3
| 本文作者： 劉偉 | 2017-05-26 19:36 | 專題：雷峰網(wǎng)公開課 |
中國消費金融市場的用戶大致可以劃分為四種類型：1.白領和自雇人群；2.藍領；3學生；4.農民。其中，前兩者為主力消費人群，市場規(guī)模十分廣闊。白領和自雇人群往往擁有央行征信報告，主要使用銀行信用卡，以及BAT和京東等大型企業(yè)提供的消費金融產品。而多達2.5億的藍領則主要為薄文件人群（央行征信報告能夠采集到的數(shù)據(jù)非常少），他們具有很強的消費沖動，是互聯(lián)網(wǎng)金融產品的主要目標。而由于傳統(tǒng)銀行放款周期過長，無法滿足他們的需求；即時高效的互聯(lián)網(wǎng)消費金融產品也就成了他們的最佳選擇。
那么，互聯(lián)網(wǎng)消費金融企業(yè)如何才能抓住這一市場機遇，從廣大薄文件人群中尋找優(yōu)質客戶、提高用戶黏性，同時降低風險，將收益最大化呢？本期硬創(chuàng)公開課，雷鋒網(wǎng)邀請到了秦蒼科技數(shù)據(jù)科學家沈赟博士，為大家分享AI在消費金融產品優(yōu)化以及風險控制中的應用。
本次公開課包含以下內容：
1. 根據(jù)用戶多維弱變量數(shù)據(jù)的綜合信用評分
2. 社交網(wǎng)絡算法應用于金融反欺詐
3.基于機器學習模型的額度策略
4 基于機器學習的金融產品設計
5.人工智能應用的前沿探索：用戶生命周期管理
沈赟博士，秦蒼科技數(shù)據(jù)科學家，具有9年金融領域機器學習研究開發(fā)經(jīng)驗。擁有德國柏林工業(yè)大學電子信息科學與技術博士學位、上海交通大學計算機科學與技術碩士學位、德國柏林工業(yè)大學電子信息科學與技術碩士學位、上海交通大學計算機科學與技術本科學位。
曾在Journal of Machine Learning Research, Neural Computation, SIAM Journal on Control and Optimization等機器學習、神經(jīng)網(wǎng)絡以及應用數(shù)學等領域的頂級期刊和會議上發(fā)表多篇學術論文。
曾任職德國LOBSTER Data 量化分析師，分析處理高頻Nasdaq數(shù)據(jù)，輔助完成產品上線。現(xiàn)擔任秦蒼科技數(shù)據(jù)科學家，率領團隊構建基于機器學習的信用評分、額度策略、反欺詐以及用戶生命周期內的自動化動態(tài)調頻系統(tǒng)等。成功打造了基于用戶數(shù)據(jù)1秒內完成信用評分的評分機制，相比傳統(tǒng)模型提高了25%AUC。
（本期公開課完整視頻，共51分鐘）
以下為雷鋒網(wǎng)對嘉賓分享內容的實錄精編。
風險控制是消費金融領域的一大核心問題，信用評分機制則是控制風險的有效手段。信用評分機制可以簡化為分類問題，即根據(jù)用戶歷史上的行為，來判斷他是“好人”還是“壞人”。假如一個用戶逾期幾個月，那么我們就認定他是“壞人”，若沒有逾期行為，則為“好人”。
我們采用了機器監(jiān)督學習中的經(jīng)典分類算法來進行用戶信用評分。評分過程可以分為以下幾步：
數(shù)據(jù)導入和清洗。因為數(shù)據(jù)采集過程中可能會采集到臟數(shù)據(jù)，此外，我們還需要剔除部分不可用、不可計算的數(shù)據(jù)，以及空數(shù)據(jù)。
特征提取。采集數(shù)據(jù)時，我們通常會采集多達一萬多個數(shù)據(jù)點，然后通過特征提取的方式提取幾百個特征點。
模型選擇。在模型中，我們會運用到一些機器學習算法，比如邏輯回歸、隨機森林、AdaBoost、XgBoost、神經(jīng)網(wǎng)絡等。選擇模型時，我們會采取cross validation的方式，同時運用基于ROC的AUC來決策模型的好壞。
