论文部分内容阅读
互联网金融让快速交易成为可能，但如果没有做好风控，势必酿成巨大的风险，而数字和科技恰恰是做好风控的核心。
金融科技无疑是2016年互联网金融领域最火热的一个词语。特别是2016年11月的乌镇世界互联网大会上，“数字普惠金融”和“金融科技”这两个概念被提及的频率大大高于往届。
既然要做到数字和科技，必然需要依靠大数据。此前，借贷宝“裸条”事件的曝光，也暴露了在互联网金融行业里，不少企业的风控手段非常初级，甚至是“简单粗暴”。互联网金融让快速交易成为可能，但如果没有做好风控，势必酿成巨大的风险，而数字和科技恰恰是做好风控的核心。
想要做好风控，往往要建立一套完善的风控模型，用来计算平台能够承受哪些风险等级的客户，将各种金融交易的风险控制在合理范围内，使衍生品市场交易能够稳定运行，尽可能地减少波动。如今，虽然蚂蚁金服、微众银行、百度金融、网易金融、京东金融等都是依靠大数据进行风控，但各平台的做法有很多细节上的差别。
蚂蚁金服：智能风控大脑
毫无疑问，蚂蚁金服在金融科技领域一直处于领头羊的位置。蚂蚁金服的大数据处理能力很强，其中有一套CTU，即基于海量数据的智能风控大脑，是蚂蚁金服的工作核心。
智能风控大脑的工作流程主要是判断发起请求的是否为账户主人。CTU的判断内容主要包括是否是可信的行为、可信的位置、可信的设备及可信的关系。如果这些维度都可信，再判断资金、个人隐私、相关数据有无风险。判断依据是我们所熟知的支付宝、余额宝、招财宝、芝麻信用、网商银行等业务数据。
阿里在金融体系的数据基础非常强大，特别是依靠淘宝、天猫等电商平台所积累起来的电商数据，对个人用户的消费能力有很强的洞悉能力。用户的电商消费记录、旅游消费记录及加油消费记录都可作为评估其信用的依据。有的互联网金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，就可以借助工具将客户的历史消费数据全部抓取并进行汇总和评分。
芝麻信用的最大作用就在于此，再加上其打通了微博等社交平台，社交数据也在逐渐补足。目前，蚂蚁金服的数据包括在线购物、与他人资金往来、信用卡还款、资金理财、公用事业费缴纳、房屋租赁或买卖、跳槽情况、婚姻状态、社交关系等，从用户的信用历史、行为偏好、履约能力、身份特质、人际关系等方面获取。
更重要的是，蚂蚁金服的数据逐渐在向传统金融机构开放，一方面通过传统金融机构获取数据，另一方面和传统金融机构合作。当然，蚂蚁金服也存在数据短板，前段时间的“支付鸨”事件可以从侧面证明，蚂蚁金服试图进一步挖掘社交数据，完善其风控体系。
微众银行：识别“坏客户”
在微众银行看来，海量客户可以确保资产结构的稳定。当达到上亿级用户量时，信用风险就是可以接受的社会平均风险，微众银行要做的就是在社会平均风险下挑出“坏客户”，进一步降低风险。
其实，“坏客户”的数据都掌握在征信公司的手中。目前，市场上有近百家公司从事个人征信的相关工作，其主要商业模式是反欺诈识别、灰名单识别及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有近1000万条左右的黑名单数据，大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单仅在200万条左右。
腾讯不仅与征信公司合作，旗下的微众银行也通过以下几个模型识别“坏客户”：微信社交、QQ社交、财付通交易数据、央行资产负债与还款状况，以及是否急需资金。总体来看，微众银行最大的优势在于腾讯的社交数据：一方面通过和微信结合推出微信支付，和QQ结合推出QQ钱包，用社交的方式带动金融；另一方面通过社交数据及用户在银行的资产数据来判定用户的信用情况。
不过，由于缺乏用户在衣、食、住、行等电商、O2O、生活服务场景的数据，微众银行正通过加强与O2O平台合作的方式积累用户的消费数据，以完善平台自身的数据风控体系。相比蚂蚁金服，微众银行的数据优势主要在于社交体系中的强大数据积淀。
百度金融：主动预警捕捉高危行为
互联网金融公司在利用大数据进行风控时，大多是利用多维度数据来识别借款人的风险。与信用相关的数据越来越多地被用于借款人风险评估，借款人的信用风险被揭示得越充分，信用评分就更加接近借款人的实际风险。
