集奥聚合汤林：运用人工智能做好金融风控

集奥聚合高级副总裁汤林

　　新浪财经讯 第十五届中国国际金融论坛于2018年12月15日-16日在上海召开，主题为：现代金融体系构建服务实体经济高质量发展，集奥聚合高级副总裁汤林出席并演讲 。

　　集奥聚合是基于用户线上的行为，线下消费的行为，包括信贷方面的一些表现，以及在互联网上的行为表现，例如地理位置，社交网络、社交圈，甚至运营商的相关数据积累表现，从而在营销获客做响应评价，做好金融风控。

　　汤林还谈到了贷中风险管理的几点建议：第一，机构自己内部已经有的相关信息。第二，在贷中也需要引入信用评分以及提前部署后期的催收评分，去判断这个人在贷中是不是发生劣变，会有共债的风险产生，好让让机构能提前介入到他的催收准备当中。

　　以下为演讲实录：

　　汤林：感谢各位来宾和各位老师和前辈们，我是北京集奥聚合的汤林，集奥聚合是2012年在北京成立，是一家专注于大数据场景应用化的平台公司，同时也在人工智能解决方案上面，我们也会做一些研究，致力于构建一个大数据生态体系，我们主要也是聚焦在整个金融的风控，精准营销等方面。因为今天是金融论坛，所以我展示了部分金融方面的合作伙伴。

　　目前，集奥聚合已经合作了有上千家企业，为他们提供端到端的人工智能解决方案。刚刚前面几位老师也提到了，我们的人工智能其实最重要的一个基础就是多维度的数据。我们基于用户线上的行为，线下消费的行为，包括信贷方面的一些表现。以及在互联网上的行为表现，地理位置，社交网络、社交圈，甚至他在运营商的相关数据积累表现，我们会把他应用在金融场景上面。从银行、互金、消金、小贷、汽车、保险这些领域都可以涉及到。针对金融领域，我们会在营销获客做响应评价。然后是反欺诈甄别、信用评价，贷中，贷后。

　　我们对于个人信贷整体的流程做了一个简单的划分。首先是获客部分。传统情况下，银行有地推，或者电销。我们会从营销的响应评价就开始介入，包括刚刚咱们钟老师提到的智能外呼，从营销效率上比人工高很多。另一个方面是存量客户激活，我们和国内大银行交流的时候，他们在发展信用卡业务的同时，因为现在新客获客成本越来越高，但他的存量客户体量非常大，四五亿都有。如何把借记卡的四五亿用户转换成贷记卡，其实这块也是我们跟他探索了两年多的时间，也做了很多成功案例。

　　反欺诈和信审，除了央行征信能够覆盖到的这部分信息，我们会从外部维度给金融机构做一些补充。比如说基础的信息核验，在其他机构是否发生负面的逾期或者借贷的行为，还会从团伙欺诈的角度，判断一度二度的联系人有没有风险。融合这几类数据得出的信用评级，完美补充机构无法涵盖的画像维度，用在线上、线下的消费金融、信用卡、信贷场景中，盲测的ks在0.4以上，auc在0.78左右。再就是通过设备的使用情况，刚刚新网银行的老师也说到了，面临团伙欺诈的风险。进入到信用风险这块，到底给他多少额度。这块可能跟现在整个市场的变化也是有一定的关系，现在互金很多的客群在向银行业转移，转移到银行去申请信用卡。共债风险的防范，是需要重点防范的地方。这块会有小的例子，给大家展示一下。

　　贷中，用户进来以后只是第一步，我们钱也给了他之后，后期需要持续观察他的金融状态。有些是人生阶段发生了变化，或者家庭出现了一些变故，也可能一开始是我们在贷前没有觉察到的信息。所以贷中监控是是非常重要的部分。贷后会用逾期模型进行预测，因为每个贷后的逾期客户，可以分成不同的等级和类型，后面会进一步说明。

　　这个是把刚才几个部分分别举的例子。第一部分，大数据精准营销部分，我们分成了两个维度，第一个实际上就是营销响应的部分，就是他这个人当前现在的需求到底是什么样的。第二个，这个人的风险状况表现怎么样。这两个我们理解为是一种婚姻介绍的方式，就是这个用户和这个产品，不管是信贷产品还是其他的产品，他的匹配度如何，一是这个人适合什么样的产品。第二是这个产品需要找什么样的人，这是我们通过大数据的维度做了两个模型。一个是风险的模型，一个是营销的模型，合在一起就能对应出适合他的产品。

　　一旦匹配之后，就会去触达。触达的方式，刚刚也提到了智能语音外呼的方式，也有其他的方式，互联网的方式或者短信的方式，会根据不同的产品会进行不同的分配。第二个，我们也会根据语义识别和理解，通过一些营销的通知或者业务咨询，因为业务咨询对语义的理解要求比较高。智能催收，用户到期之后会对他进行一个提醒式的通知。如果是复杂的交互催收，人工智能语音的这种方式还不太具备。

　　我们对人的一些风险行为进行了用户的画像，这个人的身份核验，LBS位置，资产情况是什么样的状况，互联网上有没有不良访问的记录。现在的共债情况、逾期情况，有没有诉讼在身上，通过这些维度把这个人刻画的更全面，而这部分恰好是我们很多金融机构没有涉及到的部分。我们使用过程中，发现很多的数据，不同行业的表现是不一样的。这个只是举了简单的规则，弱变量数据的话，会入到模型里面去。作为规则来说，人都会使用手机，正常使用状态下，他的逾期率在0.78左右，这是真实的样本。如果在不正常的使用，以及停机，他的逾期率明显比正常要高。类似的数据，其实可以直接当做规则去使用。一些相对比较弱的变量，可以把他入到模型里面作为参数。

　　这是历史最大逾期时长的表现，如果这个人总来没有过逾期，他的逾期率是0.92%。如果是M2、M3，逾期率逐步提高。因为这个已经经过前期的风控规则了，所以M2、M3的人数比较少一些。经过一些规则之后，还是能够发现，逾期的最大时长也是能够作为一个比较好的规则去判断后期逾期概率。

　　以上是我们对贷前的阐述，下面我们对贷中风险管理有几个部分分享。第一，机构自己内部已经有的相关信息。第二，在贷中也需要引入信用评分以及提前部署后期的催收评分，去判断这个人在贷中是不是发生劣变。会有共债的风险产生，好让让我们能提前介入到他的催收准备当中。

　　最后，贷后也有分层分级的概念，我们会根据催收评分制定一个催收规则，这个规则分几类。第一类，会有一些优质的客户，他只是暂时忘记去还款了。这类用户可以不用管他，反而是刻意用养一养的方式，然后再通过短信的方式给他提醒就可以。还有一类，相对优质的，逾期当天就可以用短信的方式做一个提醒。但有一类，真的是还款意愿或者能力特别的低，这部分人就不需要机构花太多精力在他身上浪费时间，直接是委外给其他机构就可以了。综上，催收评分的目的，实际上是把所有的逾期客户从高到低做一个优先级排序。这是我们训练集和测试集的评分的表现，已经是稳定运行阶段了。时间的关系，今天的分享就到这里谢谢大家！

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。

责任编辑：谢长杉