消费金融风控创新白皮书

01目录背景描述................................................................................................................4一、消费金融行业大发展凸显风控和风控创新的重要性................................51）多重因素共同促进消费金融行业快速发展..................................................51．政策推动与消费升级..............................................................................52．新技术、新参与机构与新消费群体......................................................62）风控在消金企业的自身发展与市场竞争中愈发重要..................................71．消费金融行业已进入了管控趋严的状态，合规与风险防范的要求从外部促使企业更加重视风控环节................................................................72．消费金融迅速场景化及价格天花板的出现，倒逼企业强化风控以求发展..............................................................................................................123）传统风控模式遇到的瓶颈与风控的创新....................................................131．以资产、现金流、职业属性等为风控核心的传统风控模式局限性日益突出..........................................................................................................132．以大数据、人工智能为基础的创新风控模式开始深度应用............14二、消费金融领域的主要风控技术创新..........................................................141）生物特征识别................................................................................................141．生物特征识别技术的发展概况............................................................142．生物特征识别的主要热点技术及应用................................................152）机器学习与模型训练....................................................................................171．机器学习的概述....................................................................................172．在金融领域的主要细分场景应用........................................................173）自然语言处理................................................................................................181．自然语言处理的基本概念....................................................................182．自然语言处理在金融领域的主要应用现状........................................1824）大数据抓取与数据处理................................................................................191．大数据技术基本概念............................................................................192．在消费金融风控领域的主要应用现状................................................195）基于大数据的用户画像................................................................................201．用户画像技术的基本概况....................................................................202．用户画像技术在金融领域的应用........................................................20三、风控技术创新的应用案例分析..................................................................211）工商银行反欺诈风控系统............................................................................211．