決策。決策過后，我們可以觀察用戶表現(xiàn)，重新提取數(shù)據(jù)訓練模型，形成正向反饋循環(huán)。也就是說，隨著收集到更多、更新的數(shù)據(jù)，我們的模型將不斷迭代和進化。
從應用結果來看，AI決策相比傳統(tǒng)手工開發(fā)的算法決策，可以把決策時間從分鐘級別縮短至0.1秒，同時降低25%的壞賬率，每年為企業(yè)節(jié)約高達上千萬的成本。
在大家熟知的，使用深度神經(jīng)網(wǎng)絡解決圖像識別和云識別的問題中，一般而言，采集的數(shù)據(jù)越多，訓練出的模型就越好。但金融領域不同，金融數(shù)據(jù)具有非常強的時間效應，越靠近現(xiàn)在的數(shù)據(jù)越具備預測效力。并不是說擁有的數(shù)據(jù)越多，模型效果就越好。因此，不斷定期更新模型至關重要。
模型是基于歷史數(shù)據(jù)訓練出來的，在未來不發(fā)生異常事件的前提下，可以保持預測效力；一旦出現(xiàn)異常事件，模型的效力就有可能下降。為了保證系統(tǒng)預測的穩(wěn)定性，我們會同時開發(fā)多個模型彼此競賽。
比方說，我們訓練出了三個模型，分配給他們不同的流量：模型2流量最高，模型1次之；模型3最低。一段時間后，我們可以收集到各個模型的表現(xiàn)，根據(jù)其準確率動態(tài)調節(jié)流量。如果某個模型表現(xiàn)好，就多分配一些流量，反之則減少流量。如果這個模型的效力長時間內持續(xù)下降，就將逐漸被淘汰，與此同時會有新的模型加入競爭?？偠灾嗄Ｐ筒⑿?，擇優(yōu)進化，對于保持系統(tǒng)的穩(wěn)定性十分重要。
消費金融產品風險控制中，另一個非常重要的部分是反欺詐。我們反欺詐的主要手段是社交網(wǎng)絡分析。用于社交網(wǎng)絡分析的數(shù)據(jù)通常基于手機號碼，比方說手機緊急聯(lián)系人、通聯(lián)紀錄、通訊錄等。
上面是一張社交網(wǎng)絡關系結構示意圖，圖中每個點代表一個用戶，通過線段連接的兩個點互為手機聯(lián)系人。其中某些用戶可以通過一個共同的節(jié)點聯(lián)系到一起，那么我們就將其看作一個團。以團為單位，可以提取到一些社交網(wǎng)絡特征：
團內其他用戶的表現(xiàn)，比方說逾期率、通過量等。這一特征判斷的核心思想可以歸納為“近朱者赤，近墨者黑”。
團本身的特性，比方說節(jié)點數(shù)、團內用戶的連接緊密程度等。
團內用戶的屬性，比方說團內的女性人數(shù)、地區(qū)分布、平均借款額度等。一般而言，團內女性人數(shù)占比越大，團內用戶是“好人”的概率就越大。
從社交網(wǎng)絡中提取的特征主要可應用于兩大方面：
一、將特征數(shù)據(jù)加入信用評分模型，提升其準確度。根據(jù)以往的經(jīng)驗，加入這些數(shù)據(jù)后，AUC值可以提升3-5%。
二、通過無監(jiān)督的聚類方法來預防欺詐。我們將某個地區(qū)的所有用戶進行特征分析后，投影到二維平面，通常可以發(fā)現(xiàn)兩到三個異常點，他們距離其他用戶非常遠。這時候就會觸發(fā)我們的調查機制，調查這個用戶是否真的存在欺詐行為。實踐檢驗，這種異常值檢測的方法可達到60%左右的準確率，證明對于預防欺詐，社交網(wǎng)絡特征分析確實行之有效。
消費金融產品主要指分期借貸，我們可以把它想象成信用卡，其主要參數(shù)有額度、利率和期數(shù)。設計這些參數(shù)時，我們主要需要考慮兩個方面：
產品的接受度。我們向用戶推薦產品時，用戶是否會接受？一般而言，產品額度越大、利率越低，用戶接受的可能性就越大。
風險控制。隨著用戶接受度提高，風險也在增加。如果我們向用戶提供的額度超出其償還能力，資金就很可能收不回來。
產品的接受度和風險彼此沖突，我們需要尋找折中方案。