百度金融主要是打通了“人+手机+设备+IP”（如手机号、身份证号、设备号、网络账号等）等关联维度，基于全网行为进行监测，捕捉高危行为特征，在贷前准入方面就开始排查风险，并进行反欺诈识别，生产黑名单，对借款人的行为进行预测。在贷款后，也会对借款人的贷后行为进行跟踪和监测，只要触发预警规则，也会激发提醒。
其实，百度金融这种做法的逻辑和微众银行非常相似，思路都是找到“坏客户”，然后降低平均风险。此前，百度金融还与中信银行合作成立“百信银行”，共同开发金融产品。实际上，这种做法一方面是为了获取渠道；另一方面也是双方互相补足征信数据的一种有效方式。此外，百度旗下的O2O业务也能为其数据积累奠定一定的基础。
在金融业务和风险控制这两方面，金融机构具有天然优势。金融是一个强监管和门槛较高的行业，金融机构多年积累的风险甄别能力，以及对金融的理解和产品设计能力，是很难被互联网公司所取代的。百度金融和中信银行之间的合作关系无疑是百度所建立的一个强大壁垒。
网易金融：构建北斗七大风控模型
相比于蚂蚁金服依靠“大而全”的数据构建风控体系，以及微众银行、百度金融的滤网型风控体系，网易金融更注重构建全流程的风控体系，并在关键节点进行风险控制。
网易北斗是网易金融构建的智能风控平台，其风控流程和其他平台相似，分为贷前、贷中、贷后3个部分。但网易北斗把贷前、贷中、贷后划分得更加细致：在贷前做了获客引流模型、反欺诈型模型及风控授信模型，构建了筛选机制；在贷中做了信贷管理模型，确定放贷的金额及调查还贷能力等；在贷后还增加了风险预警模型、云催收模型和用户增值模型。这样一来，一方面可以防止出现坏账的情况；另一方面也是在判斷用户未来的业务合作及增值空间，为后续的二次贷款做好准备。 网易金融不仅完善了平台的风控体系，还通过和银行、传统金融机构合作赋能的方式释放自身的大数据风控能力：一是做了魔镜精准营销服务平台这一大数据一站式精准智能营销系统，帮助传统金融机构获客及精准营销；二是通过网易七鱼这一全智能云客服专家系统，帮助传统金融机构解决各项问题，让银行提升审批效率并降低成本。在获客和解决问题的同时，网易金融的深度学习系统也在不断提升，并且未来很可能与这些金融机构在数据方面有更多的合作。
虽然网易金融在大数据风控方面的能力和蚂蚁金服有一些差异，但在2016年9月，清华大学在与网易金融建立金融科技中心的基础上，和蚂蚁金服也签署了合作协议，使网易金融事实上与蚂蚁金服在风控层面有了一些数据上的合作，这对于双方的大数据积累及风控能力提升都将起到一定程度的帮助作用。
此外，魔镜精准营销服务平台及网易七鱼的云客服专家系统也体现了网易金融在智能风控领域注重实用性的一面。
京东金融：一手靠消费一手靠合作
京东主要是依靠消费金融来驱动风控，以京东商城庞大的交易数据为基础，覆盖了物流、用户等京东生态体系内的所有有效数据，不断构建大数据基础及风控系统。
2015年6月，京东投资了美国互联网金融公司ZestFinance，且成立名为JD-ZestFinanceGaia的合资公司，以将后者的信用模型应用于京东的消费金融体系和风控模型。京东在国内的合资风控公司也即将开业，参股公司还包括数据银行聚合数据、个人信贷风控公司聚信立。综观这一系列布局，可以看出京东在通过这种合作方式不断完善平台自身的数据。
在京东生态圈之外，京东金融通过各种合作、投资模式，不断获取更多的生态数据。例如，京东金融投资了不少汽车租赁平台，从而切入汽车后市场。另外，京东还与百安居等家装平台进行了合作。京东一方面是在支付、供应链、产品众筹等领域和合作伙伴展开合作，另外一方面也是在通过合作、投资的方式不断拓展到生态体系外的其他场景之中，从而丰富自家平台的数据。
根据京东的数据统计，“投资+合作”这两种方式已经让其覆盖了教育、租房、装修、旅游、汽车等众多消费场景，囊括了近2000家京东商城的供应商，这对于京东风控能力的提升无疑将有较大帮助。
2016年，互联网金融行业进入了以金融科技为潮流的转型期，技术逐渐成为平台的核心竞争力，拥有技术和数据优势的平台将在行业竞争中脱颖而出。从国内主流互联网金融企业的整体情况来看，目前各家都处于信用数据的收集期和积累期，采用用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。随着BAT、网易、京东等平台的持续深入，国内互联网金融市場的环境也将不断改善。
