投資互金多年，風(fēng)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(diǎn)碎銀操碎了心。一直以來，我都有兩個(gè)互金持倉(cāng)，一個(gè)是360數(shù)科，另一個(gè)就是樂信。雖然數(shù)（科）九寒天，但也樂（信）此不疲，我始終認(rèn)為行業(yè)春天不遠(yuǎn)。

反正最壞的已經(jīng)過了，我這個(gè)死多頭，會(huì)撐到底。

這次有機(jī)會(huì)見到喬楊老師，樂信的CRO，他是業(yè)內(nèi)比較早研究、實(shí)踐大數(shù)據(jù)風(fēng)控的專家，之前在Discover和京東數(shù)科擔(dān)任過管理職位，跟我也是前同事。喬老師寫過一本信用評(píng)分建模的教程叫《數(shù)據(jù)化風(fēng)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(fēng)控能力看起來確實(shí)比較牛逼：

為論述簡(jiǎn)單起見，我從電商零售行業(yè)里借用一個(gè)概念，以下將平臺(tái)的借款額稱為GMV。

截止2021年Q2，樂信資產(chǎn)質(zhì)量達(dá)到兩年最優(yōu)，首逾率只有4.92%，同比下降 40%，同時(shí)不良回收率同比上升了30%。另外一個(gè)比較核心的指標(biāo)，F(xiàn)PD30（First Payment Default 30，指首個(gè)還款日后30天逾期的GMV除以下單月訂單GMV的比例）則達(dá)到0.62%，也刷了歷史新低。這個(gè)指標(biāo)過去12個(gè)月連續(xù)穩(wěn)定在1%之下。

那么如何做到這個(gè)風(fēng)控結(jié)果：用行業(yè)來說，就是在充分利用大數(shù)據(jù)的基礎(chǔ)上，搭建基于AI的風(fēng)險(xiǎn)管理體系。原則是最小化人的主觀因素，最小化人工操作風(fēng)險(xiǎn)。簡(jiǎn)單論述一下：

1. 抽象數(shù)據(jù)下的AI風(fēng)控

我認(rèn)為現(xiàn)代性的本質(zhì)，就是具象事物的抽象化與數(shù)據(jù)化，以便于某些人開展進(jìn)一步的捕捉、管理、預(yù)測(cè)等騷操作。對(duì)于人類尊嚴(yán)這個(gè)層面，這種抽象是一種踐踏；但對(duì)工業(yè)化生產(chǎn)與商業(yè)效率而言，抽象的威力簡(jiǎn)直堪比火車頭，也是現(xiàn)代社會(huì)的起步。藝術(shù)也是如此，你畫個(gè)逼真到堪比光學(xué)鏡頭下的照片的，這不就叫現(xiàn)代藝術(shù)，這是古代的照相術(shù)；而你畫的人像只有一些殘枝敗葉，才是現(xiàn)代藝術(shù)。

在信用業(yè)、金融業(yè)里，對(duì)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(píng)分，從此你是不是靠譜——用馬克思韋伯的話來說——就不是一個(gè)價(jià)值理性，而近似為為一個(gè)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(píng)分是720分，而鄧小閑的信用評(píng)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(gè)人喜不喜歡讀康德對(duì)于其會(huì)不會(huì)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?zāi)兀抗烙?jì)沒什么影響。而對(duì)于信用卡、消費(fèi)貸、現(xiàn)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(xué)歷、職業(yè)、住房、居住地、貸款金額、期數(shù)，等等，并施以權(quán)重。你可以有一個(gè)長(zhǎng)變量列表（long list），然后將其篩選成更有區(qū)隔力與預(yù)測(cè)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(jià)或者有利于出借人的錯(cuò)誤定價(jià)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(nèi)出現(xiàn)M2以上逾期、催收、呆賬、強(qiáng)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(nèi)有一次M1”就算不好不壞，無鮮明的風(fēng)險(xiǎn)特征，很難判斷好壞。這樣又是把一個(gè)價(jià)值理性問題（判斷好壞）近似成了一個(gè)工具理性問題（判斷高低），為的就是好解決問題。

