PPmoney黄顺亮博士：大数据与AI如何助力风控

　　互联网金融借助互联网跨时空的巨大优势，有效降低了金融服务的成本，拓宽了金融服务的场景，在传统金融之外开辟了一片新的天地----为传统金融机构服务难以覆盖的中小用户打开了一扇门。
　　但无论传统金融还是互联网金融，风控始终是其中的核心要素。传统金融风控的特点是面向的人群相对固定，并可以依赖央行征信系统的强金融属性数据对客群的风险做出较为准确的评价。但在互联网金融场景下，服务的人群主要是征信系统未覆盖或者难以获得其征信信息的群体，再使用传统的线下风控手段显然很难准确评估风险。大数据与人工智能(AI)的兴起，敲为互金行业的风控提供了强大的支持。
　　PPmoney万惠集团作为互金行业的先行者，在应用大数据和AI构建风控体系方面，走出了有自身特色的实践道路，构建了一套完善的风控系统灵机5S风控系统。该系统以海量多维度、异构数据为基础，多方面应用了AI的相关算法和技术，实现了营销获客、授信审批到贷后催收整个流程的智能化、自动化。
　　具体AI在风控系统流程各个环节的应用介绍如下：
　　首先，关于大数据，我们的理解是不仅仅要数据量大，更重要的是数据的维度高、形式多样。征信数据源的不同，决定了互联网金融风控的模式与传统金融风控有显著的区别。因为这些数据大多数都是非金融属性的数据，与风险之间是一种弱关联关系，所以需要更多的维度，以便更准确地评估用户风险；并且，还有大量非结构化数据需要加工处理成可以入模的结构化数据。这些都需要相应的算法和技术。
　　从征信数据源的角度来看，我们真正实现了多维度、全方位的用户画像，对用户有非常深刻而精准的认识。一般地，我们会从用户的身份特质、行为偏好、社交关系、信用历史、还款能力等多个方面对用户进行评价。这些方面涵盖了用户几千维的特征，间接但精细地刻画了用户的还款能力和还款意愿，对风险评价有极大的价值。

　　互联网金融借助互联网跨时空的巨大优势，有效降低了金融服务的成本，拓宽了金融服务的场景，在传统金融之外开辟了一片新的天地----为传统金融机构服务难以覆盖的中小用户打开了一扇门。
　　但无论传统金融还是互联网金融，风控始终是其中的核心要素。传统金融风控的特点是面向的人群相对固定，并可以依赖央行征信系统的强金融属性数据对客群的风险做出较为准确的评价。但在互联网金融场景下，服务的人群主要是征信系统未覆盖或者难以获得其征信信息的群体，再使用传统的线下风控手段显然很难准确评估风险。大数据与人工智能(AI)的兴起，敲为互金行业的风控提供了强大的支持。
　　PPmoney万惠集团作为互金行业的先行者，在应用大数据和AI构建风控体系方面，走出了有自身特色的实践道路，构建了一套完善的风控系统灵机5S风控系统。该系统以海量多维度、异构数据为基础，多方面应用了AI的相关算法和技术，实现了营销获客、授信审批到贷后催收整个流程的智能化、自动化。
　　具体AI在风控系统流程各个环节的应用介绍如下：
　　首先，关于大数据，我们的理解是不仅仅要数据量大，更重要的是数据的维度高、形式多样。征信数据源的不同，决定了互联网金融风控的模式与传统金融风控有显著的区别。因为这些数据大多数都是非金融属性的数据，与风险之间是一种弱关联关系，所以需要更多的维度，以便更准确地评估用户风险；并且，还有大量非结构化数据需要加工处理成可以入模的结构化数据。这些都需要相应的算法和技术。
　　从征信数据源的角度来看，我们真正实现了多维度、全方位的用户画像，对用户有非常深刻而精准的认识。一般地，我们会从用户的身份特质、行为偏好、社交关系、信用历史、还款能力等多个方面对用户进行评价。这些方面涵盖了用户几千维的特征，间接但精细地刻画了用户的还款能力和还款意愿，对风险评价有极大的价值。
　　其次，在风控流程的几个重要环节，包括反欺诈、贷前授信、贷中提额与风险预警、贷后管理等，我们都具体相应的AI技术应用。
　　(1)反欺诈
