整理 | 近音 棘輪
2018年， 風控將成為金融行業的核心競爭力。
而行業的一大趨勢， 是融會貫通。
“產品、客群和風險是三位一體的關係。 ”在“風控·命門” 一本財經金融科技峰會上， 百度副總裁黃爽精准概括。
在資料和技術能力之外， 運營能力也將成為風控能力的一大指標。
面對一個更加廣闊的世界， 行業從業者應如何更新觀念， 自我反覆運算， 與時俱進？
黃爽：風控、產品、客群， 如何相互作用形成“鐵三角”
百度副總裁黃爽
01信貸群體販賣的是狹隘焦慮
過去一年左右的時間裡， 整個個人信貸行業是過山車似的發展態勢。
有人說：“現金貸的業務核心是流量， 最大的成本是獲客成本， 根本輪不到風控。 ”有人說：“只要把利率抬得足夠高， 不需要風控優勢， 照樣能夠盈利。 ”
出了一些監管的措施後， 另外一種言論出現了：“借款人群體已經被收割殆盡了， 所以可能剩下的開發空間也不足了。 ”也有人說：“絕大多數的客戶都在多頭貸， 連螞蟻和微利貸都被污染了。 ”最後的結果是沒有流量， 你會焦慮；利率不能高了， 你會焦慮；你是螞蟻， 你還得焦慮， 因為你會被污染。 現在不焦慮， 根本上不了頭條。
但我們說為什麼這些言論不足可信呢？
因為所有這些說法都脫離了產品、客群和風險的三角關係，
02客群、風險、產品三位一體
但如果你理解產品、客群和風險三位一體的關係， 消費金融這件事情還是大有可為的。
首先說宏觀。 美國的金融科技這麼牛， 為什麼仍有美國人覺得中國的金融科技比他們還要牛？因為中國市場有一點特質是美國市場不能比擬的， 也是金融科技最大的基礎：中國市場的消費增長態勢仍然非常強勁。
其次， 我們的信貸滲透率大概是23%左右， 日本的這個資料大概是60%左右， 從個人信貸滲透率來說， 仍然還有一個非常好的發展空間。
最後從參與主體來講， 除了銀行以外， 越來越多的非銀行機構加入到這個行業裡來， 在不同的人群中進行探索。 這也是一個非常大的增長空間。
03技術與三位一體的嫁接
大資料疊加AI能力， 是挖潛市場的前提。
中國有得天獨厚的條件：智慧化生活， 不僅僅把大資料沉澱下來了， 還把大資料沉澱在設備上了， 所以有條件把設備和人串起來， 把資訊和人串起來， 把資訊和設備串起來， 這給人工智慧提供了基礎。
人工智慧是什麼？是演算法+算力+產品化能力。
在人工智慧的基礎上， 科技公司加入這個行列， 能夠把人工智慧的東西工程化、產品化， 讓更多人可以去利用， 讓更多供給方能夠參與到這個行業裡來。
有了資料、演算法和算力， 對客群的理解就會比較立體。 客群不僅僅是這個人有多少風險分、違約概率大概是多少， 而是有什麼東西會影響到這些因素。
一個真實的需求， 它本身蘊含的風險遠遠低於一個虛假的需求。 如下圖這個回應模型， 是對一個人的需求進行畫像。
如果把信用分580-620的客戶分成五等分， 它的缺錢程度在最上面的20%， 裡面是最下面20%的90倍， 也就是說， 很多時候， 我們其實是不理解我們是需要對上面的這20%或者最上面的40%-60%，
說他需要錢就意味著他風險高？也不是。 一個真實的需求是救急不救窮的。 所以在我們高響應人群的風險分佈裡面， 低風險的人群也是能夠占到一半以上。
04解構風險、產品和客群的關係
百度交易資料不是特別多， 但是相對比較即時和多維， 從風險角度看， 它有幾個特徵。
1.沒有央行征信的人， 百度數據是可以獨立進行區分的， 違約概率也能夠進行有效的降低。
2.一旦這個資料和央行征信組合在一起的時候， 可以跟更大的人群進行疊加， 進一步提高違約的捕捉率。
