大數據工具、人工智能技術陪靜好歲月"同"長、與信貸風險"盾"抗。六大案例只說一件事："智能分析即服務"！
正利無往，奸利覬覦，硬幣也有兩個面。"丈"道高於"尺"魔。"智能分析即服務"向信貸業務全生命週期覆蓋了"保護膜"，向"黑產"製造者犯罪全鏈條輾壓"智能量"。不難看到，"智能分析即服務"在貸前、貸中、貸後信貸全生命週期呈現共生邏輯。
AaaS"帶節奏"
從信用卡"提額神器"案件切入《金卡生活》的風控研究。
今年8月6日，深圳市人民檢察院批准逮捕林某等20名犯罪嫌疑人，該案涉案金額高達10億元人民幣。受害目標客群是那些有提額需求的銀行持卡用戶。通過掃描網絡傳播的所謂的"一機多國提額神器"提供的二維碼，下載App，在手機移動POS機上刷卡，任意選擇"所需"交易的國家和地區，銀行持卡用戶人在境內便完成了"境外交易"，從而騙取髮卡銀行對在境外有交易記錄的信用卡給予的大幅提額。犯罪嫌疑人在持卡用戶刷卡時竊取信用卡信息後製作偽卡，盜刷已經大幅提額的卡片。"提額神器"案全鏈條特徵明顯，其中硬件工廠設在廣東深圳，後臺服務器落地廣東廣州、山東青島、河北張家口，通道運營放在福建廈門，銷售團隊分佈在廣東東莞、山東臨沂、福建漳州，偽卡製作、刷卡消費分散在馬來西亞等國家和地區。
禍起信用卡提額，試問有沒有大數據工具、人工智能技術等手段可以有效規避信用卡調額（提額與降額）諸如"交易地"的單一原則呢？同盾科技有限公司（以下簡稱"同盾科技"）給出了肯定的答案！在考慮"行為風險評分卡"、利息及手續費貢獻的"收益卡"因素，調額樣本僅佔到總樣本的10%；即便迭加"行為風險評分卡"、佣金貢獻的"收益卡"等因素，最終調額樣本也只佔到總樣本的22%，而並非部分發卡銀行簡單粗暴地激活"在境外有交易記錄的信用卡給予大幅提額"的規則。
信用卡從消費"支付工具"當仁不讓成為消費"信貸工具"，信用卡信貸業務已成為銀行消費信貸市場重要的增長力量。正利無往，奸利覬覦，硬幣也有兩個面。信貸業務全生命週期包括貸前審核、貸中監控、貸後人工催收，"提額神器"案則主要針對貸後有提額需求的銀行持卡用戶，通過竊取銀行卡磁條信息、製作偽卡、跨境盜刷等手段進行犯罪。"丈"道高於"尺"魔，同盾科技的信貸業務風控解決方案涵蓋了貸前反欺詐及信用風險評估、貸中監控及營銷獲客、貸後逾期管家等環節，為信貸業務全生命週期覆蓋了"保護膜"，向"黑產"製造者犯罪全鏈條輾壓"智能量"。
"雲"行蒼穹，雨"數"時節。在服務器主機、計算能力、網絡硬件、存儲緩存形成的"基礎設施即服務"（Infrastructure as a Service，IaaS），應用開發、模型運行、數據管理、機器學習形成的"平臺即服務"（Platform-as-a-Service，PaaS），風險管理系統、客戶關係管理形成的"軟件即服務"（Software-as-a-Service，SaaS）三大雲計算應用的基礎上，2017年11月15日第八屆財新峰會上同盾科技創始人、董事長蔣韜首提"智能分析即服務"（Analysis as a Service，AaaS）理念。即，利用人工智能工具和大數據技術，在包括信貸風險、交易欺詐、營銷作弊、客戶價值、投資和運營等多種細分金融場景中，為客戶基於智能算法模型的分析服務。