　　反欺诈可以说是风控的第一道关口。PPmoney网贷通过多种算法和技术的联合运用，打造了一个多方位、多角度、实时、量化的反欺诈体系。该体系以有监督学习方法建立的反欺诈评分模型为基础，辅以聚类、降维、图形分析、关系网络等方法，可以通过发现用户的异常行为来检测欺诈，从而做到提前预警，快速识别，防患于未然。其中关系网络拥有超过5000万个节点，30+亿的关系，数10亿条属性的多维数据，将看似毫无关联的人通过网络联系在一起，从中挖掘出用户潜在的信息。为用户的身份一致性验证、团伙欺诈、代办包装等提供检测支持。具有灵活扩展、快速搜索、直观展示的特点。
　　(2)贷前智能审批
　　授信审批是风控系统中最重要的一环。如何精准地对用户的信用进行评价，尽可能准确地拒绝坏人、放过好人，这始终是授信模型解决的重点问题。基于上述多维度、海量异构的用户数据，PPmoney网贷采用多种AI技术，建立了高效、准确的授信模型群。这些模型以当前先进的梯度提升树模型为基础，根据不同的数据源特点，融入了各种聚类方法、文本分析方法、深度学习方法，实现了多个模型的自由组合和灵活路由。在兼具经济性和效率的同时，大大提高了模型风险评估的准确性，使得审批通过率高，而坏账率维持在一个极低的水平。
　　(3)贷中--风险预警
　　用户的贷中风险管理始终是一个困扰风控业务的难题。PPmoney网贷人工智能团队，利用丰富的埋点数据和用户还款行为记录，采用基于LSTM的循环神经网络(RNN)，建立了对用户贷中行为的评价模型。该模型创新性地利用还款行为数据结合众多埋点的行为数据，预测用户未来的逾期概率。通过分析数据的特点，模型加入长短时记忆(LSTM)克服RNN对长跨度时间可能会有梯度消失或爆炸等问题，使得模型取得了较好的效果。同时，该模型还可以用于对用户额度的调整(贷中调额)以及再贷评估等业务。
　　(4)贷后智能催收
　　贷后管理系统是一个综合性的系统。AI部门针对贷后催收业务，先后开发与采用了贷后催收评分模型、智能分案模型、智能外呼、智能质检等多个模块的模型，实现了催收的高度自动化，并有效提升了催收效果。
　　催收评分模型综合用户申请数据、贷后还款行为数据、催收数据以及催收部门反馈的高风险用户特征进行建模，把催收用户进行合理的分级，为智能分案提供了基矗
　　智能分案的核心目的是资源的优化配置，让最合适的人在最合适的时间通过最合适的施压力度催收最合适的案子。智能分案需要将催收策略与模型匹配、催收员情况与案件难易情况进行匹配，实现资源最优化配置，达到自动催收、精准催收的效果。
　　PPmoney网贷的智能外呼系统也在不断升级，未来将会利用先进的自然语言理解技术(NLU)，分别部署一套智能短信交互系统与智能语音交互系统，在跟用户交互的过程中，自主识别用户的意图，然后匹配或者生成流畅的应答话术。同时，智能外呼系统还将具备成熟的自主学习能力，可以从与用户的沟通过程中进行自我完善，不断增强其有效的催收能力。
　　人工外呼借助用户画像技术，充分了解催收用户的典型特点，有针对性地进行催收。不同特点的用户，采用不同的沟通交流方式，使用不同的谈话技巧，有效提升人工催收效率。
　　智能质检机器人是AI在催收领域的另一个重要应用，它可以实时对外呼通话进行监控，实时捕捉催收员的情感状态、态度、不合规话术、敏感词等，实时进行监控预警及评价，覆盖面广也避免了滞后性。
　　最后，为了实现上述整个风控流程的智能化、自动化，PPmoney网贷投入大量的资金和人力开发了专业、智能的模型工程化平台。该平台实现了数据抽娶模型训练、模型测试、模型部署、模型监控、模型更新等全生命周期的自动化管理，大大简化了人工智能应用的过程、提高了模型开发的效率，降低了人工维护成本。同时，快速的模型更新也为线上模型的准确性提供了有力保障。
　　黄顺亮，山东大学控制理论与控制工程博士，加拿大University of Regina 访问教授。20年的人工智能算法研究与应用经验；发表相关专业论文近30篇；作为硕士导师、MBA导师、金融专硕导师在高校有多年的研究经历；金融企业担任算法总监，拥有丰富的大数据建模经验和应用实践。现为PPmoney万惠集团人工智能创新中心总监。