下面介紹一個我們開發(fā)的基于貝葉斯算法的框架。在消費金融場景中，簡單來說，可以把用戶劃分為“好人”和“壞人”。在給定用戶表現(xiàn)和金融產品參數(shù)的前提下，基本可以確定這款產品能夠帶來的受益。但同一個用戶在不同時期的表現(xiàn)是不一樣的。比方說，用戶這段時間經(jīng)濟狀況較好，能夠及時還款；一段時間后他經(jīng)濟狀況變壞了，就很有可能還不上。用戶是“好人”還是“壞人”，是個概率性問題。
上面的公式中，p代表在給定某個金融產品和用戶的前提下，這個用戶是“好人”還是“壞人”的概率。統(tǒng)籌考慮所有情況后，就能得出這個用戶身上的期望收益。
我們希望通過調整產品參數(shù)將收益最大化，同時也需要關注用戶逾期的風險。在給定某個產品的前提下，我們希望用戶是“好人”的概率大于某個值，比如0.6或者0.8。這樣可以間接控制用戶可能帶來的損失。
上圖展示了我們對“用戶是‘好人’還是‘壞人’”的概率估計情況。其中x軸代表額度，y軸代表期數(shù)，z軸代表用戶是“好人”的概率，每一個曲面對應一位用戶。從圖中可以看出，有些用戶對于額度和期數(shù)不太敏感。雖然隨著額度和期數(shù)增加，他們是“好人”的概率有所下降，但始終高于某個數(shù)值。有些用戶則對額度和期數(shù)非常敏感。通過大量提取用戶特征，我們可以不斷對模型進行優(yōu)化，為每個用戶量身打造合適的金融產品。
那么，這個模型的效力究竟如何呢？上圖進行了展示。圖中x軸代表風險閾值，左端表示閾值非常低，我們可以冒巨大的風險；右端表示閾值非常高，放款策略趨于保守。y軸則代表我們針對某個用戶預測的放款金額，與其歷史放款金額的比例關系。若比例大于1，就說明預測的放款金額高于歷史放款金額，同理反推。從圖中可以看出：
在同一風險閾值下，“好人”（黑色）獲得的額度總是高于“壞人”（橙色）。
隨著風險閾值提高，用戶獲得的放款額度逐漸下降。
在給定風險閾值的前提下，“好人”獲得的預期額度總是高于歷史額度，“壞人”則恰恰相反。
結果和預期完全相符，這證明了我們基于貝葉斯算法的分析框架確實行之有效。
企業(yè)總是希望用戶能盡可能長時間地使用自己的產品。因此新用戶借款并如期還款后，企業(yè)還會向其推薦其他金融產品。那么，如何最大限度地留住客戶，延長其生命周期呢？
在用戶的整個還款周期中，我們可以通過用戶在每一個還款節(jié)點的表現(xiàn)，判斷其是“好人”還是“壞人”，并作出相應調整。如果用戶還款表現(xiàn)好，可適當提升額度或降低利息，鼓勵其使用我們的其他產品。若用戶表現(xiàn)差，則可以降低額度和提高利息，以防控風險。極端情況下，將啟動調查或催收機制。
借助這些手段，企業(yè)可以提升用戶黏性，并將收益最大化。
為實現(xiàn)這一目的，我們采用了深度學習以及運籌學中非常經(jīng)典的馬爾科夫決策過程進行建模。企業(yè)關注的是用戶在整個生命周期中帶來的累積收益，因此不同于前面提到產品參數(shù)優(yōu)化。產品參數(shù)優(yōu)化是單步?jīng)Q策，而收益最大化是多步?jīng)Q策問題，需要在每一步?jīng)Q策中不斷優(yōu)化我們的策略。
上圖中的公式中，r是一個reward函數(shù)，它取決于st和θt兩個變量。st和θt分別代表當前賬期下用戶的表現(xiàn)（逾期或提前還款等）以及企業(yè)的決策（提額或降息等）。π則代表企業(yè)在每個賬期中的單步策略累計而成的整體策略。通過這個公式，我們可以得到預期的最大收益。
昨天阿爾法go再次戰(zhàn)勝了中國著名棋手柯潔。阿爾法go用到的一個核心算法叫做增強學習，增強學習的本質其實也是馬爾科夫決策過程。它用到了不斷迭代的online learning算法來解決多步?jīng)Q策問題。
