本文共字，预计阅读时间。

2020年，金融科技从战略走向全面落地。

随着国内金融监管政策的趋严，传统信贷业务利润空间进一步收窄，朝着自营业务和自主风控方向发展成为金融机构在新的发展趋势下的必由之路。

金融的本质就是风险管理。面对自主风控需求的升级，如何利用数据模型更好地识别客户需求与风险点，并输出相应的风控策略，解决自身在不同落地场景中的痛点，是金融机构亟需解决的核心问题。

融慧金科CEO王劲指出，数据规范和治理体系不健全，数据质量差且缺失率高，技术能力不足，复合型科技人才匮乏等因素都是银行等金融机构无法做好模型的重要原因。“在当前金融监管政策变化多端的背景下，金融机构最重要的是做好资源整合，因为自建路径成本最高，效果却不一定最好。”在王劲看来，合作共赢才是持牌机构快速构建好自主风控能力的最佳选择。

“实际上，风控模型中常用的技术算法在全世界都是通用的，关键在于过程中所沉淀下来的理念和方法论”。融慧金科CEO王劲强调。

一、风控建模挑战重重，落地实践经验沉淀

数据资源壁垒、自有数据累积、数据特征提炼、算法模型提升是大数据风控目前所面临四大困境。某商业银行负责人曾表示，在模型建设和模型应用过程中普遍存在数据质量问题，包括外部数据的造假（黑产欺诈）和内部数据的滥用等，在模型迭代方面，很多银行只追求迭代的速度和频次，而忽略了最终效果。

得益于多年在美国运通和百度金融的模型实践，王劲总结了许多宝贵经验。

首先，他认为模型的效果，80%来自于数据的提升，20%来自于算法的提升，其中数据起着决定性作用。俗话说“巧妇难为无米之炊”，拥有丰富的数据储备如同厨师拥有最新鲜且多样的食材，只有坐拥好的原材料，才能做出个性化口味的菜肴。在数据质量可控、数据质量有保证的情况下，引入更丰富、更多维度的优质数据加入到模型中，对模型的提升是非常重要的。

其次是要有扎实的模型基础，比如优质的数据，需要具备准确度高、时效性好、相关性强等特点，建模平台则需要拥有非常完善的功能，以保证建模服务效率，不仅如此，还需要7x24小时实时监控及预警，以保障数据质量稳定，若出现问题不能及时发现并处理，将会影响机构最终决策。

“美国金融危机后，经调查是因为模型出现问题所导致，所以政府加强了对银行业的监管力度，在此背景下，我们按政府要求，创建了一个全球的模型监管和验证中心，负责全球1000多个模型的审查和验证工作。”通过多年实践，王劲认为，模型的优势与独特的数据、数据挖掘和衍生能力、建模样本的选取和处理、模型的架构、模型的迭代方法和频率均息息相关。

基于以往在美国运通、百度金融及现在融慧金科的建模经验，王劲表示，可以从五大特征去评判模型的好坏，即辨别力、精准度、稳定性、可解释性、迭代难易。在模型应用中，最具挑战的是稳定性和可解释性。比如在稳定性方面，目前有很多银行模型上线后很快就衰退了，究其原因，实际上引起模型不稳定性的因素有很多，比如模型中的因子覆盖率不高、因子与风险的关系波动、对数据加工和处理不当、表现数据选择不好、客群的变化、样本的抽样方法不正确等。而可解释性却往往被忽视，“当一个模型用到几百个变量时，特别是底层未衍生的变量时，可解释性就失去了”对此，王劲提出了两种解决方案，一是把变量划分成几大类，通过归类的方法形成一个解释性，二是把几百个变量集成几十个可解释的大变量，“不过这个非常考验集成能力，具有一定挑战性”。

还有重要的一点是数据的选择，“融慧金科对数据源的筛选要求非常严格，通过数据挖掘和清洗能力，在数据源侧提炼出衍生变量，再将这些脱敏的数据集成到定制化模型中输出给银行，这样比直接用数据源的产品更能保证稳定性、可解释性和轻迭代。”王劲称。

二、金融监管趋严，技术赋能普惠金融

今年7月，中国银保监会正式发布《商业银行互联网贷款管理暂行办法》，其中明确提出了对商业银行的风险管控要求，规范了合作机构管理。《办法》的出台，肯定了助贷行业的价值，同时也为金融机构与第三方服务商开展合作打开了市场空间。“真正的金融科技服务商应该满足大量特征数据、强大技术算法能力、专业实践经验等标准”王劲指出。