基于大数据抓取与处理智能实时反欺诈系统....................................212．工商银行大数据风控成果....................................................................222）京东金融安全魔方反欺诈系统....................................................................231．基于生物特征识别技术的大数据风控体系........................................232．京东金融安全魔方的风控成果............................................................243）蚂蚁花呗智能套现识别系统........................................................................241．基于生物识别、机器学习和大数据处理的套现识别系统................242．蚂蚁花呗智能反套现风控成果............................................................254）新网银行全流程风控系统............................................................................261．基于大数据用户画像技术的贷前风险识别........................................262．基于机器学习技术的贷中决策迭代体系............................................273．基于大数据、机器学习技术的贷后预警催收系统............................274．新网银行大数据风控成果....................................................................275）中腾信全流程风控系统及小花钱包RiskAI风险识别系统......................281．基于大数据、声纹识别技术、机器学习的贷前反欺诈侦测系统....282．基于人脸识别、机器学习的小花钱包RiskAI风险识别系统..........293．基于大数据多重验证的贷中决策系统................................................2934．基于机器学习技术、自然语言处理的贷后催收管理系统................305．中腾信全流程风控系统及小花钱包RiskAI风险识别系统风控成果......................................................................................................................306）百融金服全流程风控体系............................................................................311．基于大数据技术的百融策略引擎一站式贷前风控解决方案............312．基于大数据处理技术的贷中监测及预警体系....................................313．基于大数据与机器学习技术的贷后催收体系....................................324．百融金服风控体系的效果....................................................................337）案例总结........................................................................................................33报告结论..............................................................................................................344背景描述1）多因素推动消费金融爆发式增长伴随着居民可支配收入持续增长、消费理念的转变、90后逐渐成为未来5年内的消费主力，以及95后“互联网一代”步入社会，中国正迎来新一轮的消费升级浪潮。同时，伴随着金融科技的快速发展，消费群体可以更便捷高效地选择和使用消费金融服务，这也进一步带动了消费金融行业的爆发式增长。2）多种乱象伴随而生消费金融市场发展的迅猛势头，除了持牌的银行、消费金融公司之外，还吸引了各种类型的互联网金融机构涌入这一市场。过度消费、恶意欺诈、重复授信等行业乱象也伴随而生，给消费金融行业带来阴影。遏制市场乱象，强化风险控制成为企业生存发展的关键。3）行业监管提出更高要求随着金融行业整体进入强监管时代，消费金融行业的监管政策不断出台，整体监管体系也日趋完善。行业整体进入了规范发展的新时期，这也对消费金融从业机构的风控效率和技术创新提出了更高的要求。4）传统风控技术的缺陷制约了消费金融业务进一步发展传统的信用评分模型主要使用历史借贷数据和财务数据来预测和判断借款人的违约风险，采用传统的统计方法进行分析，这种方法最大的缺陷就是无法对那些缺乏历史借贷数据的借款人进行信用风险评估1。另外，传统金融机构仅能掌握客户与自身相关的金融行为，无法获得客户在社会生活中体现兴趣爱好、生活习惯、消费倾向的情感或行为数据，无法与业务数据形成联动。