時間悄然推移近一年，《金卡生活》研究同盾科技在銀行信貸業務全生命週期實踐的風控解決方案發現，"智能分析即服務"理念之樹已然實務應用中深層紮根。智能分析當然要用數據說話，亦即體現數據挖掘成果。截至2018年8月末，同盾科技發現欺詐40億節點（實體）、120億邊（關係），且每日平均更新節點3700萬個， 目前已識別疑似欺詐團伙250萬個，成員多達4600萬人。"智能分析即服務"最終使命是抬高欺詐成本，替銀行"扎籬笆"。同盾科技賦能銀行的終極策略是做"排除法"，以最大限度剔除銀行用戶的"壞樣本"。
至此，《金卡生活》釐清"智能分析即服務"在信貸全生命週期的共生邏輯。
貸前階段。基於設備"指紋"、IP風險分析技術"雙鐧"，洞察潛在的銀行信貸風險，通過全場景反欺詐渠道推廣保護、賬戶安全保護、營銷活動保護、交易支付保護、內容安全防護及接口安全保護"六層鎧甲"，實現互聯網安全保護；基於數據、技術"雙能力"，推動貸前反欺詐模型在金融行業的廣泛應用。基於"同盾信用分"體系，與傳統信用模型形成互補，有效評估借款人的還款能力和還款意願。
貸中階段。運用"行為風險評分卡""收益卡""響應卡"等進行低風險調額，最高調額樣本在總樣本中也只佔到22%。同盾科技建立"客戶響應模型""產品推薦模型""默客激活模型"有效洞察持卡用戶興趣點，提升整體利潤率和客戶粘性，降低高價值客戶的流失率。
貸後階段。結合人工智能技術，打造"逾期管家""逾期精靈""催管大師"三大智能催收管理工具，通過大數據精準匹配參數，根據客戶各個維度和各種業務應用場景來為客戶靈活配置催收策略和話術交互策略。經過多家銀行的實踐檢驗，智能催收的成本投入僅為人工催收的五分之一，但電話接通率、回款金額都明顯高於傳統催收，起到了事半功倍的效果。
貸前階段：保護賬戶、貸前反欺詐、信用風險評估
第一，互聯網上如何保護賬戶安全？基於技術"雙鐧"洞察信貸風險，全場景反欺詐給銀行披上"六層鎧甲"。
"黑產"製造者具有分工專業化、組織團伙化、全網流竄化的三大特點。圍繞上游卡商、收碼平臺、工具開發者，下游操作者，"黑產"製造者進行了組織細分。在欺詐活動時使用了專業化的技術手段，如"貓池"（Modem POOL，相當數量的Modem使用特殊的撥號請求接入設備連接在一起，同時接受多用戶遠程聯網或撥號連接的設備）、農場設備（手機應用程序，運行環境支持Android 1.6）、程序化軟件等。當欺詐行為一處遇阻時，"黑產"製造者會在全網流竄持續進行欺詐活動。
"黑產"製造者在銀行業務應用場景中實施欺詐。在銀行進行渠道推廣階段，"黑產"製造者通過虛假刷量、點擊欺詐。在賬戶註冊登記階段，"黑產"製造者註冊大量垃圾賬號，或取得洩露的銀行用戶信息之後，採取"撞庫"擁有用戶的賬號權限。在銀行開展營銷活動階段，"黑產"製造者採取"黃牛"佔座、抽獎"套利"。在交易支付階段，"黑產"製造者著手刷單"套現"和製作偽卡盜用。在社交互動階段，"黑產"製造者著手涉黃，或推送垃圾廣告。上述欺詐行為最終導致銀行或機構的品牌商譽蒙垢、商業信息洩露、用戶體驗下降、違反監管規定等損失。
洞察潛在銀行信貸風險技術"雙鐧"。首先是設備"指紋"（Device Fingerprinting）技術。在物理功能上，設備序列號、生產ID等用於唯一標識出該設備的特徵，與人的指紋一樣，在"千人千紋"中具有唯一性，以此作為身份標識。目前存在諸多造成設備異常環境的因素，導致無法識別設備唯一性，如模擬器、Root（系統中唯一的超級管理員，等同於操作系統的權限）和"越獄"、Xposed作弊框架（在不修改AndroidPackage情況下影響程序運行、修改系統的框架服務）、App重新打包等。