Capital One目前是美國第八大銀行控股公司，有信用卡、房屋貸款、汽車貸款、銀行等金融產(chǎn)品。用信息技術來全面驅(qū)動公司業(yè)務發(fā)展，是Capital One公司的制勝法寶。

智能信貸服務商讀秒，主要為自然人提供的無抵押無擔保的個人短期小額信用貸款，利用大數(shù)據(jù)與機器學習，它把傳統(tǒng)銀行最快3天的授信業(yè)務做到10秒完成。該公司CEO周靜，曾在美國“金融黑幫”之Capital One任職8年，歷任產(chǎn)品、市場、風控高級經(jīng)理。2006年，她回到中國進入渣打銀行，任渣打中國零售風險總監(jiān)，至今有著近20年的跨國銀行風險經(jīng)管經(jīng)驗。

2015年1月26日，周靜加入PINTEC，帶領團隊開啟了打造一款智能信貸產(chǎn)品的征程——即如今“讀秒”的萌芽。歷經(jīng)一年多時間，讀秒從最初的一款決策引擎產(chǎn)品，逐漸發(fā)展成為一套完整的智能信貸解決方案，產(chǎn)品團隊也發(fā)展成PINTEC旗下子公司。

10秒內(nèi)外的火光閃電

天下武功唯快不破。讀秒技術負責人仲惟曉向雷鋒網(wǎng)介紹，讀秒至今已經(jīng)接入了業(yè)內(nèi)約40個數(shù)據(jù)源，通過API接口實時調(diào)取。數(shù)據(jù)接入之后，讀秒通過自建的欺詐、預估收入、預估負債比等多個模型（規(guī)則）對數(shù)據(jù)進行數(shù)十萬維度的清洗、挖掘，再通過平衡卡和決策引擎給出綜合決策。而且，所有決策是平行進行的。10秒完成授信決策的背后，既有前期日積月累的數(shù)據(jù)收集和清晰，也有最后時刻刀光劍影的模型計算。

一般人認為，大數(shù)據(jù)、機器學習技術如同一個黑箱，但事實上有跡可循。仲惟曉介紹，讀秒的合作伙伴會海量的裸體數(shù)據(jù)給到他們，但真正有用的數(shù)據(jù)維度——基于數(shù)據(jù)構建的分析維度，實際上是由自己去挖掘的?！安⒉皇钦f把數(shù)據(jù)拿來，然后放在一個很神奇的機器學習模型里就能把結(jié)果預測出來?！?/p>

比如在前期用戶申請階段，會產(chǎn)生大量的用戶行為、交易數(shù)據(jù)，或者信用數(shù)據(jù)，這些數(shù)據(jù)能夠幫助決策機構了解“用戶是一個怎樣的人”，比如說看一個人的出行記錄，分析他的住所、行蹤、打的什么車、做什么航班以及艙位等等。而這些數(shù)據(jù)本身也需要挖掘的過程，雖然挖掘的過程與整個授信的過程是分離的?！坝泻Ａ康臄?shù)據(jù)之后，我們需要利用距離、分組等決策算法，從這些數(shù)據(jù)中篩選出業(yè)務適用的模型，規(guī)避風險?！敝傥越又e例解釋背后的門道：

一個很簡單的例子，比如用戶在多平臺的借款的情況——以前我們覺得，一個客戶借款5次、8次或者10次，第三方數(shù)據(jù)源可能會提供。但是現(xiàn)在，我們更加會看，比如多平臺的借款頻率，在過去的90天，或者270天、360天中是怎么變化的，此外還有借款的次數(shù)和借款平臺數(shù)之間的關系。在這些裸體數(shù)據(jù)上面所建的就是所謂“維度”。

簡單來說，這是一個將非結(jié)構化數(shù)據(jù)結(jié)構化的過程。仲惟曉表示，不同用戶在不同平臺留存的數(shù)據(jù)看似獨立，其實它們之間也會形成網(wǎng)絡交織，比如通話記錄、交易對象等關系，“隨著用戶排量增加，留存的數(shù)據(jù)越來越多，現(xiàn)有模型才能得到進化，適用于更多場景?！贝髷?shù)據(jù)不是要找一個人，而是要找一群人。

而有前期臺后累積的功力，才有臺前10秒決策的速度。讀秒科學決策總監(jiān)任然坦然稱：“其實建模型這個東西，大部分時間都花在挖掘數(shù)據(jù)上，把幾千個，幾百個數(shù)據(jù)跑出想要的維度，最后一氣呵成建成模型，這個很快，只是之前這個東西是需要大量時間的積累。而且很多時候是需要試錯的。就比如現(xiàn)在如果有一千個維度在跑的話，毫不夸張地說，我們會建大約十萬或二十萬個維度，去試哪些維度有用，哪些維度沒用，因為需要去理解數(shù)據(jù)。”

“前期的數(shù)據(jù)分析過程，相當于機器學習的過程，而接下來的案例應用中——從收到貸款申請到最后跑模型決策，相當于機器接受考試的環(huán)節(jié)。”仲惟曉說：