再加上部分涉足消费金融业务的传统金融机构，对新业务的风控方式上依然过度依赖传统风控方法，自身的风控管理团队对于风控新技术的使用，无论是人才储备还是整体风控思路上均有一定的欠缺。1《金融大数据应用的风险与监管》，央行金融研究所所长孙国峰5一、消费金融行业大发展凸显风控和风控创新的重要性1）多重因素共同促进消费金融行业快速发展从2013年到2017年的5年时间里，我国消费金融迅速发展，除去住房贷款的消费信贷余额规模增速一直保持在20%以上，年均复合增长率达到了24.7%。特别是在2017年，消费贷款余额达到9.6万亿元，同比增长超过60%，呈现爆发式增长的态势。据金融城估算，未来几年我国消费信贷余额的增速虽将有所回落，但仍将以年均30%以上的增速扩张，预计到2020年将超过20万亿元，我国将成为全球最大的消费金融市场。图12013年-2020年我国消费信贷市场规模及预测1．政策推动与消费升级国内经济结构转型大背景下，消费金融成为“新风口”。近年来，我国经济逐渐从以往单纯的投资和基建、出口拉动的经济发展模式，转型为内需为主的内部驱动型，推动国内消费升级成为国家的主要战略之一，因此近年来推动消费相关政策不断出台。从2013年8月国务院颁布《关于促进信息消费扩大内需的若干意见》，到2014年10月国务院印发《关于加快发展体育产业促进体育消费的若干意见》；2014年11月国务院召开常务会议，鼓励养老健康家政消费；再到62015年11月国务院印发《关于积极发挥新消费引领作用加快培育形成新供给新动力的指导意见》，提出消费升级重点领域和方向，覆盖服务消费、信息消费、绿色消费、时尚消费、品质消费和农村消费；2016年11月，国务院印发《关于进一步扩大旅游文化体育健康养老教育培训等领域消费的意见》，着力推进幸福产业服务消费；2017年8月13日，国务院发布了《关于进一步扩大和升级信息消费持续释放内需潜力的指导意见》，鼓励金融机构开发更多适合信息消费的金融产品和服务，推广小额、快捷、便民的小微支付方式，降低信息消费金融服务成本。随着国家鼓励“消费升级”进程的推进，消费金融作为推动消费发展升级的重要举措之一，从内涵上基本满足了国家内需导向型的经济发展策略，其发展受到国家的鼓励支持。2．新技术、新参与机构与新消费群体金融科技的创新发展与深入应用，夯实了消费金融行业爆发式增长的技术基础。随着人工智能、大数据、区块链、云计算等新型科技的快速发展，消费金融与科技融合的协同效应逐渐显现。利用金融科技前沿的技术优势，消费金融逐渐由线下转向线上，实现服务半径的扩大、服务效率和业务处理能力的提升。从而在产品、渠道和服务上加快创新，降低消费金融业务的获客成本，推动消费金融业务迅速发展。多类型机构主体的参与，带动了消费金融业务模式的创新。随着国家消费升级战略的推进，以商业银行为代表的传统金融机构、持牌消费金融公司、综合性互联网金融企业以及互联网金融创业企业正通过不同方式角逐消费金融市场。例如，商业银行和消费金融公司等持牌机构，主要覆盖有固定工作和稳定收入，信用记录优良的人群。而缺乏信用记录的新入职白领、蓝领、大学生等，则主要由近年来进军消费金融业务的互联网金融企业来覆盖。该类型的机构，在垂直领域和特定场景的消费金融业务方面更具优势。为了在竞争中获得一定市场，各类金融机构不断丰富市场产品供给种类，带动了消费金融业务模式的持续创新发展。新增消费群体为消费金融提供广阔市场。随着产业发展与技术创新，消费金融已经从传统的高收入人群和大额低频次消费场景向中低收入人群及小额高频次消费场景迅速拓展。服务群体逐渐从高净值人群，向学生、农民、蓝领等收入较低或收入不固定的人群下沉。特别是随着近年移动互联网的快速发展以及大数据征信技术的创新，消费金融服务不断向大众的日常生活渗透，特别是旅游、教育、医美、租房等消费场景迅速拓展。7图2蓝领消费金融市场空间预测2）风控在消金企业的自身发展与市场竞争中愈发重要1．消费金融行业已进入了管控趋严的状态，合规与风险防范的要求从外部促使企业更加重视风控环节在消费金融贷款规模不断扩张的同时，消费金融不良贷款的规模也在逐年走高。以银行的信用卡业务为例，随着银行卡卡均授信额度的增长，信用卡逾期半年未偿的信贷总额也持续增加。8图32016年-2018年信用卡逾期半年未偿信贷总额走势同为传统金融机构的代表，消费金融公司的贷款不良率也迅速攀升。其中最主要的风险来于两个方面：第一，外在欺诈和信用风险，造成逾期、骗贷和坏账压力；第二，消费金融企业内在的合规风险和金融服务流程优化压力。9图42012年-2017年消费金融公司整体不良贷款率走势与此同时，在金融科技的支撑下，金融市场的体量和发展潜力被逐步放大，其暴露的风险隐患也与日俱增，欺诈现象层出不穷。由网络黑产主导的消费金融欺诈发展肆虐，已经渗透到消费金融营销、注册、借贷、支付等各个环节。据统计，2017年黑产从业人员超150万，年产值达千亿级别，应用数据分析手段开展金融业务的消费金融平台是黑产攻击的主要对象之一。截止到2018年5月，存在异常的互联网金融网站超过2万个，互联网金融仿冒网站达到4.6万个，受害用户超过10万人次。10图52016年10月-2018年5月互联网消费金融平台风险情况为了保障消费金融市场健康发展，监管机构不断出台政策，加强对消费金融的风险控制。从2016年银监会要求的“两个加强两个遏制”2，到2017年开展的“三三四”3整治工作、乃至金融市场乱象整治，究其最终目的都是在于控制金融风险，旨在让金融业务回归金融本质，加强风险管理。因此，消费金融行业未来的监管趋势只会越来越严，提升风控能力成为消费金融企业响应监管政策、实现合规发展的必要措施。2“两个加强两个遏制”是指：两个加强：加强内部管控、加强外部监管；两个遏制：遏制违规经营、遏制违法犯罪3“三三四”是指：三违反：违反金融法律、违反监管 规则 编码规则下载淘宝规则下载天猫规则下载麻将竞赛规则pdf麻将竞赛规则pdf 、违反内部规章；三套利：监管套利、空转套利、关联套利；四不当：不当创新、不当交易、不当激励、不当收费。