3.在上述論述之上可以指導差異化定價， 能夠讓客群的利率得到的更準確。
風險在實際中最好的應用是反欺詐。 講個實際例子， 反欺詐日益擴展到線上線下，是一個巨大的高科技產業。
如果有個線下的學校，它有很多的申請。正常的學校學員之間是沒有關係的。一個正常的申請管道，人和人之間的關聯度分佈是非常均勻的。我們把這個叫做健康的學校。
但一個有騙貸發生的學校，人和人之間的關聯度就會發生質變，很多人之間的關聯都會變得非常明顯，所以把這個叫做“癌症細胞”。當你把這些騙貸機構和以前歷史上的騙貸機構都疊加起來的時候，這個癌細胞就長得非常快、非常大。如果這是一個可以即時停止和機構進行業務的交互，也能夠非常有效地防範線上和線下的風險。
最後說產品。
對每一種人都能用合理的定價提供一個合理的產品，這個產品的形態至少應該包括利率、額度、產品形態、典型使用者、交互管道甚至於溝通方式，這些在今天都可以用模型的反覆運算實現最大程度的多樣化。
如果我們把兩兩的關係進行一個論述，我認為客群和產品決定風險的平均值。
如果是你做的打引號的“現金貸”的客群，不管你怎麼做，你給他的只能是非常小的小額產品。你的風險平均值可能就只是20%，這是你的客群和產品決定的，但是這不是唯一可以做的客群，我們想要做的客群應該是多種多樣、最普惠的客群。針對同樣的客群，如果你對客群的認知更好、風險管理水準更高，你的產品就會比較有競爭力。
其實即使是現金貸和現金貸比，產品的經歷也是不一樣的。也有做現金貸的機構將來會蛻變，走出更有競爭力的一條全新的道路。
最終是風險和產品決定你的客群邊界。
有些客群今天做不了，但是當你的風險管理水準提升的時候，當你有更多元化的產品接觸到他、打動他的時候，你的客群邊界就自然而然地擴大了。
最終其實這些都不是兩兩關係，最終都是三位一體的關係。
餘泉：大資料風控不是黑盒子，與傳統風控有一樣的嚴謹性和體系性
螞蟻金服微貸風險管理部總經理余泉
01服務線下商戶
線下商戶是什麼？大家可能都比較熟悉：去吃飯、美容遇到的經營線下實體店的商戶。他們就像整個商業血管最末端的細胞。服務好他們，實際上就是服務好整個實體經濟裡以前沒有被服務好的客群。
這些線下商戶很難得到金融服務，就算得到金融服務，要麼需要抵押，要麼需要收很高的利率。實際上，螞蟻金服從去年開始，就配合支付寶做線下商戶收錢碼的活動，探索怎樣能用更方便、更普惠的方式服務這個客群。
我們設計了一個隨時可以申請、隨時可以使用的多收多貸產品，額度越用越高。有些商戶甚至可以獲取用花唄收款的資格。
我們專門針對商戶設計了一款產品“餘利寶”，即收取的零錢隨時存入一個隨進隨取的帳戶，幫商戶賺取更多利息。
而從消費者角度，用戶可以選擇支付寶和花唄等多種支付方式付款。
說到多收多貸，舉一個具體實例。一個杭州商戶，是30歲左右的年輕人，開了一個外賣店，五六個雇員都是父母、親戚。在決定賣什麼的時候，他經常去查看美團和大眾點評上熱搜的是什麼，然後根據熱搜調整產品。他的業務做得特別好，於是就需要擴張。
就在這時，螞蟻金服模型資料發現了他，給他推送了產品。他順勢就用我們的五六萬貸款買了一些廚房設備和冰箱。第二個月，他的業務就擴大了很多倍，也還清了貸款。
這些線下小店的現金流是類似的。一旦遇到擴張，比如開門店、買設備的時候，沒有足夠現金，是非常需要貸款服務雪中送炭的。
02大資料風控不是黑匣子
回到風控上來，談一談螞蟻金服是如何服務這些線下商戶的。
我們尊崇惠普，要給他們更好更及時的產品、更低的利率。具體到風險管理環節，就是要降低風險成本。把風險成本控得非常低，才能給客戶提供最低的利率、最優質的貸款服務。