基於此，合作銀行將同盾科技提供的SDK（Software Development Kit軟件開發工具包），集成到App或網頁裡，同盾科技通過採集銀行用戶在終端設備留存的一些軟、硬件屬性，基於一定的算法重新生成"唯一"標識——設備"指紋"，這樣當用戶使用App或網頁時，在SDK運行中會準確識別用戶設備環境正常與否（圖1）。其次是IP（Internet Protocol，網絡之間互連的協議）風險分析。若用戶在線上申請貸款會留有IP地址，分析當前申請IP地址是否異常，迅速識別是否存在機器人註冊。同時通過歸屬地分析，評判IP、手機號碼、身份證的歸屬地，在規則策略裡面交叉比對，為客戶提示風險及欺詐的可能性。
圖1 設備"指紋"識別賬戶網絡風險
來源 | 同盾科技
當然，互聯網上保護賬戶安全的技術遠不止上述"雙鐧"，尚有諸多人工智能工具和大數據技術，不一而足，無法窮舉。
銀行全場景反欺詐保護"六層鎧甲"。在互聯網上如何保護賬戶安全，同盾科技祭出六層保護。
首層，從識別虛假點擊激活、分析設備作弊行為和提供渠道刷量報告，建立渠道推廣保護層；
次層，採取識別人機行為、分析賬戶行為、識別可信環境及分析賬戶信息(虛假號碼等)，構築賬戶安全保護層；
第三層，以甄別"羊毛黨"庫、識別人機行為和分析用戶交易行為，形成營銷活動保護層；
第四層，採取識別刷單庫及人機行為、分析用戶交易行為，確立交易支付保護層；
第五層，以過濾敏感詞庫、分析智能語義、圖像OCR（Optical Character Recognition，光學字符識別）、深度學習（基於深度置信網絡提出非監督貪心逐層訓練算法，為解決深層結構相關的優化難題帶來希望）模型，構建內容安全防護層；
第六層，採取識別人機行為、分析接口調用及全局關聯、提供攻擊分析報告，確定接口安全保護層。
【案例1】同盾科技聯合A銀行直銷銀行實施反欺詐
A銀行直銷銀行向同盾科技發出訴求，對用戶賬戶進行安全保護，同時降低被"黑產"製造者攻擊的概率。
基於A銀行直銷銀行圍繞設備標識、IP畫像、登陸時間三個方面制定了風控規則的前提，同盾科技採取設備"指紋"對風險設備行為實時防衛，將交易接入決策引擎，通過近百條規則在用戶註冊環節對虛假及惡意註冊等行為進行防控；在提現、綁卡環節，對用戶資金安全保護；而在充值環節，對薅"羊毛"風險防控；在信息修改環節，對用戶賬戶安全保護，防止關鍵信息被篡改。《金卡生活》選取2018年1-3月期間數據，作為聯合反欺詐樣本觀察期。
從事件維度分析，同盾科技API（Application Programming Interface,應用程序編程接口）審核率，即反欺詐規則命中率排名前三的事件分別是提現、註冊及充值。通過進一步分析，命中數量最多的是代理IP、設備標識獲取異常及設備短時間內註冊次數過多。這些現象對應的則是典型的互聯網欺詐行為，如薅"羊毛"、盜刷。API拒絕率越高，代表事件的風險程度越高。對A銀行直銷銀行風險事件發生最高的註冊環節，同盾科技API拒絕等於為該銀行防範了風險。由於部分綁卡交易A銀行直銷銀行未調用同盾科技的設備"指紋"服務，導致該事件API設備"指紋"獲取率過低。下表的數據分析表明API設備"指紋"保持了極高的響應水準（表1）。
表1 A銀行直銷銀行反欺詐按事件類型統計情況
從應用類型維度分析，命中反欺詐規則最高是手機網頁，達到86.1%，表明此為慣用途徑，其次才是安卓系統、iOS系統。而API拒絕率普遍不高，非要"矮子堆裡拔高"的話，安卓系統排首位。同樣，由於部分交易A銀行直銷銀行未調用同盾科技的設備"指紋"服務，致使手機網頁端設備"指紋"獲取率低（表2）。