11表12016年-2017年消费金融监管相关政策时间发布机构政策名称主要监管内容2016年8月24日银监会等部门《网络借贷信息中介机构业务活动管理暂行办法》确立了网贷行业监管体制及业务规则，明确了网贷行业发展方向，为网贷行业的规范发展和持续审慎监管提供了制度依据。2016年10月12日国务院办公厅《互联网金融风险专项整治工作实施方案》按照“打击非法、保护合法，积极稳妥、有序化解，明确分工、强化协作，远近结合、边整边改”的工作原则，区别对待、分类施策，集中力量对P2P网络借贷、股权众筹、互联网保险、第三方支付、通过互联网开展资产管理及跨界从事金融业务、互联网金融领域广告等重点领域进行整治。同时，及时总结 经验 班主任工作经验交流宣传工作经验交流材料优秀班主任经验交流小学课改经验典型材料房地产总经理管理经验 ，建立健全互联网金融监管长效机制。2016年10月12日银监会、工信部、公安部、国家互联网信息办公室等十五部委《P2P网络借贷风险专项整治工作实施方案》甄别判断网贷机构在信息中介定位、业务合规性、客户资金第三方存管、信息披露及网络设施安全性等方面是否符合要求，结合风险程度、违法违规性质和情节轻重、社会危害程度大小、处理方式等因素，将网贷机构划分为合规类、整改类、取缔类三大类，制定差别化措施实施分类处置。2017年6月银监会、教育部和人社部《关于进一步加强校园贷规范管理工作的 通知 关于发布提成方案的通知关于xx通知关于成立公司筹建组的通知关于红头文件的使用公开通知关于计发全勤奖的通知 》从事校园贷业务的网贷机构一律暂停新发校园网贷业务标的，并根据自身存量业务情况，制定明确的退出整改计划。同时，未经银行业监督管理部门批准设立的机构不得进入校园为大学生提供信贷服务，监管部门应联合各方力量，加强整治，及时纠偏。2017年10月17日中国互联网金融协会《互联网金融信息披露互联网消费金融》(T/NIFA2—2017)定义并规范了27项披露指标，其中强制性披露指标23项，鼓励性披露指标4项，分为从业机构信息和业务信息两个方面，以期规范广大从业机构信息披露行为，进一步提高互联网消费金融从业机构的信息透明度，从而更有效地保障消费者合法权益，促进行业健康有序发展。要求互联网消费金融从业机构应当披露：开展消费金融业务所依据的牌照、牌照颁发单位及时间;需对贷款 合同 劳动合同范本免费下载装修合同范本免费下载租赁合同免费下载房屋买卖合同下载劳务合同范本下载 / 协议 离婚协议模板下载合伙人协议 下载渠道分销协议免费下载敬业协议下载授课协议下载 中的关键条款和潜在重大不利条款进行解释说明，让普通消费者能够充分理解;收费项目与计算标准，对于产品的利率标准，应注明日利率和年利率;账户安全知识和风险提示，应特别注意对消费者信用风险的提示，违约时面临的各类不利后果，例如征信损失等。2017年11月21日互联网金融风险专项整治工作领导小组办公室《关于立即暂停批设网络小额贷款公司的通知》自即日起，各级小额贷款公司监管部门一律不得新批设网络(互联网)小额贷款公司，禁止新增批小额贷款公司跨省(区、市)开展小额贷款业务。2017年12月1日互联网金融风险专项整治工作领导小组办公室《关于规范整顿“现金贷”业务的通知》将现金贷业务纳入互联网金融专项整治范畴，统筹开展对现金贷业务的规范整顿工作。重点监管过度借贷、重复授信、不当催收、畸高利率、侵犯个人隐私等问题。12和P2P网贷风险专项整治工作领导小组办公室2017年12月11日银监会P2P风险整治工作领导小组办公室《小额贷款公司网络小额贷款业务风险专项整治实施方案》方案对于小贷公司网络小贷业务清理整顿做了全面部署，明确了具体要求和整治进度。资料来源：监管机构网站、金融城整理2．消费金融迅速场景化及价格天花板的出现，倒逼企业强化风控以求发展消费金融核心在于场景与风控，场景是消费金融的获客渠道，风控是消费金融资金安全的保障。从2016年8月发布《网络借贷信息中介机构业务活动管理暂行办法》开始，再到2017年年底现金贷监管政策的下发，大量P2P平台和现金贷平台转向消费金融领域，促使消费金融进一步渗透到日常生活的各个领域，凡是与日常生活和消费行为相关的场景，诸如旅游、婚庆、数码3C、教育、医美、家装、农业等，均与消费金融产品进行结合。随着消费场景的不断细化、深入，对于风控的要求也随之提升，如何全面、清晰的了解用户经济状况和日常行为，准确识别出恶意欺诈用户和优质客户成为消费金融发展的关键。由于参与消费金融业务的金融机构资源与定位有所不同，针对的目标客户群体也存在差异，进而客户的信用风险水平也存在显著差异。传统商业银行主要覆盖的是有资产状况、收入水平等信息的客户群体，这些客户信用等级相对比较高。而在近年来加速涌入消费金融业务的机构中，互联网电商平台、细分领域垂直消费场景运营机构和拥有流量入口的持牌消费金融公司，主要覆盖有一定的消费交易数据积累，但享受不到商业银行相关服务的客户群体。无消费场景依托、主要提供现金贷款的互联网机构，则针对的是信用记录较少的客户群体。不同信用风险水平的客户群体，决定了不同机构的信用成本。相关公司公布的数据显示，2016年招商银行的信用成本（贷款损失准备余额/平均贷款余额）在2.64%，中银消费金融的信用成本就已经高达7.4%，互联网机构的信用成本显然只会更高。一般情况下，各家机构会通过较高的贷款利率来覆盖相应的信用成本。但从2017年底的现金贷整治开始，各项政策对于36%价格红线的屡次强调，决定了如果机构还想合规运营，那么信用成本过高只会严重拖累公司的盈利能力，通过高利率来覆盖高坏账的经营模式已难以为继。因此，借助金融科技的创新应用来提升自身的风险控制能力，打造公司的核心竞争优势，成为了各家消费金融从业机构的必然选择。133）传统风控模式遇到的瓶颈与风控的创新1．