從大模式上講，我們主要從幾個角度來識別商戶：他是不是經營者？他是做哪個行業的？他的經營能力在哪個等級 ？通過這些資訊來全面瞭解商戶。
此外，一方面，我們要做大資料風控；另一方面，我們也要做一些線下反欺詐的事情。網上不乏對大數據風控的誤解。大資料風控經常舉的一個例子是，如果某人半夜2點借錢，那麼他一定是壞人。也就是說，在一些人的邏輯中，使用者在頁面上怎樣了，他就是什麼樣的人。大家覺得大資料風控就是一個黑盒子。
但我覺得，最核心的大資料風控，跟傳統風控其實有一點非常一致的地方：做風險管理的框架設計，是需要一模一樣的嚴謹性和體系性的。它做傳統風控沒有任何區別。
評價一個人，不管是商戶還是個人，一定要進行全面的評價：他的負債是多少？他的負債表現是什麼形式？他的收入是多少？收入能表現什麼形式？在設計任何風險管理體系的時候，一定要從這兒出發。如果沒有這個體系性，只是碎片化地用一些資料做風控，風險是非常大的。
說點具體的例子。一些小商戶之所以沒有被服務，是因為他們沒有在任何正式的商業名錄、工商企業名單之中，有些人甚至從來沒有銀行流水、未必是個真正的註冊商戶。在這種情況下首先要做的，就是怎麼識別他是一個經營者，而非一個個人。
我們使用支付寶獲取他們的現金流交易資料，看到的是幾千萬、幾億現金之間的交互。我們的任務，是從資金交互網路裡判斷誰是經營者、誰是個體。
個體的支付寶的關係網長得像毛線團，沒有集中給某個人打錢的動作，而是你轉給我、我轉給你這麼一個比較均勻的網路。商戶關係網絡看起來是有個中心點的，這個圖長得像蒲公英，有很多個點是陌生人向一個人轉帳的。通過各種演算法和調優，我們最後用這種方式識別誰是個體、誰是個人經營者。
03建立行業詞庫
形象的比喻可能讓大家感覺這是很簡單的事，但行業內的人都知道，客群分析並沒有那麼簡單。
第一，大家想一下，如果是幾千萬人之間每天有資金交易的話，是需要很大的存儲能力和計算能力來做這個事情的。
第二，找到這些節點沒有那麼容易。因為商戶用支付寶也不光是收款，他也會跟親朋好友轉一下錢，要判斷是私人轉帳還是收益，在各種考慮之後多方疊加，最後才能比較確定誰是商戶。
判斷誰是商戶，還帶給我們另外一個啟發。如果有些模型被用在其他場合的次數比較多，這些模型在風控場合也是可以借鑒的。通過剛才的方式，我們想，商戶有沒有可能通過資金流的方式判斷經營者？不是所有人都用支付寶支付的，他們支付寶上的現金流不明顯，那怎樣找到跟這個商戶行為類似的商戶？
對此，我們借鑒了搜索行業推薦行業常見的M2M演算法。大家知道，在淘寶上買商品，經常被推薦一些“你可能喜歡這個”。它背後的演算法是判斷你跟其他消費者的相似程度，推薦相似程度的產品。我們用類似的辦法也進行了買家分群，利用已有的經營者的種子，發現跟他行為比較相似的人，來拓展商戶的積累。
第三，還有一個行業判斷，沒有國家發佈的關於行業的判斷，但是從風險管理、客群上，仍需要打一下標：到底是餐飲行業，還是別的什麼行業。這根據現有的碎片化資料並不是特別好完成，因為商戶的填寫資訊標準不一。
舉個例子，有些人說我是做麻辣燙的，有些人說是家常菜，有些人說是小吃，有些是烤肉，這就需要去判斷他到底是不是在做餐飲，是哪個行當的。我們就要通過這些詞去連結他的行業。
通過去年幾個月的積累，我們建立了一個行業詞庫，裡面大概有220多個行業、幾千個關鍵字。所有新商戶填的資訊，在最後標準的時候，我們都會映射到詞庫裡，判斷他的行業，對行業進行分類。
這個頁面是反映多收多貸客戶得到了什麼。作為經營者，你使用支付寶收款，因為我們對你的瞭解更多，你可以貸的款就更多。商戶每天都會算算自己這一天賺了多少錢，他需要一些微小及時的鼓勵，所以在提額的設計上，如果他滿足要求的話，我們每10天就會給他提一次額，相當於給他獎勵。