隨計(jì)算機(jī)科學(xué)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(shù)據(jù)可以越來越豐富，數(shù)據(jù)處理可以越來越精細(xì)化，策略可以越來越得心應(yīng)手。樂信搭建了一整套基于人工智能的風(fēng)險(xiǎn)策略系統(tǒng)，而底層技術(shù)靠啥——大數(shù)據(jù)、人工智能、區(qū)塊鏈、云計(jì)算等等前沿科技。以下是走來的是樂信風(fēng)控方陣：

但光有這些其實(shí)是不夠的的。至少在此時(shí)此刻，我們還不能完全把所有決策，都交給機(jī)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(rèn)為干預(yù)的系統(tǒng)，分析、監(jiān)控并預(yù)警風(fēng)險(xiǎn)，完成按天、按周、按月一整套的追蹤預(yù)警分析機(jī)制。

以下這段話喬陽(yáng)老師說得很到位，我就直接引用了。

“比如在‘ 按天’這個(gè)維度上，可以對(duì)實(shí)時(shí)壞帳率有一個(gè)預(yù)測(cè)，比如對(duì)風(fēng)險(xiǎn)指標(biāo)的一些目標(biāo)進(jìn)行走勢(shì)的預(yù)測(cè)，包括核心指標(biāo)影響力的自動(dòng)化評(píng)估，在周期里我們可能基于大盤各業(yè)務(wù)進(jìn)行收益的復(fù)盤，在每月的維度，我們可以去根據(jù)人群的風(fēng)險(xiǎn)識(shí)別以及策略效能進(jìn)行管控。

有了這套系統(tǒng)，基于我們的壞帳預(yù)測(cè)，我們能夠把我們的策略、模型價(jià)值、用戶管理、催收運(yùn)營(yíng)，這一系列指標(biāo)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(biāo)達(dá)成是否出現(xiàn)偏差，如果出現(xiàn)偏差我們可以用自動(dòng)化算法，把造成偏差的‘ 罪魁禍?zhǔn)?/span>’展現(xiàn)出來，再進(jìn)行針對(duì)化的一些風(fēng)險(xiǎn)管控和攔截。

比如我們?cè)诮衲暝缙诎l(fā)現(xiàn)我們的入催率有一定的上升，我們自動(dòng)化預(yù)警系統(tǒng)就發(fā)現(xiàn)了這個(gè)趨勢(shì)提出了預(yù)警，那有了這個(gè)預(yù)警，我們的自動(dòng)化歸因系統(tǒng)就會(huì)對(duì)這個(gè)波動(dòng)產(chǎn)生最大的一些影響，根據(jù)氣泡圖的方式展現(xiàn)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(gè)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(duì)某唄用戶搞了一波降額和關(guān)帳戶的操作，這批用戶的流動(dòng)性就出現(xiàn)壓力，樂信就可以快速分析并定位出這批用戶風(fēng)險(xiǎn)上升。但這畢竟還是一個(gè)粗分類，再通過自動(dòng)化檢測(cè)數(shù)據(jù)，一鍵拆分，把造成風(fēng)險(xiǎn)上升的用戶再精細(xì)到不同的用戶分組，最后針對(duì)不同用戶分組人群，進(jìn)行針對(duì)性的策略攔截和管控。