以资产、现金流、职业属性等为风控核心的传统风控模式局限性日益突出图6传统风控模式局限性分析资料来源：金融城制作一直以来，传统风控模式多采用线下渠道，以资产、现金流、职业属性等为风控考察核心。例如，特定职业（如公务员）、拥有住房、车辆、大额理财产品或月工资收入较高的借款人能获得更高额度的贷款。银行、消费金融公司较多的采用了此类风控方式，在以往的实践中也表现出了非常好的风控能力。然而，随着新技术的发展、同业竞争的加剧以及消费金融群体普惠程度的加深，传统风控表现出较大的局限性：一是客户群体局限性较大，学生及蓝领消费者这两大消费群体被排除在外，总量在4亿左右的信用白户（没有过信用卡和其他借贷记录）也无法有效获取到相应的消费金融服务。二是成本较高，传统风控需要逐一审查贷款人的基本信息、资产、收入、现金流等信息，审核成本较高。同时，大量使用线下审核人员，也面临着体系管理复杂、员工专业技术水平存在差异、道德风险控制难度较大等问题，实际上风控体系的综合成本更高。三是效率低下，传统风控模式牢牢的把握了还款能力的判断，也通过面签等形式控制了欺诈风险，但是便捷程度较低。而目前互联网消费金融业务的特点体14现为客群下沉，交易频繁、实时性强、数据量大，因此风险行为也呈现出小额、高频的特点，传统风控手段很难应对高并发的风险事件出现。四是信息维度单一，资产、现金流、职业属性仅能证明客户收入情况，对客户在不同互联网场景中的行为信息了解甚少。而当前消费金融业务中的欺诈行为和其他场景的结合日益紧密，呈现出“跨界”的特点，这些风险利用传统的风控技术很难有效识别并加以防范。2．以大数据、人工智能为基础的创新风控模式开始深度应用随着金融科技的发展和逐步落地应用，银行、消费金融公司和互联网消费金融机构越来越重视应用“技术＋数据”进行风险管理，改变了传统以人为主的风控模式，更多借助于全面多纬度的数据、通过模型自动甄别分析、实时计算结果，提升量化风险评估能力、提高风险管理的时效性。有些银行基于大数据和云计算风控平台，建设了“准入－授信－反欺诈－贷后监控预警－贷后催收”的全流程贷款管理体系，推出了基于特定消费情景的信贷产品，有的互联网消费金融机构通过机器学习等人工智能技术，结合用户在网上的消费、理财等数据，深入刻画客户特征、洞察客户需求和识别客户风险。4二、消费金融领域的主要风控技术创新消费金融风控领域主要用到的金融科技核心技术包括大数据、云计算以及人工智能等。人工智能领域包括了机器学习、语言识别、图像识别、自然语言处理等技术。其在消费金融领域的应用也十分广泛，目前集中在金融服务自动化、客户关系管理、反欺诈、智能客服、质量管理、贷后管理等多个方面。在消费金融业务核心的风控领域，人工智能发挥的作用至关重要。1）生物特征识别1．生物特征识别技术的发展概况生物识别，是通过高科技手段利用人体固有的生理特性，如指纹、人脸、虹膜等和行为特征如笔迹、声音、步态等来进行个人身份的鉴定。完整的生物识别系统流程包括信息采集获取、特征提取、生成模板和特征比对。4央行《中国区域金融运行报告（2018）》15图7生物识别系统组成资料来源：金融城制作2．生物特征识别的主要热点技术及应用近年来，生物识别技术被广泛应用于各个行业，特别是指纹识别、人脸识别、声纹识别、虹膜识别和静脉识别成为当前应用的主流技术。从全行业应用来看，指纹识别应用最广，占市场份额的58%，人脸识别的份额为18%，新兴的虹膜识别市场份额为7%，掌纹识别、声纹识别和静脉识别占比较小，目前正处于探索之中。①人脸识别人脸识别的应用主要基于人脸的唯一性和不易被复制性，在应用过程中具有非强制性、非接触性、并发性以及符合视觉特性，在使用过程中用户不需要专门进行人脸资料采集，也不需要用户接触设备，可在无意识情况下获取，并在实际应用场景下实行多个人脸识别，达到“以貌识人”的目的。目前，生物识别技术已被广泛应用于金融领域，例如银行自助发卡机、VTM等自助终端设备以及银行柜面、远程开户、信贷风控等领域。远程开户方面，金融机构通过运用人脸识别和静脉识别对用户身份进行鉴定，从而实现用户不必去柜台即可远程开户；国内的微众银行、财付通、苏宁易付宝、华泰证券、华林证券、长城证券等金融机构均已推出人脸识别开户功能。信贷风控方面，金融机构16将人脸识别技术应用于信贷客户身份确认、反欺诈等环节，例如，招商银行应用人脸识别辅助进行风险评估、马上消费金融FaceX活体人脸识别反欺诈应用、小花钱包将合作机构人脸识别技术应用到智能风控系统，微众银行也放出了“刷脸”借贷，京东金融推出的安全魔方风控反套现系统等。②指纹识别指纹由于其具有终身不变性、唯一性和方便性，已经被广泛应用于金融领域，但是主要集中在银行内控管理上。如：银行柜员内控指纹管理系统，指纹二道门禁管理系统，银行押运管理系统等。目前工、农、中、建四大国有银行的内控柜员指纹管理系统已经都有上线应用。交通银行、上海浦发银行、华夏银行、中信银行、民生银行、招商银行等股份制银行以及上海银行、浙商银行、北京商业银行，包头商业银行等全国性城商银行基本实施完毕或者正在实施。对外风控方面，京东金融的安全魔方系统、新网银行的数字风控体系大量运用了指纹识别技术。指纹存取款机（指纹ATM机）、指纹POS机、指纹网上银行、指纹支付等“指纹银行”正在研发，将在未来几年逐步应用。③声纹识别声纹识别是通过对一种或多种语音信号的特征分析来达到对未知声音辨别的目的，具有唯一性。声纹识别在金融领域处于探索应用阶段，如在信贷申请环节，可以要求用户亲自阅读一段固定的文字，传到后台保存起来，并且同时提取其声纹特征。在信审过程中，系统自动将该声纹与黑名单库中的声纹做对比，如果命中黑名单，则可以调低信用级别乃至直接拒绝。目前应用声纹识别的金融机构相对较少，2017年初，浦发银行信用卡中心在客户热线服务中创新引入身份判断工具——基于声纹识别技术的声纹密码功能，为业内首创。此外，中腾信从2014年开始建立声纹库，应用声纹技术打造智能风控系统。