我特別同意黃爽的觀點，我想的跟她說的客群、風險、產品的“鐵三角”關係很像。這個東西如果轉起來，會產生特別不一樣的化學反應。一旦你的產品打出品牌，有更多人用，那你風險管理的效果是不一樣的。
中國小微企業貸款粗估是在7千萬到1億這個量級，這個藍海非常浩瀚。我們想做的不是自己去自營，而是希望通過我們的能力，通過平臺化的方式，跟體系外的銀行和其他金融企業合作，一起來服務小微企業。
沈曉春：金融核心是風控，風控核心是資料能力
京東金融風險管理部總經理沈曉春
01風控能力的三個方向：資料、技術、運營
做金融的人都知道，風控是金融的核心，也是能量的來源。
風控幫助我們更好地長足發展。對風控的重視程度、投入的資源多寡，也體現了一個企業是否有決心把業務做長遠，做到真正良性發展。
而風控能力的三個方向，則是資料能力、技術能力（AI能力）與運營能力。
首先，資料能力是做風控的真正核心基礎，這是毋庸置疑的。京東金融在服務合作夥伴與個人使用者的過程中，積累了大量資料。每天新增的資料量，超過200TB。這些資料可以在風控層面上，做各種模型、策略、定制化的場景等。
在技術能力上，演算法的最終能力取決於底層的算力，也取決於這些算力資源如何實現優化。例如，在最底層的基礎層，如何做資料的標注，可以讓資料的計算高效地支撐中間的演算法層？如何通過一些分散式機器學習的方式、資源的調配，來更好地利用所有的算力？
在中間的演算法層，圖像、語音辨識的演算法，如何整合基礎層上的資料？如何把資料量化到技術模組當中？如何讓資料最終在真正的產品層，實現欺詐檢測、智慧投顧、客服運營？這些都是底層技術在具體場景中的實際落地。
最後，是運營能力。資料、技術在風控過程中的重要性，大家都很容易理解，但今天，我為什麼還要強調運營能力呢？
運營來自於多樣的場景、多樣的產品和多樣客群的交織。在這樣的過程中，運營能力實際上驅動了產品和實際場景的複雜度，從而給風控提出了更高的要求、更多的挑戰。
在問題的解決過程中，運營能力與風控能力互相驅動。運營能力不斷地深化，可以迫使風控能力在一個特殊場景、在一個特殊客群上能夠更好地理解客戶，從多維、動態的角度瞭解客戶的需求，瞭解客戶的風險點，從而在這個過程中，把產品推向體驗的極致，最終達到使用者體驗與系統風控的平衡。
02科技讓風控更安全
風控有幾大方面，無論是運營對風控的推動，還是資料對風控的支撐，技術都是非常重要的部分。
以線上環境為例。線上環境對於帳戶的安全體系要求極高，技術如何在保證用戶體驗的前提下，幫助風控實現真正安全的帳戶體系？
使用者在登錄帳號時，風控系統會把帳戶登陸的安全場景分為兩層。一層是純技術的，包括設備的識別、人機識別、生物識別的特徵，都有相應的技術模組，生成標籤、預警。
這些資訊會傳遞到第二層：日常登陸模型和帳戶安全模型。第二層模型會對資訊進行處理，識別是否是用戶本人在使用帳戶，是否有可疑行為發生。這樣可以在不打擾使用者情況下，保護使用者資訊、資產安全。
上圖我們在反欺詐過程中用到的一個演算法：通過路徑學習的方式，識別整個登陸過程、客戶交易過程中可能出現的風險點。
我們經常說“道不同不相為謀”，這更多是從他的行為特徵來看。簡單舉例，如何在一個行銷活動中，確定客戶是本人登陸帳戶呢？
前端有帳戶登陸的模型，會排除一些可能性。在這個過程中，一個正常客戶的路徑，會看到領優惠券，流覽一些不同優惠券覆蓋的優惠商品，並在這個過程中進行比價、放購物車，然後再進行支付。
