短短數年間,我國的新金融浪潮此起彼伏,科技金融成為行業發展的一個新階段。
2017年7月21日,零壹財經新金融夏季峰會召開,會議圍繞金融科技的實踐,智能金融和風控技術的發展應用展開討論,沐金農創始人王曾應邀出席,并在圓桌討論環節發表觀點。
在信貸領域,傳統風控的特點是穩健,其主要是借助房產、汽車等固定資產作為抵押,然后通過歷史借貸數據來預測和判斷借款人的違約風險,所以傳統風控模式很難給過去沒有發生過借貸交易的人進行信用評分。
其對信用數據的采集方式主要是通過用戶自己提供,然后金融機構再通過人工的方式去核實這些信息的真實性,需要大量的人力、物力支撐,這意味著其服務的人群數量有限。并且“白戶”是傳統金融的盲點,傳統金融機構傾向于服務大額借款、抵押貸款。
但是我國目前存在大量征信空白群體。資料顯示,截至2016年6月,央行征信覆蓋人群8.8億,其中有信用數據的人群僅3.8億,占總人口的29%,也就是說還有大量的信用白戶無法得到傳統金融的支持,正因為此科技金融在近幾年得到蓬勃發展。
傳統金融風控審核中絕大多數用的是德國引進的IPC風控技術,不同于大數據機器風控的集中,IPC人力風控主要是打散,每個信貸員獨立管理一個客戶,負責從貸前審核、貸中驗證以及貸后催收的整個流程體系。
采用雙人四眼和三級交叉驗證技術,對所獲取的數據進行兩兩比對,誤差小于5%則視為合格,反之則為不合格。
這種傳統手段每人每天能審20筆貸款。IPC模式人力驗證的特性決定了這項技術的展開需要十分優秀的信貸技術人員,對風控能力的要求非常高,但培養一名成熟的信貸人員至少需要1年時間也就是一個放貸周期,審核員需要2年以上,門店經理則需要從信貸員做起,一般需要4-5年時間。
這種很難批量化處理的風控模式比較適合大額貸款,對于小額線上貸款最優解決方案就是需要批量處理能力并且不斷的離線學習能力以抵御欺詐風險。
相比于大數據風控的輕巧、便捷,IPC技術則顯得十分“笨重”并且就人的感知能力來說,Ai下的機器學習把控要更精準,因為人的心情是起伏不定的,并且每個信貸員對資產的評選標準不一,但是機器能夠做到完全客觀公正并且在海量數據的支持下,每一筆放款都將更加精確與充滿科技力量。
前不久沐金農與騰訊云開展戰略合作。天沐系統針對金融風控圍繞“人”這一不變特性,對傳統風控技術進行升級和優化,通過機器抓取借款人大量社交行為數據,再運用機器學習方式綜合判斷借款人的欺詐行為強弱性和信用歷史優良度,并將判別結果數據反饋數據庫進行二次清洗和學習,在嚴格控制壞賬和逾期的同時極大程度的提升借款通過率。
對于欺詐行為嚴重者,天沐系統則直接做拉黑處理。沐金農還與芝麻信用等巨頭機構達成深度合作,實現彼此數據互通。
沐金農王曾表示,風控應是集貸前審核、貸中驗證與貸后催收為一體的綜合流程體系。
我們在風控中的思路不止是簡單的衡量借款人的還款能力、信用成分或者是否為欺詐行為,我們還會將結果倒推,建立催收模型,分析借款用戶不還款的理由,反哺審核的準確度。
催收作為直面借款者,不斷與人性博弈的關鍵一環,在工作開展過程中其實會產生很多前期風控所接觸不到的關鍵性指標。
這也是我們堅持建立自己催收團隊的原因。通過數據的積累不斷建立深入業務的風控模型,并且我們在模型中融入區塊鏈的概念,使得各個模型體系在數據的調取與應用當中更安全、交叉驗證更準確。后發力量不可估量。
王曾補充道,人工智能始于大量數據學習的過程,通過數據和行為的分析推導出規則和流程。
在消費金融領域,人工智能可以成功預防現有欺詐行為并預測未來數據,在實踐中利用消費金融高頻的特點進行快速學習,發揮更有效的決策作用,提升普惠資金利用效率。可以說,消費金融反欺詐在利用人工智能進行決策時具備一定的天然優勢。
沐金農依托在三農領域的數據積淀,通過天沐大數據風控平臺,已經具備包括抵御區域性風險、群體性風險、套現風險、商戶風險、業務員風險、行為風險的反欺詐能力。
同時,為保持風控策略和風控模型的長期有效性,以及避免被攻克利用的風險,天沐大數據風控平臺還會對風控策略及模型保持高頻率的更新,利用歷史和增量數據進行迭代,讓機器判斷更加準確。
目前,公司的風控已經在沐金農及拿下分期的各產品中得到驗證。
作為一家根植三農的金融科技公司,沐金農以數據為基礎,以技術為手段,始終致力于利用大數據、人工智能等技術提升金融服務效率,降低運營成本,減少欺詐風險。
未來,沐金農仍將致力為廣大三農人群提供更優質的金融服務,同時將大數據風控技術對外輸出,構建沐金農科技金融生態圈。
(新聞稿 2017-07-24)