2020年，金融科技從戰略走向全面落地。

隨着國內金融監管政策的趨嚴，傳統信貸業務利潤空間進一步收窄，朝着自營業務和自主風控方向發展成爲金融機構在新的發展趨勢下的必由之路。

金融的本質就是風險管理。面對自主風控需求的升級，如何利用數據模型更好地識別客戶需求與風險點，並輸出相應的風控策略，解決自身在不同落地場景中的痛點，是金融機構亟需解決的核心問題。

融慧金科CEO王勁對零壹財經指出，數據規範和治理體系不健全，數據質量差且缺失率高，技術能力不足，複合型科技人才匱乏等因素都是銀行等金融機構無法做好模型的重要原因。“在當前金融監管政策變化多端的背景下，金融機構最重要的是做好資源整合，因爲自建路徑成本最高，效果卻不一定最好。”在王勁看來，合作共贏纔是持牌機構快速構建好自主風控能力的最佳選擇。

“實際上，風控模型中常用的技術算法在全世界都是通用的，關鍵在於過程中所沉澱下來的理念和方法論”。在與零壹財經的對話中，融慧金科CEO王勁強調。

一、風控建模挑戰重重，落地實踐經驗沉澱

數據資源壁壘、自有數據累積、數據特徵提煉、算法模型提升是大數據風控目前所面臨四大困境。某商業銀行負責人曾表示，在模型建設和模型應用過程中普遍存在數據質量問題，包括外部數據的造假（黑產欺詐）和內部數據的濫用等，在模型迭代方面，很多銀行只追求迭代的速度和頻次，而忽略了最終效果。

得益於多年在美國運通和百度金融的模型實踐，王勁總結了許多寶貴經驗。

首先，他認爲模型的效果，80%來自於數據的提升，20%來自於算法的提升，其中數據起着決定性作用。俗話說“巧婦難爲無米之炊”，擁有豐富的數據儲備如同廚師擁有最新鮮且多樣的食材，只有坐擁好的原材料，才能做出個性化口味的菜餚。在數據質量可控、數據質量有保證的情況下，引入更豐富、更多維度的優質數據加入到模型中，對模型的提升是非常重要的。

其次是要有紮實的模型基礎，比如優質的數據，需要具備準確度高、時效性好、相關性強等特點，建模平臺則需要擁有非常完善的功能，以保證建模服務效率，不僅如此，還需要7x24小時實時監控及預警，以保障數據質量穩定，若出現問題不能及時發現並處理，將會影響機構最終決策。

“美國金融危機後，經調查是因爲模型出現問題所導致，所以政府加強了對銀行業的監管力度，在此背景下，我們按政府要求，創建了一個全球的模型監管和驗證中心，負責全球1000多個模型的審查和驗證工作。”通過多年實踐，王勁認爲，模型的優勢與獨特的數據、數據挖掘和衍生能力、建模樣本的選取和處理、模型的架構、模型的迭代方法和頻率均息息相關。

基於以往在美國運通、百度金融及現在融慧金科的建模經驗，王勁表示，可以從五大特徵去評判模型的好壞，即辨別力、精準度、穩定性、可解釋性、迭代難易。在模型應用中，最具挑戰的是穩定性和可解釋性。比如在穩定性方面，目前有很多銀行模型上線後很快就衰退了，究其原因，實際上引起模型不穩定性的因素有很多，比如模型中的因子覆蓋率不高、因子與風險的關係波動、對數據加工和處理不當、表現數據選擇不好、客羣的變化、樣本的抽樣方法不正確等。

而可解釋性卻往往被忽視，“當一個模型用到幾百個變量時，特別是底層未衍生的變量時，可解釋性就失去了”對此，王勁提出了兩種解決方案，一是把變量劃分成幾大類，通過歸類的方法形成一個解釋性，二是把幾百個變量集成幾十個可解釋的大變量，“不過這個非常考驗集成能力，具有一定挑戰性”。

還有重要的一點是數據的選擇，“融慧金科對數據源的篩選要求非常嚴格，通過數據挖掘和清洗能力，在數據源側提煉出衍生變量，再將這些脫敏的數據集成到定製化模型中輸出給銀行，這樣比直接用數據源的產品更能保證穩定性、可解釋性和輕迭代。”王勁稱。

二、金融監管趨嚴，技術賦能普惠金融

今年7月，中國銀保監會正式發佈《商業銀行互聯網貸款管理暫行辦法》，其中明確提出了對商業銀行的風險管控要求，規範了合作機構管理。《辦法》的出臺，肯定了助貸行業的價值，同時也爲金融機構與第三方服務商開展合作打開了市場空間。“真正的金融科技服務商應該滿足大量特徵數據、強大技術算法能力、專業實踐經驗等標準”，王勁指出。