這是常規的路徑。我們可以挑選一個反例：客戶幾次修改密碼，直接查看餘額，嘗試轉帳，最後把易變現品放入購物車。這樣的行為存在很多疑點，這些疑點在整個路徑學習過程中，可以通過時間回溯與既往歷史比較，判定是否存在安全問題。在整個欺詐、反欺詐的領域中，這一演算法也應用得非常廣泛。
設備群體挖掘技術，基於圖形演算法開發，被譽為風控體系防火牆，是目前比較常見的模型演算法之一。黑產的隱蔽性非常高，我們利用已經發現的問題，就可以借此進行排查。
這是一種關聯性的演算法，也是一個節點，可以判斷出一度關聯、二度關聯到三度關聯中，每個節點關聯到有問題客群或仲介的概率是多少。這一演算法可以排查集散點與可疑點。
對帳戶登錄的各個環節，進行交易反欺詐、信貸申請反欺詐、反洗錢與行銷風控排查，是非常重要的。風控體系防火牆的應用十分廣泛，也解決了很多問題。
03技術推動新監管
技術可以推動業務的發展，也可以幫助我們更好地配合監管。反洗錢就是一個典型的例子，反洗錢包括對所有商戶的KYB、普通商戶的KYC，之後到交易、到監控、到資訊審核的閉環。
實際的反洗錢體系，也基於強大的計算平臺，每筆資金交易都會接入反洗錢體系，通過歷史交易、靜態資訊、對手交易評級等特徵值進行判斷，是否出現涉及反洗錢等可疑行為，並上報監管。
包括黑名單挖掘技術在內的整個體系，也會在實際應用場景中進行落地，並實現90%以上環節的自動化監控和排查。
在京東金融自有業務上，京東金融與銀聯推出了風險資訊共用機制，在區塊鏈技術的加持下，可以實現更加完善安全的風險共用體系。在這個體系中，所有成員都有准入標準，獲准進入的成員可以將資訊記錄在區塊鏈中，共同維護資料安全。
風控講究的是全流程、全方位、多維度的判斷和防控。我們自營業務本身就有這樣的需求，用戶的註冊、登陸、參加行銷活動、支付訂單、理財等行為，其實都在風控系統的保護範圍內。
反欺詐日益擴展到線上線下，是一個巨大的高科技產業。如果有個線下的學校，它有很多的申請。正常的學校學員之間是沒有關係的。一個正常的申請管道，人和人之間的關聯度分佈是非常均勻的。我們把這個叫做健康的學校。
但一個有騙貸發生的學校，人和人之間的關聯度就會發生質變，很多人之間的關聯都會變得非常明顯，所以把這個叫做“癌症細胞”。當你把這些騙貸機構和以前歷史上的騙貸機構都疊加起來的時候，這個癌細胞就長得非常快、非常大。如果這是一個可以即時停止和機構進行業務的交互，也能夠非常有效地防範線上和線下的風險。
最後說產品。
對每一種人都能用合理的定價提供一個合理的產品，這個產品的形態至少應該包括利率、額度、產品形態、典型使用者、交互管道甚至於溝通方式，這些在今天都可以用模型的反覆運算實現最大程度的多樣化。
如果我們把兩兩的關係進行一個論述，我認為客群和產品決定風險的平均值。
如果是你做的打引號的“現金貸”的客群，不管你怎麼做，你給他的只能是非常小的小額產品。你的風險平均值可能就只是20%，這是你的客群和產品決定的，但是這不是唯一可以做的客群，我們想要做的客群應該是多種多樣、最普惠的客群。針對同樣的客群，如果你對客群的認知更好、風險管理水準更高，你的產品就會比較有競爭力。
其實即使是現金貸和現金貸比，產品的經歷也是不一樣的。也有做現金貸的機構將來會蛻變，走出更有競爭力的一條全新的道路。
最終是風險和產品決定你的客群邊界。
有些客群今天做不了，但是當你的風險管理水準提升的時候，當你有更多元化的產品接觸到他、打動他的時候，你的客群邊界就自然而然地擴大了。
最終其實這些都不是兩兩關係，最終都是三位一體的關係。
餘泉：大資料風控不是黑盒子，與傳統風控有一樣的嚴謹性和體系性