金融科技无疑是2016年互联网金融领域最火热的一个词语。特别是2016年11月的乌镇世界互联网大会上，“数字普惠金融”和“金融科技”这两个概念被提及的频率大大高于往届。
既然要做到数字和科技，必然需要依靠大数据。此前，借贷宝“裸条”事件的曝光，也暴露了在互联网金融行业里，不少企业的风控手段非常初级，甚至是“简单粗暴”。互联网金融让快速交易成为可能，但如果没有做好风控，势必酿成巨大的风险，而数字和科技恰恰是做好风控的核心。
想要做好风控，往往要建立一套完善的风控模型，用来计算平台能够承受哪些风险等级的客户，将各种金融交易的风险控制在合理范围内，使衍生品市场交易能够稳定运行，尽可能地减少波动。如今，虽然蚂蚁金服、微众银行、百度金融、网易金融、京东金融等都是依靠大数据进行风控，但各平台的做法有很多细节上的差别。
蚂蚁金服：智能风控大脑
毫无疑问，蚂蚁金服在金融科技领域一直处于领头羊的位置。蚂蚁金服的大数据处理能力很强，其中有一套CTU，即基于海量数据的智能风控大脑，是蚂蚁金服的工作核心。
智能风控大脑的工作流程主要是判断发起请求的是否为账户主人。CTU的判断内容主要包括是否是可信的行为、可信的位置、可信的设备及可信的关系。如果这些维度都可信，再判断资金、个人隐私、相关数据有无风险。判断依据是我们所熟知的支付宝、余额宝、招财宝、芝麻信用、网商银行等业务数据。
阿里在金融体系的数据基础非常强大，特别是依靠淘宝、天猫等电商平台所积累起来的电商数据，对个人用户的消费能力有很强的洞悉能力。用户的电商消费记录、旅游消费记录及加油消费记录都可作为评估其信用的依据。有的互联网金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，就可以借助工具将客户的历史消费数据全部抓取并进行汇总和评分。
芝麻信用的最大作用就在于此，再加上其打通了微博等社交平台，社交数据也在逐渐补足。目前，蚂蚁金服的数据包括在线购物、与他人资金往来、信用卡还款、资金理财、公用事业费缴纳、房屋租赁或买卖、跳槽情况、婚姻状态、社交关系等，从用户的信用历史、行为偏好、履约能力、身份特质、人际关系等方面获取。
更重要的是，蚂蚁金服的数据逐渐在向传统金融机构开放，一方面通过传统金融机构获取数据，另一方面和传统金融机构合作。当然，蚂蚁金服也存在数据短板，前段时间的“支付鸨”事件可以从侧面证明，蚂蚁金服试图进一步挖掘社交数据，完善其风控体系。
微众银行：识别“坏客户”
在微众银行看来，海量客户可以确保资产结构的稳定。当达到上亿级用户量时，信用风险就是可以接受的社会平均风险，微众银行要做的就是在社会平均风险下挑出“坏客户”，进一步降低风险。
其实，“坏客户”的数据都掌握在征信公司的手中。目前，市场上有近百家公司从事个人征信的相关工作，其主要商业模式是反欺诈识别、灰名单识别及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有近1000万条左右的黑名单数据，大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单仅在200万条左右。
腾讯不仅与征信公司合作，旗下的微众银行也通过以下几个模型识别“坏客户”：微信社交、QQ社交、财付通交易数据、央行资产负债与还款状况，以及是否急需资金。总体来看，微众银行最大的优势在于腾讯的社交数据：一方面通过和微信结合推出微信支付，和QQ结合推出QQ钱包，用社交的方式带动金融；另一方面通过社交数据及用户在银行的资产数据来判定用户的信用情况。
不过，由于缺乏用户在衣、食、住、行等电商、O2O、生活服务场景的数据，微众银行正通过加强与O2O平台合作的方式积累用户的消费数据，以完善平台自身的数据风控体系。相比蚂蚁金服，微众银行的数据优势主要在于社交体系中的强大数据积淀。
百度金融：主动预警捕捉高危行为
互联网金融公司在利用大数据进行风控时，大多是利用多维度数据来识别借款人的风险。与信用相关的数据越来越多地被用于借款人风险评估，借款人的信用风险被揭示得越充分，信用评分就更加接近借款人的实际风险。