④虹膜识别虹膜识别凭借其超高的精确性和使用的便捷性被金融领域应用，虹膜识别技术凭借着高精准性，将有望在消费金融场景迎来爆发。但目前而言，还主要应用于支付和金库、保险箱等防盗系统。例如民生银行虹膜支付用于替代短信验证码，客户只需用“交易密码+虹膜验证”即可完成支付。⑤掌静脉识别静脉识别具有高度防伪、简便易用、快速识别及高度准确四大特点。但是由17于采集方式受自身特点的限制，产品难以小型化，采集设备有特殊要求，设计相对复杂，制造成本高等问题，在金融领域应用较少，目前有少数金融机构应用该技术办理取款。如中国银行实现了刷“掌静脉”办理存取款、攀枝花市商业银行推出了刷“掌静脉”办理存取款业务等。2）机器学习与模型训练1．机器学习的概述机器学习是指计算机通过模拟人类的学习行为，从而获得新的知识和技能，并重新组织已学习到的知识和和技能，使之在应用中能够不断完善自身的缺陷与不足。机器学习是建立在数据挖掘技术之上发展而来，结合大数据技术(Hadoop,MapReduce,Spark/Storm等），逐步开发和应用了若干新的分析方法逐步演变而来形成的，这两个领域彼此之间交叉渗透。2．在金融领域的主要细分场景应用机器学习在金融中主要应用于数据风控建模，主要包含了特征服务、模型服务和决策引擎三个部分，分别应用于欺诈检测、客户关系管理和客服机器人。①欺诈检测使用机器学习进行欺诈检测时，先收集历史数据并将数据分割成三个不同的部分，然后用训练集对机器学习模型进行训练，以预测欺诈概率。最后建立模型，预测数据集中的欺诈或异常情况。与传统检测相比，这种欺诈检测方法所用的时间更少。未来，机器学习技术将会进一步发展，从而检测出复杂的欺诈行为。②客户关系管理机器学习可以通过对客户信息的整理、建模，可实现对客户关系的管理。在客户营销方面，可以通过多种渠道获取大量中、高价值潜在客户信息，获取更多的销售商机和线索，充分了解客户的个性需求并提供差异化的服务和解决方案；在风控管理方面，机器学习技术通过客户信息建模，可以评估客户风险等级，并运用策略模型对客户采取差异化授信策略。例如京东金融、新网银行均采用机器学习技术创新风险迭代模型，小花钱包RiskAI风险识别系统也可以随着用户数量的上升而持续迭代模型。③客服机器人客服机器人可以把复杂的金融术语转换成通俗易懂的语言，更易于沟通。在场景端，客服机器人可以处理各种客户请求。在风险控制方面，智能客服机器人18根据智能决策模型对客户实行在线跟踪和电话监测。但目前该技术在风控领域的应用还在比较初级的阶段，目前主要服务于贷后催收环节，应用于智能外呼，尚未实现人机对话。例如新网银行推出的智能催收体系、中腾信的智能外呼系统等。3）自然语言处理1．自然语言处理的基本概念自然语言处理（NaturalLanguageProcessing，简称NLP）就是用计算机来处理、理解以及运用人类语言，它属于人工智能的一个分支，是计算机科学与语言学的交叉学科。自然语言处理体现了人工智能的最高任务与境界，只有当计算机具备了处理自然语言的能力时，机器才算实现了真正的智能。2．自然语言处理在金融领域的主要应用现状从应用角度来看，自然语言处理具有广泛的应用前景。其应用包括：机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息检索、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等。①语音识别语音识别技术是解决语音大数据实际应用问题的重要技术。基于语音识别进行语音大数据分析的关键技术包括：文本转写、关键词提取、语音情绪识别、语义理解。通过运用自然语言处理技术对数据进行处理；通过挖掘海量语音大数据所蕴藏的有效价值，分析用户行为精准定位目标客户需求。在金融领域，语音识别里面的语音质检在金融方面有较大应用，在电销的时候可以通过语音质检来检测用户的情绪，从而精准的判断用户是不是对产品感兴趣，是否有想要了解更多东西的欲望。语音质检还可以用来判断客服人员的负面情绪，避免影响用户情绪，目前主要应用于贷后催收系统的催收检测环节。除此以外，在信用评估上已经开始把语音作为判断用户是否故意欺诈的一个重要特征。例如，中腾信的智能质检系统已应用该技术识别语音转化成文字，来降低人工成本，有效约束催收员的催收行为。②文字识别计算机文字识别，俗称光学字符识别，是利用光学技术和计算机技术把印在或写在纸上的文字读取出来，并转换成一种计算机能够接受、人又可以理解的格式。在消费金融的风控领域，捷信在2017年进一步引入了OCR光学字符识别技术，不仅大大简化了申请、审批流程——审批用时平均不到一分钟，也确保了客19户信息的准确性和可靠性，大幅提升了风控水平。4）大数据抓取与数据处理1．大数据技术基本概念大数据技术是通过对海量数据进行数据整合、数据预处理、数据校对等方式把结构化数据以及非结构化数据进行清洗、抽取、转换成需要的数据、同时还可以保障数据的安全性以及完整性。2．在消费金融风控领域的主要应用现状大数据技术是消费金融风控系统的基础，通过应用大数据技术，整合互联网数据、合作数据、企业数据和历史数据，应用多级风控模型进行贷前、中、后的风控量化和智能化。目前，大数据抓取及数据处理技术主要应用于贷前“白名单”筛选、反欺诈模型、信用评分等环节。①“白名单”主动预授信在消费金融中，银行、互联网金融等机构采用风控前置的白名单邀请制，商业银行将主动授信用于实际业务，这是对以往被动授信模式的颠覆。例如，工商银行消费金融业务利用大数据技术筛选出白名单用户，截止到2018年3月底白名单用户接近9000万。这一措施可提前判断“白名单”客户的还款意愿、还款能力，进行预授信。②反欺诈模型对于反欺诈，一般采用多种策略综合验证打击欺诈攻击。