3. 高增長(zhǎng)下的優(yōu)化邏輯

當(dāng)然數(shù)據(jù)風(fēng)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(rèn)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(dāng)然我們也要注意，過往這個(gè)行業(yè)增速非常快，所以也就是分母增長(zhǎng)非常快，壞賬率自然比較低。信用卡的不良率為什么會(huì)相對(duì)比較高（不良率定義為M3+，遠(yuǎn)超1%），且長(zhǎng)期降不下來？就是因?yàn)樾庞每ㄕ麄€(gè)行業(yè)發(fā)展停滯，分母增長(zhǎng)極慢。所以互金在增速下降后是否還能維持現(xiàn)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(gè)監(jiān)管趨嚴(yán)和利率下沉的趨勢(shì)下，各家互金平臺(tái)的風(fēng)控管理能力，需要更高的要求。樂信之前在搭建整個(gè)風(fēng)險(xiǎn)定價(jià)和額度體系的時(shí)候，或許在意的是怎么去提升GMV；但現(xiàn)在，尤其是利率下行的市場(chǎng)環(huán)境下，管理層會(huì)更在乎，在風(fēng)控技術(shù)架構(gòu)以及系統(tǒng)完善后，能夠通過精細(xì)化運(yùn)營(yíng)，兼顧各方面的影響因素，來實(shí)現(xiàn)針對(duì)不同人群進(jìn)行不同定價(jià)（額度、利率等），以保證利潤(rùn)和整個(gè)業(yè)務(wù)能健康增長(zhǎng)。

結(jié)語

達(dá)爾文有句話，叫不是最強(qiáng)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(yīng)變化的。我認(rèn)為擁抱數(shù)據(jù)化風(fēng)控互金有這方面的潛質(zhì)，沒有最強(qiáng)的模型，沒有最聰明的算法，只有適應(yīng)于現(xiàn)在的風(fēng)控系統(tǒng)；而對(duì)于未來的不確定性，我們也仍然要有敬畏之心。

我們永遠(yuǎn)都不要忘了，數(shù)據(jù)只反映過去，因?yàn)樗鼈兪莵碜杂谶^去，它們對(duì)未來有一定的預(yù)見力、洞見力，但是它們不能100%準(zhǔn)確預(yù)言未來，甚至90%也做不到。金融風(fēng)險(xiǎn)，債務(wù)危機(jī)，我們幾乎能說，無論我們?cè)趺搭A(yù)防，都難以避免；本來在模型里趨于完美的借款人，理性經(jīng)濟(jì)人，他們?cè)诳赡軙?huì)黑化變身，導(dǎo)致壞賬。總之人是一個(gè)復(fù)雜的因素，你將其簡(jiǎn)化成一串串?dāng)?shù)字、一行行代碼、一個(gè)個(gè)算法，在效率上確實(shí)有效，但也肯定不是萬全之舉。

人類有個(gè)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(gè)問題，整個(gè)數(shù)字化創(chuàng)新的行業(yè)都要面對(duì)。而對(duì)于信用行業(yè)、金融行業(yè)而言，所有風(fēng)控從業(yè)者都應(yīng)該認(rèn)識(shí)到，沒有百分百完美的模型，只有相對(duì)適應(yīng)于當(dāng)下的模型。對(duì)于未來的不確定性，我們都應(yīng)該保守地留有余地。知識(shí)的僭妄永遠(yuǎn)是高懸在人類頭頂?shù)囊话褎Γ覀儾豢刹徊臁?/span>

在這種清醒下，我們來看樂信的風(fēng)控，或者我們說的數(shù)字化大風(fēng)控，給整個(gè)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(shù)字化風(fēng)控上的迭代，是一個(gè)可以長(zhǎng)期投資的方向。

正好昨天樂信也發(fā)了財(cái)報(bào)，數(shù)字來看依然保持穩(wěn)步高速的增長(zhǎng)，而多項(xiàng)核心指標(biāo)也繼續(xù)創(chuàng)歷史新高。我在文章最后簡(jiǎn)單帖下數(shù)據(jù)吧，有興趣的可以交流。

Q2營(yíng)收33億, 息稅前利潤(rùn)10.01億元（Non—GAAP），同比增長(zhǎng)85%；

促成借款額達(dá)到606億元，同比增長(zhǎng)47.6%；

注冊(cè)用戶數(shù)達(dá)到1.44億，連續(xù)8個(gè)季度增長(zhǎng)超千萬；

授信用戶達(dá)到3290萬元，同比增長(zhǎng)45.2%；

90天以上的逾期率為1.85%，新增借款FDP30連續(xù)12個(gè)月小于1%。