在消費金融蓬勃發展的今天，科技驅動貫穿著從營銷、獲客、審批、放款、回訪及催收的全過程。面對龐大的需求、日趨嚴格的監管，在追求發展的同時，如何構建一個良性、可持續性的風險防控業態，是消費金融機構可持續發展和提高核心競爭力的根本。
風險控制
風控作為消費金融的生存命脈，也是互聯網金融行業穩健、安全發展的關鍵。業界各家消費金融機構積極投身風控能力建設、深鑽風控技術、自研風控系統、提升自主風控能力，助力企業走上“快車道”。
當前各家消費金融機構紛紛發力風控領域科技創新與應用，多家消費金融獨角獸湧現，如螞蟻金服、微眾銀行、馬上消費金融等，筆者今天就馬上消費金融（以下簡稱“馬上金融”）這隻低調的獨角獸進行深度挖掘與解秘。
馬上金融作為消費金融領域的科技創新企業，在大數據智能風控領域一直秉承“數據+風控+金融”的管理模式，高度重視在技術方面的投入，構建自主風控能力；在瞭解場景、用戶和業務的基礎上，利用大數據和人工智能等技術構建風控模型，貫穿貸前准入、反欺詐，貸中評級授信、額度管理、交易跟蹤，貸後風險分類、風險預警、催收管理等全流程。據瞭解，由馬上金融自主研發的風控系統家族--Luma，結合靈活工作流引擎和決策規則引擎，整合客戶多維海量數據，通過大數據挖掘技術對客戶申請數據、行為數據、社交數據等進行挖掘分析，描繪客戶風險畫像並進行風險量化，真正做到了“見微知著，風險先知”。
馬上金融Luma風控系統家族是如何支撐“大數據+智能”風控的？
大數據
馬上金融以數據為驅動的智能風控的核心優勢主要體現在三個方面：一是海量內外部數據源的有效整合與對接；二是基於數據源構造變量，建立信貸全生命週期的風控規則和模型；三是創建支撐智能、高效決策的自主風控系統。數據是基礎、規則和模型是引擎、風控系統是支撐平臺，三者相輔相成共同作用，幫助馬上金融建立靈活、快速、高效的貸前預測、貸中監控、貸後管理的全生命週期風險管理，打造企業級風險管理體系的同時降低風險，提升運營水平。
（一）“海量+全面”的分析數據
基於互聯網大數據的多維數據源整合，為智能風控決策奠定數據基礎
數據對於審批至關重要，中國的個人徵信數據存在三大痛點：一是各類徵信數據分佈在各個不同的主體機構中，各家數據來源方式不同，數據的可靠性、穩定性存在較大差異；二是這些數據未能統一徵集和標準化處理，數據質量參差不齊；三是機制的缺失使得各家徵信機構在數據源頭圈地，形成“數據孤島”，影響行業整體水平提升。
馬上金融擁有億萬級數據源，除了直連央行徵信外，也對接公安、公積金社保、芝麻信用等數十個外部數據源，以及自建數據源。利用先進的大數據處理技術，對不同的數據源進行關聯處理和有效整合，從多維度完善了用戶的身份信息、信貸信息、消費信息、社交信息、行為信息等數據源，提高了數據利用率，有效地解決了客戶無信貸記錄或信貸數據不充分的問題。在審批過程中並行調用這些數據服務，實現毫秒級實時數據獲取、大量非結構化數據和輿情數據快速加工，豐富外部數據的同時為構建大數據風控模型和實現自動審批決策提供了強有力的數據基礎。
在外部數據源系統建設方面，馬上金融自主研發了統一數據接入系統，滿足數據源接入需求，通過多廠商數據源集中化管理，實現外部數據源接口標準化、服務監控精細化，加快外部數據源的接入速度，為智能風控決策奠定數據基礎。
（二）“靈活迭代+科學有效”的風控策略與數據模型
可靈活調整、持續迭代的風控策略
為應對市場變化、客群變化，提高客戶響應速率，在審批決策中靈活調整規則和模型顯得尤為重要。需要對規則和模型進行持續迭代，以降低逾期率、提高審批通過率，解決金融風控面臨的核心問題。馬上金融逐步形成規則、模型相輔相成的審批策略，制定了上百個決策流、上萬個決策策略，以高效響應業務風控需求。此外，可以根據模型更迭需要在變量池對已有變量進行重新組合，豐富入模變量類型，提升模型優化效率，助力規則與模型的高效持續迭代，進而完善智能化大數據風控審批系統體系。
建立科學有效的、基於信貸全生命週期的大數據風控模型
以央行徵信數據為基礎，但又不侷限於央行徵信數據，深度挖掘客戶的信貸數據、消費數據、行為數據，結合數據統計特性和專家經驗，基於這些數據，馬上金融已實現10W+風險變量的構造開發，同時將先進的大數據建模方法（如集成學習、增強學習、深度學習等）與消費金融的具體業務相結合，構建並完善貸前、貸中、貸後全生命週期風控模型（如反欺詐模型、信用評分、還款能力評分、客戶行為評分、催後預測等模型），對客戶的信用風險和欺詐風險進行精確評估。目前馬上金融已經開發完成上百個數據模型，這些風險模型對數據的積累，深刻促進了對客戶的全面瞭解，有利於有效防範客戶信用風險和欺詐風險。
依託模型實驗室，運籌風險於帷幄