百度金融主要是打通了“人+手机+设备+IP”（如手机号、身份证号、设备号、网络账号等）等关联维度，基于全网行为进行监测，捕捉高危行为特征，在贷前准入方面就开始排查风险，并进行反欺诈识别，生产黑名单，对借款人的行为进行预测。在贷款后，也会对借款人的贷后行为进行跟踪和监测，只要触发预警规则，也会激发提醒。
其实，百度金融这种做法的逻辑和微众银行非常相似，思路都是找到“坏客户”，然后降低平均风险。此前，百度金融还与中信银行合作成立“百信银行”，共同开发金融产品。实际上，这种做法一方面是为了获取渠道；另一方面也是双方互相补足征信数据的一种有效方式。此外，百度旗下的O2O业务也能为其数据积累奠定一定的基础。
在金融业务和风险控制这两方面，金融机构具有天然优势。金融是一个强监管和门槛较高的行业，金融机构多年积累的风险甄别能力，以及对金融的理解和产品设计能力，是很难被互联网公司所取代的。百度金融和中信银行之间的合作关系无疑是百度所建立的一个强大壁垒。
网易金融：构建北斗七大风控模型
相比于蚂蚁金服依靠“大而全”的数据构建风控体系，以及微众银行、百度金融的滤网型风控体系，网易金融更注重构建全流程的风控体系，并在关键节点进行风险控制。
网易北斗是网易金融构建的智能风控平台，其风控流程和其他平台相似，分为贷前、贷中、贷后3个部分。但网易北斗把贷前、贷中、贷后划分得更加细致：在贷前做了获客引流模型、反欺诈型模型及风控授信模型，构建了筛选机制；在贷中做了信贷管理模型，确定放贷的金额及调查还贷能力等；在贷后还增加了风险预警模型、云催收模型和用户增值模型。这样一来，一方面可以防止出现坏账的情况；另一方面也是在判斷用户未来的业务合作及增值空间，为后续的二次贷款做好准备。 网易金融不仅完善了平台的风控体系，还通过和银行、传统金融机构合作赋能的方式释放自身的大数据风控能力：一是做了魔镜精准营销服务平台这一大数据一站式精准智能营销系统，帮助传统金融机构获客及精准营销；二是通过网易七鱼这一全智能云客服专家系统，帮助传统金融机构解决各项问题，让银行提升审批效率并降低成本。在获客和解决问题的同时，网易金融的深度学习系统也在不断提升，并且未来很可能与这些金融机构在数据方面有更多的合作。
虽然网易金融在大数据风控方面的能力和蚂蚁金服有一些差异，但在2016年9月，清华大学在与网易金融建立金融科技中心的基础上，和蚂蚁金服也签署了合作协议，使网易金融事实上与蚂蚁金服在风控层面有了一些数据上的合作，这对于双方的大数据积累及风控能力提升都将起到一定程度的帮助作用。
此外，魔镜精准营销服务平台及网易七鱼的云客服专家系统也体现了网易金融在智能风控领域注重实用性的一面。
京东金融：一手靠消费一手靠合作
京东主要是依靠消费金融来驱动风控，以京东商城庞大的交易数据为基础，覆盖了物流、用户等京东生态体系内的所有有效数据，不断构建大数据基础及风控系统。
2015年6月，京东投资了美国互联网金融公司ZestFinance，且成立名为JD-ZestFinanceGaia的合资公司，以将后者的信用模型应用于京东的消费金融体系和风控模型。京东在国内的合资风控公司也即将开业，参股公司还包括数据银行聚合数据、个人信贷风控公司聚信立。综观这一系列布局，可以看出京东在通过这种合作方式不断完善平台自身的数据。
在京东生态圈之外，京东金融通过各种合作、投资模式，不断获取更多的生态数据。例如，京东金融投资了不少汽车租赁平台，从而切入汽车后市场。另外，京东还与百安居等家装平台进行了合作。京东一方面是在支付、供应链、产品众筹等领域和合作伙伴展开合作，另外一方面也是在通过合作、投资的方式不断拓展到生态体系外的其他场景之中，从而丰富自家平台的数据。
根据京东的数据统计，“投资+合作”这两种方式已经让其覆盖了教育、租房、装修、旅游、汽车等众多消费场景，囊括了近2000家京东商城的供应商，这对于京东风控能力的提升无疑将有较大帮助。
2016年，互联网金融行业进入了以金融科技为潮流的转型期，技术逐渐成为平台的核心竞争力，拥有技术和数据优势的平台将在行业竞争中脱颖而出。从国内主流互联网金融企业的整体情况来看，目前各家都处于信用数据的收集期和积累期，采用用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。随着BAT、网易、京东等平台的持续深入，国内互联网金融市場的环境也将不断改善。