螞蟻金服微貸風險管理部總經理余泉
01服務線下商戶
線下商戶是什麼？大家可能都比較熟悉：去吃飯、美容遇到的經營線下實體店的商戶。他們就像整個商業血管最末端的細胞。服務好他們，實際上就是服務好整個實體經濟裡以前沒有被服務好的客群。
這些線下商戶很難得到金融服務，就算得到金融服務，要麼需要抵押，要麼需要收很高的利率。實際上，螞蟻金服從去年開始，就配合支付寶做線下商戶收錢碼的活動，探索怎樣能用更方便、更普惠的方式服務這個客群。
我們設計了一個隨時可以申請、隨時可以使用的多收多貸產品，額度越用越高。有些商戶甚至可以獲取用花唄收款的資格。
我們專門針對商戶設計了一款產品“餘利寶”，即收取的零錢隨時存入一個隨進隨取的帳戶，幫商戶賺取更多利息。
而從消費者角度，用戶可以選擇支付寶和花唄等多種支付方式付款。
說到多收多貸，舉一個具體實例。一個杭州商戶，是30歲左右的年輕人，開了一個外賣店，五六個雇員都是父母、親戚。在決定賣什麼的時候，他經常去查看美團和大眾點評上熱搜的是什麼，然後根據熱搜調整產品。他的業務做得特別好，於是就需要擴張。
就在這時，螞蟻金服模型資料發現了他，給他推送了產品。他順勢就用我們的五六萬貸款買了一些廚房設備和冰箱。第二個月，他的業務就擴大了很多倍，也還清了貸款。
這些線下小店的現金流是類似的。一旦遇到擴張，比如開門店、買設備的時候，沒有足夠現金，是非常需要貸款服務雪中送炭的。
02大資料風控不是黑匣子
回到風控上來，談一談螞蟻金服是如何服務這些線下商戶的。
我們尊崇惠普，要給他們更好更及時的產品、更低的利率。具體到風險管理環節，就是要降低風險成本。把風險成本控得非常低，才能給客戶提供最低的利率、最優質的貸款服務。
從大模式上講，我們主要從幾個角度來識別商戶：他是不是經營者？他是做哪個行業的？他的經營能力在哪個等級 ？通過這些資訊來全面瞭解商戶。
此外，一方面，我們要做大資料風控；另一方面，我們也要做一些線下反欺詐的事情。網上不乏對大數據風控的誤解。大資料風控經常舉的一個例子是，如果某人半夜2點借錢，那麼他一定是壞人。也就是說，在一些人的邏輯中，使用者在頁面上怎樣了，他就是什麼樣的人。大家覺得大資料風控就是一個黑盒子。
但我覺得，最核心的大資料風控，跟傳統風控其實有一點非常一致的地方：做風險管理的框架設計，是需要一模一樣的嚴謹性和體系性的。它做傳統風控沒有任何區別。
評價一個人，不管是商戶還是個人，一定要進行全面的評價：他的負債是多少？他的負債表現是什麼形式？他的收入是多少？收入能表現什麼形式？在設計任何風險管理體系的時候，一定要從這兒出發。如果沒有這個體系性，只是碎片化地用一些資料做風控，風險是非常大的。
說點具體的例子。一些小商戶之所以沒有被服務，是因為他們沒有在任何正式的商業名錄、工商企業名單之中，有些人甚至從來沒有銀行流水、未必是個真正的註冊商戶。在這種情況下首先要做的，就是怎麼識別他是一個經營者，而非一個個人。
我們使用支付寶獲取他們的現金流交易資料，看到的是幾千萬、幾億現金之間的交互。我們的任務，是從資金交互網路裡判斷誰是經營者、誰是個體。
個體的支付寶的關係網長得像毛線團，沒有集中給某個人打錢的動作，而是你轉給我、我轉給你這麼一個比較均勻的網路。商戶關係網絡看起來是有個中心點的，這個圖長得像蒲公英，有很多個點是陌生人向一個人轉帳的。通過各種演算法和調優，我們最後用這種方式識別誰是個體、誰是個人經營者。
03建立行業詞庫
形象的比喻可能讓大家感覺這是很簡單的事，但行業內的人都知道，客群分析並沒有那麼簡單。