模型實驗室平臺作為馬上金融風險計量體系的基礎設施，是保障風險計量工具規範性、提高模型開發效率的平臺。建模效率得到了極大提高，主要體現在數據準備模式變更、減少建模程序代碼編寫、模型開發用戶之間的交互、模型評估、審批、發佈及監控的線上模式、知識經驗分享機制設計等環節。通過建立模型實驗室，可以有效控制模型風險、提高模型研發效率、實現知識積累、全面安全監控。例如，模型風險一般來源於建模方法論不正確、數據清洗錯誤等多個環節。模型實驗室設計了一系列的模型風險控制策略，對模型風險進行控制。
模型實驗室平臺體系建立後，模型管理變得更加統一和規範：從模型開發模式上看，原有各團隊開發模式變成了集中式開發，統一開發流程和結果輸出；模型管理模式從各個團隊的分散存放管理變為統一模型文檔存儲和管理；數據的準備模式從項目形式的數據存儲改變為基於公司數據倉庫的統一數據提取、轉換、規整存儲；知識的積累模式從分散式、無規則積累改變為標準化、規範化的知識積累流程和知識權限控制；安全監督模式從安全管理缺失變為集中管理模式，實現數據和文檔的安全控制。
（三）“智能+高效+靈活+自主”的風控決策系統平臺
貸前審批自主可控、靈活快速
Luma審批系統是馬上金融自主研發的基於靈活工作流引擎和決策規則引擎的信貸審批系統。工作流引擎將各種變量、數據源、模型服務化和節點化，支持靈活快速地構建多種不同的審批工作流程、調整審批決策節點順序，針對不同消費場景和金融產品申請提供不同的審批工作流，針對不同客戶的申請提供不同的風控策略，達到優質客戶秒級審批通過，劣質客戶快速拒絕，實現千人千面的信用評級和風險定價。同時，支持審批業務流程便捷調整、審批策略持續迭代、內外部數據源快速增加、簡單策略調整與變更可實現當天部署，提高風控審批效率的同時提升用戶體驗。對於自動化風控決策，馬上金融研發出自有決策規則引擎，建立變量池和規則池，支持靈活配置、A/B test測試、線下效果評測和精細化監控。在系統架構方面，Luma審批系統採用分佈式架構設計，支持高併發處理海量客戶申請單，最高日審批百萬單，峰值處理200單/秒鐘，結合高性能決策規則引擎實現秒級輸出審批結果。
以大數據實時反欺詐和信用風險審核的決策審批
借款欺詐中，團伙或者類團伙欺詐通常會帶來巨大的逾期損失，是重點防範對象，馬上金融基於圖技術的複雜網絡可以實時識別出團夥欺詐，在複雜網絡中放入用戶的身份證號、電話、關鍵的行為數據等，形成用戶的個人檔案，並且與其他用戶的檔案相關信息建立關聯，實現毫秒級追蹤，大幅提升實時反欺詐的效果。
基於存量用戶數據、外部接入數據、自建數據，圍繞信貸審批，馬上金融利用傳統機器學習方法訓練模型，自動識別用戶欺詐行為，給予合理的授信額度，目前已經建立了10W+變量特徵庫和上百個模型，用於不同的數據源、產品和審批階段，組合應用後效果顯著，做到較高的通過率和較低的逾期率。
自研與應用人工智能和創新技術
馬上金融作為一家金融科技公司，致力於研究綜合運用設備指紋、IP數據技術、綜合地理位置、電話號碼數據等創新技術的研究與應用，已形成自有黑名單庫自研地理位置庫應用於反欺詐。此外，馬上金融自研Face X活體人臉識別技術，經過幾十億樣本數據的訓練與生產應用的不斷優化，目前識別精準度高達99%，可以應對絕大部分複雜環境，對於檢驗是否是真人以及是否是客戶本人起到了非常好的效果，有效降低了欺詐的概率。
實現信貸全生命週期管理
圍繞Luma審批系統，馬上金融自主研發Luma反欺詐深度調查系統、Luma存量客戶管理系統和交易反欺詐系統等多個Luma家族系統，結合貸前申請審批歷史數據、貸中環節循環監控、貸後管理環節反補貸前審批和貸中監控，形成全生命週期客戶風險管理。
貸前審批流程可以實時將可疑客戶推送至Luma反欺詐深度調查系統，建立深度調查任務和案件，同時利用機器學習聚類模型挖掘黑中介團伙案件，循環觸發預警，對客戶進行實時貸中審查和監控，及時發現風險和止損。貸前審批系統和深度調查系統利用圖技術構建的基於客戶社交關係畫像的關聯圖譜，圖譜結合關聯關係的不同客戶貸後表現和社交關係緊密度，為新申請關聯客戶的風險提供直觀和清晰的預警提示，持續豐富客戶風險畫像，對客戶進行精準風險度判斷。存量客戶管理系統結合貸款合同貸後表現數據，對不同客戶進行分層額度管理、凍結解凍干預賬戶管理，並支持全自動化和批量執行，快速高效對不同客戶實現不同的貸中貸後管理。
Luma家族系統通過風險業務數據打通和共享，通過深度調查系統對客戶調查數據反饋至貸前審批和貸後管理，形成風險管理能力不斷提升的良性循環。
結束語：
在消費金融強監管、去槓桿、迴歸本原的環境下，市場已經從跑馬圈地進入到規模與質量並重的時代，風控是整個業務的驅動器。消費金融競爭的背後歸根結底是風控能力的打造，相比於傳統消費金融風控模式，互聯網消費金融風控能力打造應以大數據風控為基礎，融入“數據+風控模型+算法”的思想，真正有效地將風險進行量化，突破反欺詐風險管控難點，在滿足合規的前提下積極打造科技驅動的普惠金融和數據驅動的智能風控，有效防範信用風險。
閱讀更多 馬上消費金融 的文章
