投資互金多年，風雨桀驁，不屈不撓。行業(yè)這幾年被毒打如家常便血，三天兩頭，膽戰(zhàn)心驚，為點碎銀操碎了心。一直以來，我都有兩個互金持倉，一個是360數科，另一個就是樂信。雖然數(科)九寒天，但也樂(信)此不疲，我始終認為行業(yè)春天不遠。
反正最壞的已經過了，我這個死多頭，會撐到底。
這次有機會見到喬楊老師，樂信的CRO，他是業(yè)內比較早研究、實踐大數據風控的專家，之前在Discover和京東數科擔任過管理職位，跟我也是前同事。喬老師寫過一本信用評分建模的教程叫《數據化風控》，我讀了一遍很受益，大家有興趣也可以讀一讀。
目前樂信的風控能力看起來確實比較牛逼：
為論述簡單起見，我從電商零售行業(yè)里借用一個概念，以下將平臺的借款額稱為GMV。
截止2021年Q2，樂信資產質量達到兩年最優(yōu)，首逾率只有4.92%，同比下降 40%，同時不良回收率同比上升了30%。另外一個比較核心的指標，FPD30(First Payment Default 30，指首個還款日后30天逾期的GMV除以下單月訂單GMV的比例)則達到0.62%，也刷了歷史新低。這個指標過去12個月連續(xù)穩(wěn)定在1%之下。
那么如何做到這個風控結果：用行業(yè)來說，就是在充分利用大數據的基礎上，搭建基于AI的風險管理體系。原則是最小化人的主觀因素，最小化人工操作風險。簡單論述一下：
1. 抽象數據下的AI風控
我認為現代性的本質，就是具象事物的抽象化與數據化，以便于某些人開展進一步的捕捉、管理、預測等騷操作。對于人類尊嚴這個層面，這種抽象是一種踐踏;但對工業(yè)化生產與商業(yè)效率而言，抽象的威力簡直堪比火車頭，也是現代社會的起步。藝術也是如此，你畫個逼真到堪比光學鏡頭下的照片的，這不就叫現代藝術，這是古代的照相術;而你畫的人像只有一些殘枝敗葉，才是現代藝術。
在信用業(yè)、金融業(yè)里，對于人抽象，就是給其做信用畫像(credit profile)，比較有名的比如5C模型——character, capacity, capital, collateral, conditions;又比如信用評分，從此你是不是靠譜——用馬克思韋伯的話來說——就不是一個價值理性，而近似為為一個工具理性;就不是籠統(tǒng)的好壞，而變成了多好與多壞。比如，潘驢的信用評分是720分，而鄧小閑的信用評分是660分，那么我們不僅知道潘驢的信用要比鄧小閑好，我們還能量化地知道潘驢比鄧小閑要好60分。
這個人喜不喜歡讀康德對于其會不會守約還錢有沒有影響?可能有，但影響不太大。那喜歡吃披薩而不是燒餅呢?估計沒什么影響。而對于信用卡、消費貸、現金貸這種無抵押的貸款而言，借款人的抽象無非是字段，年齡、性別、婚姻、學歷、職業(yè)、住房、居住地、貸款金額、期數，等等，并施以權重。你可以有一個長變量列表(long list)，然后將其篩選成更有區(qū)隔力與預測力的短變量列表(short list)，篩除掉諸如喜不喜歡讀康德這樣比較不C位的變量，通過正確定價或者有利于出借人的錯誤定價來賺錢。
貸中的觀察也可以用一套抽象，比如什么是壞，可以界定為違約就是壞，比如界定為未來一年內出現M2以上逾期、催收、呆賬、強停、拒往、協(xié)商，就是違約，就是壞。什么是“中性”或者“不好不壞”，比如“半年內有一次M1”就算不好不壞，無鮮明的風險特征，很難判斷好壞。這樣又是把一個價值理性問題(判斷好壞)近似成了一個工具理性問題(判斷高低)，為的就是好解決問題。
隨計算機科學的發(fā)展、人工智能的崛起、不同算法玩命兒式的迭代，這樣的數據可以越來越豐富，數據處理可以越來越精細化，策略可以越來越得心應手。樂信搭建了一整套基于人工智能的風險策略系統(tǒng)，而底層技術靠啥——大數據、人工智能、區(qū)塊鏈、云計算等等前沿科技。以下是走來的是樂信風控方陣：
但光有這些其實是不夠的的。至少在此時此刻，我們還不能完全把所有決策，都交給機器人。
2. 人類介入的管理與監(jiān)控
所以我們一定還要有一整套的有“人類專家”介入的管理體系，去監(jiān)控、管理上述一整套基于AI的策略功能體系。比如樂信怎么做，他們搭建了一套可以認為干預的系統(tǒng)，分析、監(jiān)控并預警風險，完成按天、按周、按月一整套的追蹤預警分析機制。
以下這段話喬陽老師說得很到位，我就直接引用了。
