在消费金融蓬勃发展的今天，科技驱动贯穿着从营销、获客、审批、放款、回访及催收的全过程。面对庞大的需求、日趋严格的监管，在追求发展的同时，如何构建一个良性、可持续性的风险防控业态，是消费金融机构可持续发展和提高核心竞争力的根本。
风控作为消费金融的生存命脉，也是互联网金融行业稳健、安全发展的关键。业界各家消费金融机构积极投身风控能力建设、深钻风控技术、自研风控系统、提升自主风控能力，助力企业走上“快车道”。
当前各家消费金融机构纷纷发力风控领域科技创新与应用，多家消费金融独角兽涌现，如蚂蚁金服、微众银行、马上消费金融等，笔者今天就马上消费金融(以下简称“马上金融”)这只低调的独角兽进行深度挖掘与解秘。
马上金融作为消费金融领域的科技创新企业，在大数据智能风控领域一直秉承“数据+风控+金融”的管理模式，高度重视在技术方面的投入，构建自主风控能力;在了解场景、用户和业务的基础上，利用大数据和人工智能等技术构建风控模型，贯穿贷前准入、反欺诈，贷中评级授信、额度管理、交易跟踪，贷后风险分类、风险预警、催收管理等全流程。据了解，由马上金融自主研发的风控系统家族--Luma，结合灵活工作流引擎和决策规则引擎，整合客户多维海量数据，通过大数据挖掘技术对客户申请数据、行为数据、社交数据等进行挖掘分析，描绘客户风险画像并进行风险量化，真正做到了“见微知著，风险先知”。
马上金融Luma风控系统家族是如何支撑“大数据+智能”风控的？
马上金融以数据为驱动的智能风控的核心优势主要体现在三个方面：一是海量内外部数据源的有效整合与对接;二是基于数据源构造变量，建立信贷全生命周期的风控规则和模型;三是创建支撑智能、高效决策的自主风控系统。数据是基础、规则和模型是引擎、风控系统是支撑平台，三者相辅相成共同作用，帮助马上金融建立灵活、快速、高效的贷前预测、贷中监控、贷后管理的全生命周期风险管理，打造企业级风险管理体系的同时降低风险，提升运营水平。
（一）“海量+全面”的分析数据
基于互联网大数据的多维数据源整合，为智能风控决策奠定数据基础
数据对于审批至关重要，中国的个人征信数据存在三大痛点：一是各类征信数据分布在各个不同的主体机构中，各家数据来源方式不同，数据的可靠性、稳定性存在较大差异;二是这些数据未能统一征集和标准化处理，数据质量参差不齐;三是机制的缺失使得各家征信机构在数据源头圈地，形成“数据孤岛”，影响行业整体水平提升。
马上金融拥有亿万级数据源，除了直连央行征信外，也对接公安、公积金社保、芝麻信用等数十个外部数据源，以及自建数据源。利用先进的大数据处理技术，对不同的数据源进行关联处理和有效整合，从多维度完善了用户的身份信息、信贷信息、消费信息、社交信息、行为信息等数据源，提高了数据利用率，有效地解决了客户无信贷记录或信贷数据不充分的问题。在审批过程中并行调用这些数据服务，实现毫秒级实时数据获取、大量非结构化数据和舆情数据快速加工，丰富外部数据的同时为构建大数据风控模型和实现自动审批决策提供了强有力的数据基础。
在外部数据源系统建设方面，马上金融自主研发了统一数据接入系统，满足数据源接入需求，通过多厂商数据源集中化管理，实现外部数据源接口标准化、服务监控精细化，加快外部数据源的接入速度，为智能风控决策奠定数据基础。
（二）“灵活迭代+科学有效”的风控策略与数据模型
可灵活调整、持续迭代的风控策略
为应对市场变化、客群变化，提高客户响应速率，在审批决策中灵活调整规则和模型显得尤为重要。需要对规则和模型进行持续迭代，以降低逾期率、提高审批通过率，解决金融风控面临的核心问题。马上金融逐步形成规则、模型相辅相成的审批策略，制定了上百个决策流、上万个决策策略，以高效响应业务风控需求。此外，可以根据模型更迭需要在变量池对已有变量进行重新组合，丰富入模变量类型，提升模型优化效率，助力规则与模型的高效持续迭代，进而完善智能化大数据风控审批系统体系。
建立科学有效的、基于信贷全生命周期的大数据风控模型
以央行征信数据为基础，但又不局限于央行征信数据，深度挖掘客户的信贷数据、消费数据、行为数据，结合数据统计特性和专家经验，基于这些数据，马上金融已实现10W+风险变量的构造开发，同时将先进的大数据建模方法(如集成学习、增强学习、深度学习等)与消费金融的具体业务相结合，构建并完善贷前、贷中、贷后全生命周期风控模型(如反欺诈模型、信用评分、还款能力评分、客户行为评分、催后预测等模型)，对客户的信用风险和欺诈风险进行精确评估。目前马上金融已经开发完成上百个数据模型，这些风险模型对数据的积累，深刻促进了对客户的全面了解，有利于有效防范客户信用风险和欺诈风险。
依托模型实验室，运筹风险于帷幄