解决方案包括：设立反欺诈“黑名单”，拦截有不良欺诈记录的申请者，数据来源于央行征信系统、公安联网系统、前海征信或同盾等专业从事反欺诈的第三方数据；对群体性欺诈攻击，进行集群分析，利用SAS链式聚类技术，实现无限层次申请链接分析；中文模糊匹配搜索，大型金融机构会选择建立反欺诈系统或欺诈分，通过模糊搜索判断欺诈客户；逻辑违规算法，将多个弱相关变量，放在一起建模，由于反欺诈的变量多，但变量相关性不强，需要综合建模来看整个模型的有效性。例如，工商银行采用的消费金融实时反欺诈系统；蚂蚁花呗依托蚂蚁金服自主研发的智能实时风控系统（CTU系统），建立了一套严密的反套现、反诈骗体系；百融金服依托大数据打造的百融策略引擎等。③信用评分模型20信用评分模型是金融机构应用较为成熟的风险计量工具。早在20世纪40年代，美国有些银行就开始尝试性研究信用评分方法，用于快速处理大量信贷申请。目前，国内信用评分模型包括收入计算模型、额度计算模型、人行评分模型等，从多个维度判断客户的授信额度。例如，新网银行信用评分模型，百融贷前策略引擎打造的信用评分子模块等均采用大数据技术。5）基于大数据的用户画像1．用户画像技术的基本概况用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。给用户“打标签”是用户画像的核心所在，每一个标签通常是人为规定的具有唯一特征标识，用高度凝练的标签描述一类人，例如用户的基本信息、兴趣爱好等，不同的特征标签通过结构化的数据体系整合起来，就可以组合出各不相同的用户角色。对于消费金融企业而言，用户画像本质就是从企业业务角度出发对用户进行分析，了解用户特征，发现用户需求，寻找目标客户。另外一个方面就是，互联网金融企业利用统计信息，开发出适合目标客户的产品或服务。由于拥有大量的用户信息和交易数据，互联网金融企业是最早开始用户画像的行业，它们希望通过用户画像来为用户提供合适的产品或服务。2．用户画像技术在金融领域的应用①挖掘潜在用户，为用户提供个性化的产品和服务金融机构可以通过收集利用大量的用户数据，对用户进行分类并画像，从而进行精准营销并提供个性化的产品和服务。目前，互联网金融领域的数据主要有四个来源渠道：一是互联网中的交易数据，包括第三方支付数据、电商购物数据以及生活服务类的缴费数据；二是QQ、微信、微博等社交大数据；三是信用卡以及银行卡大数据；四是互联网中的征信大数据，如阿里巴巴旗下的芝麻信用、腾讯旗下的腾讯信用等。②对用户进行风险管理利用大数据实时监控用户的交易行为，比如监测用户输入每个字母的间隔时间、地理位置的移动、交易行为、交易次数、交易金额等，与用户的画像进行对比，看是否是本人操作，可以有效保障用户的资金安全。余额宝利用支付宝的大数据，对资金赎回客户进行画像，掌握了几千万客户申购赎回情况、客户结构、客户行为规律，对客户申购赎回规律做出预测，并做好预案化解流动性风险。例21如中腾信就基于运营商数据构建关系图谱，用于识别团伙欺诈风险。三、风控技术创新的应用案例分析近年来，随着大数据、云计算和人工智能技术应用的推广，传统银行、互金机构、新型银行、消费金融科技服务企业等机构涌现出一批消费金融风控创新的优秀企业，下面我们按照机构类型对典型风控技术创新案例进行解析。1）工商银行反欺诈风控系统近年来，工商银行在构建外部欺诈风险信息系统的基础上，进一步收集全行风险大数据并挖掘处理，通过关联业务分析和数据可视化建设，基于风险大数据重构了银行风控体系。1．基于大数据抓取与处理智能实时反欺诈系统工行在诈骗信息的入口端严防死守，于2015年10月18日着手投产互联网金融风险监控系统，截止到目前已经形成较为完善的体系。图8工商银行消费金融智能实时反欺诈系统资料来源：工商银行金融城制作截至2017年7月31日，该系统已部署近300条监控规则，快速灵活。22图9智能实时反欺诈监控规则及监控模型资料来源：工商银行金融城制作柔性智能风控：建立分级策略，根据风险程度实施差异化干预措施，实现了电话核实、短信核实、身份信息验证、直接拒绝等12种欺诈交易干预策略。图10智能实时反欺诈柔性智能风控系统资料来源：工商银行金融城制作可视化风险监测：监测客户交易行为，快速洞察风险。追溯不法分子欺诈行为路径，实现各省份、各渠道、各类欺诈方式的风险流向监控。2．工商银行大数据风控成果工商银行互联网金融风险监控系统自2015年10月18日投产以来，经过不断完善，截至2017年7月31日，累计成功拦截欺诈交易9.88万笔，避免客户损失2.28亿元。232）京东金融安全魔方反欺诈系统京东金融是一家包含支付、消费金融、小贷、供应链金融、财富管理等业务的综合性互联网金融企业，从前端场景里积累了大量数据，这些数据不仅数量庞大而且类型也多，这使得京东金融可以利用自身的数据建立风控模型。目前，京东金融已经建立了一整套基于数据的完善的风控模型和体系，如天盾账户安全、安全魔方反欺诈系统。该系统聚焦实时账户行为，基于账户历史行为模式、当前操作行为和设备环境，使用先进的设备指纹技术，对白条账户实现账户安全等级、环境安全等级、行为安全等级的评价，防范账户被盗、撞库、恶意攻击等风险。同时，在用户注册、登录、下单、支付等环节建立全流程风险监控，形成反欺诈网络，从而让普通用户继续享受便捷服务，让欺诈份子作案成本不断提高。1．基于生物特征识别技术的大数据风控体系京东金融发布的安全魔方，利用京东特有的数据以及生物识别、机器学习技术，集智盾、智真、智数、智策、智慧于一身。值得一提的是安全魔方用到的生物探针、人脸识别等技术，可以识别风险用户。图11京东金融安全魔方系统资料来源：京东金融金融城制作生物探针技术是建立在大数据风控和生物识别技术基础上，从多个维度去甄别用户的技术。例如，通过生物探针技术，京东金融可以通过用户的行为去判断这个人是否为风险用户，实现用户的身份判定。打个比方说，就是可以通过按压力度、设备仰角、手指触面、线性加速度、触点间隔等行为数据，通过机器学习计算专属行为模型，用于识别是否本人操作。同样，基于大数据驱动，安全魔方还可以结合不同场景的客户风险画像，“智数”可以识别用户风险等级。