第一，大家想一下，如果是幾千萬人之間每天有資金交易的話，是需要很大的存儲能力和計算能力來做這個事情的。
第二，找到這些節點沒有那麼容易。因為商戶用支付寶也不光是收款，他也會跟親朋好友轉一下錢，要判斷是私人轉帳還是收益，在各種考慮之後多方疊加，最後才能比較確定誰是商戶。
判斷誰是商戶，還帶給我們另外一個啟發。如果有些模型被用在其他場合的次數比較多，這些模型在風控場合也是可以借鑒的。通過剛才的方式，我們想，商戶有沒有可能通過資金流的方式判斷經營者？不是所有人都用支付寶支付的，他們支付寶上的現金流不明顯，那怎樣找到跟這個商戶行為類似的商戶？
對此，我們借鑒了搜索行業推薦行業常見的M2M演算法。大家知道，在淘寶上買商品，經常被推薦一些“你可能喜歡這個”。它背後的演算法是判斷你跟其他消費者的相似程度，推薦相似程度的產品。我們用類似的辦法也進行了買家分群，利用已有的經營者的種子，發現跟他行為比較相似的人，來拓展商戶的積累。
第三，還有一個行業判斷，沒有國家發佈的關於行業的判斷，但是從風險管理、客群上，仍需要打一下標：到底是餐飲行業，還是別的什麼行業。這根據現有的碎片化資料並不是特別好完成，因為商戶的填寫資訊標準不一。
舉個例子，有些人說我是做麻辣燙的，有些人說是家常菜，有些人說是小吃，有些是烤肉，這就需要去判斷他到底是不是在做餐飲，是哪個行當的。我們就要通過這些詞去連結他的行業。
通過去年幾個月的積累，我們建立了一個行業詞庫，裡面大概有220多個行業、幾千個關鍵字。所有新商戶填的資訊，在最後標準的時候，我們都會映射到詞庫裡，判斷他的行業，對行業進行分類。
這個頁面是反映多收多貸客戶得到了什麼。作為經營者，你使用支付寶收款，因為我們對你的瞭解更多，你可以貸的款就更多。商戶每天都會算算自己這一天賺了多少錢，他需要一些微小及時的鼓勵，所以在提額的設計上，如果他滿足要求的話，我們每10天就會給他提一次額，相當於給他獎勵。
我特別同意黃爽的觀點，我想的跟她說的客群、風險、產品的“鐵三角”關係很像。這個東西如果轉起來，會產生特別不一樣的化學反應。一旦你的產品打出品牌，有更多人用，那你風險管理的效果是不一樣的。
中國小微企業貸款粗估是在7千萬到1億這個量級，這個藍海非常浩瀚。我們想做的不是自己去自營，而是希望通過我們的能力，通過平臺化的方式，跟體系外的銀行和其他金融企業合作，一起來服務小微企業。
沈曉春：金融核心是風控，風控核心是資料能力
京東金融風險管理部總經理沈曉春
01風控能力的三個方向：資料、技術、運營
做金融的人都知道，風控是金融的核心，也是能量的來源。
風控幫助我們更好地長足發展。對風控的重視程度、投入的資源多寡，也體現了一個企業是否有決心把業務做長遠，做到真正良性發展。
而風控能力的三個方向，則是資料能力、技術能力（AI能力）與運營能力。
首先，資料能力是做風控的真正核心基礎，這是毋庸置疑的。京東金融在服務合作夥伴與個人使用者的過程中，積累了大量資料。每天新增的資料量，超過200TB。這些資料可以在風控層面上，做各種模型、策略、定制化的場景等。
在技術能力上，演算法的最終能力取決於底層的算力，也取決於這些算力資源如何實現優化。例如，在最底層的基礎層，如何做資料的標注，可以讓資料的計算高效地支撐中間的演算法層？如何通過一些分散式機器學習的方式、資源的調配，來更好地利用所有的算力？
在中間的演算法層，圖像、語音辨識的演算法，如何整合基礎層上的資料？如何把資料量化到技術模組當中？如何讓資料最終在真正的產品層，實現欺詐檢測、智慧投顧、客服運營？這些都是底層技術在具體場景中的實際落地。