王劲介绍说，经过三年多的精细打磨，融慧金科已经拥有高质量、高覆盖、高时效的大数据和强大的数据深层挖掘能力，以及不断在实践沉淀下来的专业模型搭建体系，比如数据源管理平台，数据监控平台，模型训练验证平台，模型上线平台等一整套的体系。“基于客户的实际需求，我们可以从产品、品牌、人群、区域等不同维度来定制适合他们的模型。对于刚刚开始实施建模且技术基础比较薄弱的机构，可以帮助他们从零到一建设风控体系，而对于相对比较成熟的机构，可以帮助他们填补自身风控体系中的空白，比如融慧金科人行征信数据和决策支持平台，能够助力机构更充分地利用人行二代征信数据建设人行征信模型。”

此外，在金融强监管下，线上业务对数据管理提出了更高要求。王劲表示，当前对银行机构数据管理能力的挑战源于数据量庞大、数据类别多、数据源头杂、数据不稳定、数据覆盖有限、数据缺失率高、数据格式不规范等数据问题。部分银行机构在数据管理方面缺乏技术能力和管理经验，现有系统不够完善，导致难以支持日益变化的业务需求。对此，融慧金科的解决方案是将数据管理能力提炼成SaaS模块，直接进行技术输出，帮助各类金融机构实现全面的大数据管理。

三、创新突破，定制化模型加速“迭代”

回归到金融本质，对于传统金融机构而言，风控模型无非建立在央行征信体系基础上，而通过大数据、人工智能等技术构建的风控模型，充分挖掘了之前无法获得授信的潜在客户，这也是金融场景中最重要的创新。

王劲透露，融慧金科的定制化建模目前已在三个层面实现新突破：

第一是在数据方面，不仅拥有自己独特的互联网底层数据，还严格筛选了行业最优质的第三方合规授权数据源，通过对这些BAT量级数据的衍生和提炼，形成对用户的360°完整画像，以对客户进行全方位风险评估，比如对精准营销用户的响应、对欺诈行为的评估、对信用风险的评估等。

第二是在效率方面，融慧金科的模型平台经过多次迭代升级已达到世界一流水平，服务客户的效率大大提升，定制化建模周期最快1-2天即可完成。合作模式也比较灵活，机构可以带数据入场，在融慧金科的安全沙箱里建模；融慧也可以带数据入驻金融机构；还可以以远程形式提供服务。日前，某头部金融企业提出定制化建模需求，融慧金科从前期沟通到模型上线仅用了两周的时间，模型上线后效果表现优异，远超客户目标预期。

第三是在经验方面，通过与数十家持牌机构合作定制化风控模型，积累了非常丰富的经验，同时结合国内外建模方法，可以协助每一家机构在模型优化上做到最佳。

另外，据融慧金科定制化建模事业部负责人王凯新介绍，某头部知名互金机构自2018年就开始与融慧金科合作定制化建模服务，借助融慧金科现有数据及变量挖掘能力，以精准识别欺诈人群。合作面横跨整个模型建设的生命周期，即从样本准备、数据匹配、效果测试、模型开发到正式上线调用。合作至今，模型已经过多次迭代升级，效果表现非常稳定且持续上升，赢得了客户高度认可和信赖。今年以来，该客户还接入了融慧金科风险分HR、信用风险分等多项适用客户场景需求的标准化风控产品。

正如上文所述，面对变化多端的市场趋势，风控模型是需要不断进行迭代优化的。王劲坦言，定制化建模在落地过程中遇到的做大挑战就是正确选择样本，样本的选择会极大影响模型上线后的效果。比如模型样本最好选择短期时间内、来自相同产品和相同渠道且在稳定授信策略获取的客群，如果不满足上述条件，模型的适用性就会出现不同程度的挑战。“有些时候模型怎么也做不好，KS上不去，很多人会说变量不对或者方法不对，而事实上，往往是样本有问题。”王劲表示。

最后在谈及“风控就是平衡的艺术”理念时，王劲认为，风控的艺术在于要在产品体验和风险成本之间找平衡，这也与运通的理念一脉相承。比如用户向银行申请贷款，用户可能需要回答几十个问题，10分钟都写不完。通过风控技术优化授贷策略，用户可能只需要回答几个问题，2分钟就写完。用户体验更优，获客和留存必然更容易。

当然，风控平衡的艺术不仅仅局限于一种，在风险与经验之间、简单模型与复杂模型之间、数据与安全之间都需要找到一个平衡。对于融慧金科的2020，王劲表示，将针对利率监管的痛点难点，持续迭代提升现有产品的精准度，实现风险成本和获客成本的双降。另外，也将在客户合作中沉淀的数据、模型、系统、产品等方面的经验融合，赋能更多的金融机构。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文版权归原作者所有，如有侵权，请联系删除。