“比如在‘ 按天’這個維度上，可以對實時壞帳率有一個預測，比如對風險指標的一些目標進行走勢的預測，包括核心指標影響力的自動化評估，在周期里我們可能基于大盤各業(yè)務進行收益的復盤，在每月的維度，我們可以去根據人群的風險識別以及策略效能進行管控。
有了這套系統(tǒng)，基于我們的壞帳預測，我們能夠把我們的策略、模型價值、用戶管理、催收運營，這一系列指標拆分到天的維度，基于我們的體系，按天的維度去追蹤我們目標達成是否出現偏差，如果出現偏差我們可以用自動化算法，把造成偏差的‘ 罪魁禍首’展現出來，再進行針對化的一些風險管控和攔截。
比如我們在今年早期發(fā)現我們的入催率有一定的上升，我們自動化預警系統(tǒng)就發(fā)現了這個趨勢提出了預警，那有了這個預警，我們的自動化歸因系統(tǒng)就會對這個波動產生最大的一些影響，根據氣泡圖的方式展現出來，氣泡的大小代表影響力的大小。”
專家的話比較抽象，我來舉個例子。有一批人，可能既是樂信也是某唄授信用戶。今年初，某寶對某唄用戶搞了一波降額和關帳戶的操作，這批用戶的流動性就出現壓力，樂信就可以快速分析并定位出這批用戶風險上升。但這畢竟還是一個粗分類，再通過自動化檢測數據，一鍵拆分，把造成風險上升的用戶再精細到不同的用戶分組，最后針對不同用戶分組人群，進行針對性的策略攔截和管控。
3. 高增長下的優(yōu)化邏輯
當然數據風控極大增加了效率，提高了通過率，也降低了壞賬率，這些我認為都是創(chuàng)新之于金融業(yè)的效率的提升;而更多的人能享受到普惠金融，也可以說是一種公平的提升。效率與公平都得到了照顧。
當然我們也要注意，過往這個行業(yè)增速非?？?，所以也就是分母增長非常快，壞賬率自然比較低。信用卡的不良率為什么會相對比較高(不良率定義為M3+，遠超1%)，且長期降不下來?就是因為信用卡整個行業(yè)發(fā)展停滯，分母增長極慢。所以互金在增速下降后是否還能維持現在的壞賬率，能夠解決信用卡一直解決不了的問題，是行業(yè)的挑戰(zhàn)。
在整個監(jiān)管趨嚴和利率下沉的趨勢下，各家互金平臺的風控管理能力，需要更高的要求。樂信之前在搭建整個風險定價和額度體系的時候，或許在意的是怎么去提升GMV;但現在，尤其是利率下行的市場環(huán)境下，管理層會更在乎，在風控技術架構以及系統(tǒng)完善后，能夠通過精細化運營，兼顧各方面的影響因素，來實現針對不同人群進行不同定價(額度、利率等)，以保證利潤和整個業(yè)務能健康增長。
結語
達爾文有句話，叫不是最強的物種，也不是最聰明的物種能夠生存下來，而是那些最能適應變化的。我認為擁抱數據化風控互金有這方面的潛質，沒有最強的模型，沒有最聰明的算法，只有適應于現在的風控系統(tǒng)；而對于未來的不確定性，我們也仍然要有敬畏之心。
我們永遠都不要忘了，數據只反映過去，因為它們是來自于過去，它們對未來有一定的預見力、洞見力，但是它們不能100%準確預言未來，甚至90%也做不到。金融風險，債務危機，我們幾乎能說，無論我們怎么預防，都難以避免;本來在模型里趨于完美的借款人，理性經濟人，他們在可能會黑化變身，導致壞賬?？傊耸且粋€復雜的因素，你將其簡化成一串串數字、一行行代碼、一個個算法，在效率上確實有效，但也肯定不是萬全之舉。
人類有個毛病就是急于求成，常常錘子還沒研究透，就開始到處找釘子。這個問題，整個數字化創(chuàng)新的行業(yè)都要面對。而對于信用行業(yè)、金融行業(yè)而言，所有風控從業(yè)者都應該認識到，沒有百分百完美的模型，只有相對適應于當下的模型。對于未來的不確定性，我們都應該保守地留有余地。知識的僭妄永遠是高懸在人類頭頂的一把劍，我們不可不察。
在這種清醒下，我們來看樂信的風控，或者我們說的數字化大風控，給整個行業(yè)帶來的重塑，就更有意義;我保持審慎樂觀，我也相信樂信這樣的互金公司在數字化風控上的迭代，是一個可以長期投資的方向。
正好昨天樂信也發(fā)了財報，數字來看依然保持穩(wěn)步高速的增長，而多項核心指標也繼續(xù)創(chuàng)歷史新高。我在文章最后簡單帖下數據吧，有興趣的可以交流。
Q2營收33億, 息稅前利潤10.01億元(Non—GAAP)，同比增長85%;
促成借款額達到606億元，同比增長47.6%;
注冊用戶數達到1.44億，連續(xù)8個季度增長超千萬;
授信用戶達到3290萬元，同比增長45.2%;
90天以上的逾期率為1.85%，新增借款FDP30連續(xù)12個月小于1%。
（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