最後，是運營能力。資料、技術在風控過程中的重要性，大家都很容易理解，但今天，我為什麼還要強調運營能力呢？
運營來自於多樣的場景、多樣的產品和多樣客群的交織。在這樣的過程中，運營能力實際上驅動了產品和實際場景的複雜度，從而給風控提出了更高的要求、更多的挑戰。
在問題的解決過程中，運營能力與風控能力互相驅動。運營能力不斷地深化，可以迫使風控能力在一個特殊場景、在一個特殊客群上能夠更好地理解客戶，從多維、動態的角度瞭解客戶的需求，瞭解客戶的風險點，從而在這個過程中，把產品推向體驗的極致，最終達到使用者體驗與系統風控的平衡。
02科技讓風控更安全
風控有幾大方面，無論是運營對風控的推動，還是資料對風控的支撐，技術都是非常重要的部分。
以線上環境為例。線上環境對於帳戶的安全體系要求極高，技術如何在保證用戶體驗的前提下，幫助風控實現真正安全的帳戶體系？
使用者在登錄帳號時，風控系統會把帳戶登陸的安全場景分為兩層。一層是純技術的，包括設備的識別、人機識別、生物識別的特徵，都有相應的技術模組，生成標籤、預警。
這些資訊會傳遞到第二層：日常登陸模型和帳戶安全模型。第二層模型會對資訊進行處理，識別是否是用戶本人在使用帳戶，是否有可疑行為發生。這樣可以在不打擾使用者情況下，保護使用者資訊、資產安全。
上圖我們在反欺詐過程中用到的一個演算法：通過路徑學習的方式，識別整個登陸過程、客戶交易過程中可能出現的風險點。
我們經常說“道不同不相為謀”，這更多是從他的行為特徵來看。簡單舉例，如何在一個行銷活動中，確定客戶是本人登陸帳戶呢？
前端有帳戶登陸的模型，會排除一些可能性。在這個過程中，一個正常客戶的路徑，會看到領優惠券，流覽一些不同優惠券覆蓋的優惠商品，並在這個過程中進行比價、放購物車，然後再進行支付。
這是常規的路徑。我們可以挑選一個反例：客戶幾次修改密碼，直接查看餘額，嘗試轉帳，最後把易變現品放入購物車。這樣的行為存在很多疑點，這些疑點在整個路徑學習過程中，可以通過時間回溯與既往歷史比較，判定是否存在安全問題。在整個欺詐、反欺詐的領域中，這一演算法也應用得非常廣泛。
設備群體挖掘技術，基於圖形演算法開發，被譽為風控體系防火牆，是目前比較常見的模型演算法之一。黑產的隱蔽性非常高，我們利用已經發現的問題，就可以借此進行排查。
這是一種關聯性的演算法，也是一個節點，可以判斷出一度關聯、二度關聯到三度關聯中，每個節點關聯到有問題客群或仲介的概率是多少。這一演算法可以排查集散點與可疑點。
對帳戶登錄的各個環節，進行交易反欺詐、信貸申請反欺詐、反洗錢與行銷風控排查，是非常重要的。風控體系防火牆的應用十分廣泛，也解決了很多問題。
03技術推動新監管
技術可以推動業務的發展，也可以幫助我們更好地配合監管。反洗錢就是一個典型的例子，反洗錢包括對所有商戶的KYB、普通商戶的KYC，之後到交易、到監控、到資訊審核的閉環。
實際的反洗錢體系，也基於強大的計算平臺，每筆資金交易都會接入反洗錢體系，通過歷史交易、靜態資訊、對手交易評級等特徵值進行判斷，是否出現涉及反洗錢等可疑行為，並上報監管。
包括黑名單挖掘技術在內的整個體系，也會在實際應用場景中進行落地，並實現90%以上環節的自動化監控和排查。
在京東金融自有業務上，京東金融與銀聯推出了風險資訊共用機制，在區塊鏈技術的加持下，可以實現更加完善安全的風險共用體系。在這個體系中，所有成員都有准入標準，獲准進入的成員可以將資訊記錄在區塊鏈中，共同維護資料安全。
風控講究的是全流程、全方位、多維度的判斷和防控。我們自營業務本身就有這樣的需求，用戶的註冊、登陸、參加行銷活動、支付訂單、理財等行為，其實都在風控系統的保護範圍內。