控所用的方法以機器學習為主，機器學習在理論上尚無法確保模型的穩健性，因此要求模型或評分必須及時回顧和迭代。九是必須保障在線自動運行時各環節實時監控和預警，預防造成較大業務損失。十是必須保障在線自動運行觸發預警時，可以及時有效干預。

最后需要強調的是，我國金融數字化工作在部分市場、業務種類和業務環節中，人工干預仍必不可少，切不能“為了數字化而數字化”。數字金融發展是一個長期的過程，只要我們認清方向并且堅定不移的走下去，定將水到渠成。

（作者系馬上消費金融公司副總經理）

責任編輯：劉 彪

ChinaBanker@vip.163.com