模型实验室平台作为马上金融风险计量体系的基础设施，是保障风险计量工具规范性、提高模型开发效率的平台。建模效率得到了极大提高，主要体现在数据准备模式变更、减少建模程序代码编写、模型开发用户之间的交互、模型评估、审批、发布及监控的线上模式、知识经验分享机制设计等环节。通过建立模型实验室，可以有效控制模型风险、提高模型研发效率、实现知识积累、全面安全监控。例如，模型风险一般来源于建模方法论不正确、数据清洗错误等多个环节。模型实验室设计了一系列的模型风险控制策略，对模型风险进行控制。
模型实验室平台体系建立后，模型管理变得更加统一和规范：从模型开发模式上看，原有各团队开发模式变成了集中式开发，统一开发流程和结果输出;模型管理模式从各个团队的分散存放管理变为统一模型文档存储和管理;数据的准备模式从项目形式的数据存储改变为基于公司数据仓库的统一数据提取、转换、规整存储;知识的积累模式从分散式、无规则积累改变为标准化、规范化的知识积累流程和知识权限控制;安全监督模式从安全管理缺失变为集中管理模式，实现数据和文档的安全控制。
（三）“智能+高效+灵活+自主”的风控决策系统平台
贷前审批自主可控、灵活快速
Luma审批系统是马上金融自主研发的基于灵活工作流引擎和决策规则引擎的信贷审批系统。工作流引擎将各种变量、数据源、模型服务化和节点化，支持灵活快速地构建多种不同的审批工作流程、调整审批决策节点顺序，针对不同消费场景和金融产品申请提供不同的审批工作流，针对不同客户的申请提供不同的风控策略，达到优质客户秒级审批通过，劣质客户快速拒绝，实现千人千面的信用评级和风险定价。同时，支持审批业务流程便捷调整、审批策略持续迭代、内外部数据源快速增加、简单策略调整与变更可实现当天部署，提高风控审批效率的同时提升用户体验。对于自动化风控决策，马上金融研发出自有决策规则引擎，建立变量池和规则池，支持灵活配置、A/B test测试、线下效果评测和精细化监控。在系统架构方面，Luma审批系统采用分布式架构设计，支持高并发处理海量客户申请单，最高日审批百万单，峰值处理200单/秒钟，结合高性能决策规则引擎实现秒级输出审批结果。
以大数据实时反欺诈和信用风险审核的决策审批
借款欺诈中，团伙或者类团伙欺诈通常会带来巨大的逾期损失，是重点防范对象，马上金融基于图技术的复杂网络可以实时识别出团伙欺诈，在复杂网络中放入用户的身份证号、电话、关键的行为数据等，形成用户的个人档案，并且与其他用户的档案相关信息建立关联，实现毫秒级追踪，大幅提升实时反欺诈的效果。
基于存量用户数据、外部接入数据、自建数据，围绕信贷审批，马上金融利用传统机器学习方法训练模型，自动识别用户欺诈行为，给予合理的授信额度，目前已经建立了10W+变量特征库和上百个模型，用于不同的数据源、产品和审批阶段，组合应用后效果显著，做到较高的通过率和较低的逾期率。
自研与应用人工智能和创新技术
马上金融作为一家金融科技公司，致力于研究综合运用设备指纹、IP数据技术、综合地理位置、电话号码数据等创新技术的研究与应用，已形成自有黑名单库自研地理位置库应用于反欺诈。此外，马上金融自研Face X活体人脸识别技术，经过几十亿样本数据的训练与生产应用的不断优化，目前识别精准度高达99%，可以应对绝大部分复杂环境，对于检验是否是真人以及是否是客户本人起到了非常好的效果，有效降低了欺诈的概率。
实现信贷全生命周期管理
围绕Luma审批系统，马上金融自主研发Luma反欺诈深度调查系统、Luma存量客户管理系统和交易反欺诈系统等多个Luma家族系统，结合贷前申请审批历史数据、贷中环节循环监控、贷后管理环节反补贷前审批和贷中监控，形成全生命周期客户风险管理。
贷前审批流程可以实时将可疑客户推送至Luma反欺诈深度调查系统，建立深度调查任务和案件，同时利用机器学习聚类模型挖掘黑中介团伙案件，循环触发预警，对客户进行实时贷中审查和监控，及时发现风险和止损。贷前审批系统和深度调查系统利用图技术构建的基于客户社交关系画像的关联图谱，图谱结合关联关系的不同客户贷后表现和社交关系紧密度，为新申请关联客户的风险提供直观和清晰的预警提示，持续丰富客户风险画像，对客户进行精准风险度判断。存量客户管理系统结合贷款合同贷后表现数据，对不同客户进行分层额度管理、冻结解冻干预账户管理，并支持全自动化和批量执行，快速高效对不同客户实现不同的贷中贷后管理。
Luma家族系统通过风险业务数据打通和共享，通过深度调查系统对客户调查数据反馈至贷前审批和贷后管理，形成风险管理能力不断提升的良性循环。
结束语：
在消费金融强监管、去杠杆、回归本原的环境下，市场已经从跑马圈地进入到规模与质量并重的时代，风控是整个业务的驱动器。消费金融竞争的背后归根结底是风控能力的打造，相比于传统消费金融风控模式，互联网消费金融风控能力打造应以大数据风控为基础，融入“数据+风控模型+算法”的思想，真正有效地将风险进行量化，突破反欺诈风险管控难点，在满足合规的前提下积极打造科技驱动的普惠金融和数据驱动的智能风控，有效防范信用风险。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