數(shù)據(jù)提供方提供的數(shù)據(jù)首先被我們指標化，即通過人工的方式把指標從數(shù)據(jù)特征中判斷出來，平均一個消費信貸申請會有上百個指標。但是因為成本問題，這些指標并不會全部用在機器學習當中，我們會先利用歷史經(jīng)驗數(shù)據(jù)做一個泛化的計算，從計算中篩選出大約十幾個篩選度比較高的指標，然后這些指標的計算在線上實時進行?；旧厦恳粭l數(shù)據(jù)來了之后，我們每一個分布的節(jié)點會負責一定項的產(chǎn)品或者一定項數(shù)據(jù)的指標拆分。

這些拆分完成之后，它們會被壓到整個計算決策引擎里去跑模型，然后模型的數(shù)據(jù)成為是否給用戶提供授信的依據(jù)，這是指標之一。然后基于這個用戶的行為來才會對模型進行修正。

CEO周靜補充道：“每一個科目都有一個分數(shù)，然后科目都有不同的加權，但不一定每個科目加權都是同樣的比例。因為維度和比例，都是跟后期的逾期率是有關聯(lián)性的——如果關聯(lián)性大，比例可能就大一點；如果關聯(lián)性小，就小一點?！?/p>

除了時間人力成本，10秒之內(nèi)決策還避免了哪些損失？

全球個人信用風險評估體系的締造者，全球領先的預測分析和決策管理公司FICO的早期創(chuàng)始成員William Yao（姚志平）博士曾對雷鋒網(wǎng)表示，人的大腦擅長做單因子的分析，而擅長于綜合因子判斷的恰好是計算機?！八鼈儧]有感情偏差，在幾十個、幾百個概念中做綜合判斷，只要給它數(shù)據(jù)，通過大量數(shù)據(jù)和權重，它都可以幫你計算出評分。美國幾乎各大銀行都在用機器學習做決策，這是機器學習一個很好的方面?！?/p>

快速、高效用的表現(xiàn)是機器決策引人探索和開拓的首要原因，而應用之后帶來的邊際效益就是它得到推崇和堅持的來源。以前獲一個貸款客戶成本很高，你要有網(wǎng)點，要有很多銷售人員，這都是成本。而如今，周靜稱，即使業(yè)務規(guī)模不斷壯大，團隊人員都不需要太多變化，可能只需要增加一些服務器?！懊恳淮蔚覀兊哪芰烤蜁砰_。每一次上量，邊際成本就降低，是一個復制性很強的模式?！?/p>

除了這些看得見的好處，調(diào)研環(huán)節(jié)大大縮短之后，也壓榨了欺詐黑產(chǎn)的發(fā)揮空間。周靜透露，根據(jù)以往碰到的欺詐現(xiàn)象，都是由中介第三方來包裝的。這些客戶可能人本身是真實的，但也許其本身的信用背景和收入并非真實，只是中介基于對整個審批流程了解的程度，而去做一套假的資料。所以從這個角度來講，大數(shù)據(jù)風控便直接切開了第三方，即便用戶造假，基于信息網(wǎng)絡的交叉比對也能為識別欺詐提供了一定程度的幫助。

“那智能信貸的技術壁壘在哪里？”

“技術壁壘有幾個，一是本身對金融產(chǎn)品的深度理解——不管是在什么形態(tài)當中，知道這個產(chǎn)品的本質(zhì)盈利模式和分析點在哪里。與此同時，需要金融人員和科技人員緊密結(jié)合，基本上成一體地互相理解，從而把架構從零搭建起來。第三是數(shù)據(jù)的獲取、挖掘能力和建立維度的能力。最后是整個公司的運營——因為風險都是后知的，你可能找到很多客戶，也給了很多貸款，但是如果收不回來的話，也是不行的。所以本身它還是跟傳統(tǒng)金融很多地方類似，就是怎么樣可以長期地安全地運營一個信貸業(yè)務，這個不只是IT，還要對將來市場有一定的預測，包括整個獲客的來源是否穩(wěn)定，獲客的人群本身是否可授信。總結(jié)起來是，風控、數(shù)據(jù)、貸后管理，最后就是整個客戶的周期。”

最后，周靜對雷鋒網(wǎng)表示，數(shù)據(jù)與技術驅(qū)動之下從獲客到?jīng)Q策，再到風控的整條完整的信貸產(chǎn)業(yè)鏈都做起來將是一個不可逆的趨勢，銀行不管是跟我們這樣的公司合作，還是自己做，都將發(fā)展這樣的模式?！叭绻苁腌娮鲆粋€決策，為什么還要回到那個消耗巨大人力和成本去走的三天的決策過程？不管是Fintech、傳統(tǒng)金融行業(yè)還是BAT，征信、風控公司也好，我不覺得這是一個只有幾家變得很尖端的趨勢，而是一定成為將來行業(yè)的常態(tài)?！?/p>

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。