馬爾科夫決策應用到消費金融場景，過程大致如下：新用戶進來后，系統(tǒng)會抽取他的個人特征，同時根據(jù)其當前還款狀態(tài)，以及在這個時間點上帶來的利潤或者損失，優(yōu)化value function和state representation。value function和state representation是通過分析和學習用戶歷史數(shù)據(jù)得來的，加入新的數(shù)據(jù)后，系統(tǒng)會不斷校正value值。如果某一步?jīng)Q策對我們不利，那么其value值就會降低，反之則value值提高。如此不斷循環(huán)往復。
前面提到，AI在消費金融風險控制以及產品優(yōu)化方面，能夠發(fā)揮巨大重要。但需要強調的是，現(xiàn)在AI概念非常熱門，大家都希望學到最新的算法；但要把AI算法落地到實際生產和業(yè)務中，還是應該立足業(yè)務本身，不斷挖掘數(shù)據(jù)優(yōu)化模型。選擇什么模型不重要，模型好壞最終還是要看它是否能夠給業(yè)務帶來增長。最理想的狀態(tài)是，企業(yè)能夠通過模型優(yōu)化業(yè)務流程，獲取更多數(shù)據(jù)，然后利用新的數(shù)據(jù)進一步優(yōu)化模型，形成良性循環(huán)。
1.除了風險控制，未來AI還可以應用到消費金融的哪些環(huán)節(jié)，將給行業(yè)帶來怎樣的改變？
前面已經(jīng)提到了產品結構優(yōu)化。通過優(yōu)化產品參數(shù)和結構，來提升用戶黏性，將收益最大化，這對于企業(yè)來說非常重要。除此之外，AI還可以用于產品推廣，比如通過現(xiàn)有的社交網(wǎng)絡，向其他用戶推薦適合他們的金融產品。
2.在目前技術條件下，AI風控相比傳統(tǒng)風控存在哪些不足？未來如何提高？
AI技術立足于大數(shù)據(jù)。如果我們能夠獲取足夠多、足夠新的，具有表征能力的數(shù)據(jù)， AI風控一定能夠打敗傳統(tǒng)風控。但很多時候，企業(yè)獲取的數(shù)據(jù)往往不夠充分。這時候，基于長期經(jīng)驗積累的傳統(tǒng)風控往往能夠提供行之有效的風險控制手段，雖然他們的方案不一定是最優(yōu)的。如果未來AI能夠進化到擁有學習和推理能力，那么它完全能夠取代傳統(tǒng)風控，不過短期內還很難實現(xiàn)。
3.隨著人工智能發(fā)展趨于成熟，未來消費金融行業(yè)必然會大規(guī)模引進這項技術，這是否會帶來風險評估同質化的問題？企業(yè)該如何進行產品的差異化開發(fā)？
這個問題確實存在，未來同一個行業(yè)用到的AI算法大多類似。但每個企業(yè)采集到的數(shù)據(jù)端不同。如果企業(yè)能夠采集到足夠新、足夠可靠的數(shù)據(jù)，其風險控制能力將顯著提升。因此，問題的本質在于如何獲取盡可能多的優(yōu)質數(shù)據(jù)。
4.人工智能能否代替?zhèn)€人征信的作用？
我個人認為是可以的。央行的征信系統(tǒng)能夠做到多好，取決于大型機構，比如銀行和BAT等大企業(yè)，愿意在多大程度上貢獻數(shù)據(jù)。如果這些機構愿意將數(shù)據(jù)完全共享出來，那么央行的征信系統(tǒng)可以做到非常完善，但其中存在非常大的阻力。企業(yè)們還是更愿意基于自己采集到的數(shù)據(jù)，盡可能把風控模型做到最好。如果央行無法采集到足夠多的數(shù)據(jù)，其征信系統(tǒng)不見得一定比企業(yè)的風險控制系統(tǒng)更好。
5.入門應該如何學習AI
個人認為可以分兩個層面：首先可以上網(wǎng)搜索一些教程，比如說雷鋒網(wǎng)硬闖公開課上的教程；另外還可以通過實現(xiàn)現(xiàn)有的、開發(fā)好的AI程序，提升自己的動手能力。總之，學習和實踐相結合。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
專題