王勁介紹說，經過三年多的精細打磨，融慧金科已經擁有高質量、高覆蓋、高時效的大數據和強大的數據深層挖掘能力，以及不斷在實踐沉澱下來的專業模型搭建體系，比如數據源管理平臺，數據監控平臺，模型訓練驗證平臺，模型上線平臺等一整套的體系。

“基於客戶的實際需求，我們可以從產品、品牌、人羣、區域等不同維度來定製適合他們的模型。對於剛剛開始實施建模且技術基礎比較薄弱的機構，可以幫助他們從零到一建設風控體系，而對於相對比較成熟的機構，可以幫助他們填補自身風控體系中的空白，比如融慧金科人行徵信數據和決策支持平臺，能夠助力機構更充分地利用人行二代徵信數據建設人行徵信模型。”

此外，在金融強監管下，線上業務對數據管理提出了更高要求。王勁表示，當前對銀行機構數據管理能力的挑戰源於數據量龐大、數據類別多、數據源頭雜、數據不穩定、數據覆蓋有限、數據缺失率高、數據格式不規範等數據問題。部分銀行機構在數據管理方面缺乏技術能力和管理經驗，現有系統不夠完善，導致難以支持日益變化的業務需求。對此，融慧金科的解決方案是將數據管理能力提煉成SaaS模塊，直接進行技術輸出，幫助各類金融機構實現全面的大數據管理。

三、創新突破，定製化模型加速“迭代”

迴歸到金融本質，對於傳統金融機構而言，風控模型無非建立在央行徵信體系基礎上，而通過大數據、人工智能等技術構建的風控模型，充分挖掘了之前無法獲得授信的潛在客戶，這也是金融場景中最重要的創新。

王勁透露，融慧金科的定製化建模目前已在三個層面實現新突破：

第一是在數據方面，不僅擁有自己獨特的互聯網底層數據，還嚴格篩選了行業最優質的第三方合規授權數據源，通過對這些BAT量級數據的衍生和提煉，形成對用戶的360°完整畫像，以對客戶進行全方位風險評估，比如對精準營銷用戶的響應、對欺詐行爲的評估、對信用風險的評估等。

第二是在效率方面，融慧金科的模型平臺經過多次迭代升級已達到世界一流水平，服務客戶的效率大大提升，定製化建模週期最快1-2天即可完成。合作模式也比較靈活，機構可以帶數據入場，在融慧金科的安全沙箱裏建模；融慧也可以帶數據入駐金融機構；還可以以遠程形式提供服務。日前，某頭部金融企業提出定製化建模需求，融慧金科從前期溝通到模型上線僅用了兩週的時間，模型上線後效果表現優異，遠超客戶目標預期。

第三是在經驗方面，通過與數十家持牌機構合作定製化風控模型，積累了非常豐富的經驗，同時結合國內外建模方法，可以協助每一家機構在模型優化上做到最佳。

另外，據融慧金科定製化建模事業部負責人王凱新介紹，某頭部知名互金機構自2018年就開始與融慧金科合作定製化建模服務，藉助融慧金科現有數據及變量挖掘能力，以精準識別欺詐人羣。合作面橫跨整個模型建設的生命週期，即從樣本準備、數據匹配、效果測試、模型開發到正式上線調用。合作至今，模型已經過多次迭代升級，效果表現非常穩定且持續上升，贏得了客戶高度認可和信賴。今年以來，該客戶還接入了融慧金科風險分HR、信用風險分等多項適用客戶場景需求的標準化風控產品。

正如上文所述，面對變化多端的市場趨勢，風控模型是需要不斷進行迭代優化的。王勁坦言，定製化建模在落地過程中遇到的做大挑戰就是正確選擇樣本，樣本的選擇會極大影響模型上線後的效果。比如模型樣本最好選擇短期時間內、來自相同產品和相同渠道且在穩定授信策略獲取的客羣，如果不滿足上述條件，模型的適用性就會出現不同程度的挑戰。“有些時候模型怎麼也做不好，KS上不去，很多人會說變量不對或者方法不對，而事實上，往往是樣本有問題。”王勁表示。

最後在談及“風控就是平衡的藝術”理念時，王勁認爲，風控的藝術在於要在產品體驗和風險成本之間找平衡，這也與運通的理念一脈相承。比如用戶向銀行申請貸款，用戶可能需要回答幾十個問題，10分鐘都寫不完。通過風控技術優化授貸策略，用戶可能只需要回答幾個問題，2分鐘就寫完。用戶體驗更優，獲客和留存必然更容易。

當然，風控平衡的藝術不僅僅侷限於一種，在風險與經驗之間、簡單模型與複雜模型之間、數據與安全之間都需要找到一個平衡。對於融慧金科的2020，王勁表示，將針對利率監管的痛點難點，持續迭代提升現有產品的精準度，實現風險成本和獲客成本的雙降。另外，也將在客戶合作中沉澱的數據、模型、系統、產品等方面的經驗融合，賦能更多的金融機構。

End.