目前这项技术已经被应用于京东金融的反欺诈和防盗刷的场景之中。24京东金融的人脸识别技术已经被成熟应用在登陆、授信、支付、反欺诈，还有营销的各个领域上面。无论是照片、视频还是3D建模成的人脸，系统可以精准的识别出来，而无需要求客户像传统的活体识别那样来回动来动去，提升了客户的服务体验。2．京东金融安全魔方的风控成果京东金融安全魔方能够对申请欺诈、信用欺诈、账户盗用、洗钱、羊毛党、虚假交易等行为进行有效防范。截至2017年，不论是支付类业务资损率，还是信贷类业务的逾期率，京东金融均位居全行业最低行列。2017年累计监控拦截高风险订单超过数亿元，通过大数据资源，使各类大数据模型和策略，建立了强大的天盾、天网等风控系统，对诈骗、套现等行为进行坚决打击。3）蚂蚁花呗智能套现识别系统CTU系统是蚂蚁金服风险管理的核心系统，通过数据分析、数据挖掘进行机器学习，自动更新完善风险监控策略。CTU系统涉及的技术除了常见的短信验证、安保问题验证、设备及银行卡信息验证、历史交易数据验证外，还应用到了最新的指纹、人脸、虹膜等生物技术来提高验证的可靠性。1．基于生物识别、机器学习和大数据处理的套现识别系统一直以来，在打击利用“花呗”非法套现及诈骗方面，依托蚂蚁金服自主研发的智能实时风控系统（CTU系统），蚂蚁花呗打造基于海量数据的智能风控大脑、反欺诈决策引擎以及合作伙伴的联防联控机制的反套现风控系统。图12基于生物识别和大数据处理的套现识别系统资料来源：蚂蚁金服金融城制作每天有上亿笔交易在支付宝平台产生，最高峰值每秒有8万多笔交易。每笔25交易，CTU系统都会进行8次风险检测：通过网络环境、使用设备、和本人此前的使用习惯等多个纬度，来判断是否本人在使用这个账户，并在此基础上再判断资金、个人隐私、相关数据有无风险。整个过程耗时100毫秒，既保障安全，又不会干扰到用户的操作。CTU系统还实时监测交易中的每一个细节，分析买家、卖家的信息，以及历史交易信息等，通过数十个反欺诈反套现风控模型，可以在毫秒级别的时间尺度內识别出有套现或欺诈风险的交易，并进行拦截。图13反套现政策：基于机器学习技术的在线自动迭代风控体系资料来源：蚂蚁金服金融城制作另外，CTU系统还会主动“学习”，随时迭代风控模型，识别最新的骗术。目前反套现的系统成功监控率高于98%。2．蚂蚁花呗智能反套现风控成果CTU系统利用近8000条规则、80个模型来进行风险识别、分析、管控，在节约运营成本的同时，最大限度地提高了安全性、降低了打扰率。数据显示，引入CTU系统后，1、案件识别系统的响应速度由200ms减少到100ms；2、可信平台的交易直接放行率由原有的44%提升至90%；3、资损率从2013年0.0034%下降至2015年0.0005%。而依托蚂蚁金服CTU系统设立的蚂蚁花呗防火墙，截止到2017年，已经拦截了数十万笔可疑交易，阻止了数亿元的损失，将绝大多数的疑似诈骗交易拦截在事前。264）新网银行全流程风控系统2016年12月，新网银行正式筹建成功，作为全国三家互联网银行之一，新网银行是全国第一家以全在线、实时风控模式作业的银行，也是首批将机器学习技术全面运用到零售信贷实践中的银行。新网银行是一家由数据驱动的银行（DataDrivenBank），依靠数据和技术来驱动业务运营，实现金融和科技的融合。通过大数据、云计算、人脸识别、生物探针、深度学习等多种金融科技及风控技术，实现业务全在线化运营。目前新网银行已经可以通过金融科技对完全陌生的客户进行精准画像和风险扫描。图14新网银行数字风控解决方案资料来源：新网银行金融城制作1．基于大数据用户画像技术的贷前风险识别依托与众多平台机构合作获得多元化的流量和多维度的大数据支撑，建立了基于数据交换平台、实时处理平台、数据集成平台、数据开发和管理平台、即席查询平台的大数据平台，实时挖掘、分析数据。一旦用户进行线上申请，在其同意并授权的情况下，将多个渠道采集而来的脱敏数据汇入智能决策引擎系统，从身份、关系、职业、资产、黑名单、操守、意愿、教育八个维度对借款人进行还款能力与意愿判定。同时，新网银行还构建了包括信用评分模型、履约能力指数模型、恶意透支指数模型、消费倾向模型、资金需求指数模型、个人稳定性指数模型、社交活跃度模型、网络使用倾向模型、游戏沉迷指数模型共九大模型在内的风控系统。这九大主要模型又各自有三百多27个子模型，每个子模型又有数千个风险计量、风险判断因子，能实时评估风险，为风险画像，从而甄别客户的信用情况。图15新网银行大数据风控数据收集与管理资料来源：新网银行金融城制作2．基于机器学习技术的贷中决策迭代体系新网银行依托自主研发的实时反欺诈系统对贷款客户实施反欺诈风控。整个决策系统不但拥有传统银行类风险模型，也锐意进取借力人工智能试点机器学习信用模型，如GBDT（梯度提升决策树）模型。同时，新网银行风险政策团队也创新式地借鉴了美国科技企业广泛使用的AB测试框架，同时在线对比多组授信策略的表现，根据实际表现自动切换流量，达到授信策略快速迭代和不断地自我更新，从而能够更精准的识别风险。3．基于大数据、机器学习技术的贷后预警催收系统新网银行依托大数据和人工智能构建“贷后预警”、“智能催收”风控体系，依靠精准、理性、基于大数据的沉淀，在贷后环节上进行全面的智能监控，增强对客户的认知，最终指导贷后管理。新网银行的智能催收体系与贷后预警是直接相关的。当系统识别出现不良之后，催收系统会生成相应的自动催收方式，例如短信提醒、智能呼叫、人工或者其他方式给客户进行催收，整体实现智能化甄别、催收流程。4．新网银行大数据风控成果目前新网银行的人工智能已经迭代到2.0阶段，在风险控制、系统建模层面已经得到了较好的验证，很多风控模型已经实现非人工干预，机器自主学习，自动根据客户的情况和风险状况进行迭代，目前达到2次/月的更新频次。截至2017年年末，新网银行反欺诈系统有效阻断了60万次风险欺诈攻击，28确保业务安全、平稳推进；目前无一起欺诈损失事件发生，欺诈损失率0%；好