表2 A銀行直銷銀行反欺詐按應用類型統計情況
樣本觀察期API接口200ms（也就是每次調用僅是"蜜蜂連續扇動40次翅膀"的時間，此語出自2017年第11期《金卡生活》雜誌刊發《解構"雙輪"驅動信貸風控及反欺詐應用模型》一文）響應率在99%以上，500ms響應率在99.9%以上。由此可見，A銀行直銷銀行採取嚴控註冊關的措施，儘可能將欺詐分子堵截在門外。
【案例2】同盾科技聯合B銀行信用卡中心保護賬戶
B銀行信用卡中心痛點在於，在註冊登記階段"黑產"製造者在電子渠道和App雙管齊下，註冊垃圾賬號、盜用用戶賬戶。
對此，同盾科技打出"組合拳"，集識別虛假手機號碼、通信小號、代理IP，查詢設備欺詐歷史，以及運用設備"指紋"及賬戶維度關聯規則等防控技術於一體。《金卡生活》選取聯合保護賬戶樣本觀察時間為兩個月，即2015年8月12日至10月11日。
從總體風險防控分析，樣本觀察期間圍繞賬戶發生的總事件397184個。其中，拒絕事件佔45.02%，通過事件佔54.43%，人工審核事件基本可以忽略不計（表3）。
表3 B銀行信用卡中心用戶保護賬戶安全總體防控風險情況
從風險防控趨勢分析，體現了大數據工具與人工智能技術同"黑產"製造者之間的拉鋸纏鬥（圖2）。《金卡生活》觀察到，第2天至第10天，"黑產"製造者瘋狂攻擊，同盾科技給予9天持續還擊，第11天至第16天，"黑產"製造者蓄勢6天休整，同盾科技佔據上峰，"道"行"魔"伏；第17天至第19天，"黑產"製造者組織第二輪"三日攻勢"，第20天至第22天"黑產"製造者則進入"三日休整"；第23天至第26天發起第三輪為期4天的攻擊。整個過程再現了"一鼓作氣，再而衰，三而竭"的真知灼見，第27天至第36天"黑產"製造者尚有小股殘餘力量；第37天之後基本趨於平穩，這一良好勢頭持續到觀察期終點時間。
圖2 B銀行信用卡中心用戶保護賬戶安全風險防控趨勢
B銀行信用卡中心與同盾科技聯合開展的用戶賬戶保衛戰成效明顯。從樣本觀察起點到終點，註冊垃圾賬號比例從40%降到了2%，盜用用戶賬戶比例則從20%降到約3%。
第二，貸前如何反欺詐？廣泛應用貸前反欺詐模型，嫻熟提升數據、技術"雙能力"。
細分信貸欺詐風險問題，歸因不外乎有四類。一是"黑產"製造者通過盜取他人身份信息、申請資料，實施"假冒申請"，如常見的"黑中介"申請。二是"黑產"製造者對工作單位、工資流水、住宅地址身份或資質證明材料造假，實施"偽造申請"。三是申請人歷史信貸記錄呈現不良狀態，在短時間內集中多頭申請，還款意願較低，本身道德存疑。四是"黑產"製造者與銀行客戶經理甚至風控人員裡應外合，洩露信審策略和用戶隱私信息，合謀"套利"。
面對信貸欺詐風險，同盾科技首先擁有全面的數據能力。其一，掌控高、中、低風險關注名單。其二，掌握信貸表現數據，信貸名單涵蓋信貸逾期名單和逾期後還款名單，信貸行為則涵蓋多頭申請和多頭負債。其三，把握虛假號碼、通訊小號、中介號碼及欺詐騷擾庫等社交數據。其四，瞭解身份數據，包括申請人身份證、使用手機號碼、年齡、地區和使用設備。其五，熟悉法院失信被執行人名單、租賃車違約及違章開（乘）車記錄、欠稅及公安犯罪通緝名單等社會數據。
基於全面的數據能力，建立過硬的技術能力。一是透過申請行為分析，甄別短時間是否存在頻繁發出借款申請，或在敏感時間申請。二是通過設備"指紋"技術，識別設備是否關聯多個賬戶、銀行卡、身份證和手機號碼。三是通過IP代理測試，釐清機器人註冊、賬戶名異常。四是偵測是否使用虛擬機、安卓模擬器。五是分析地址數據，從而判斷是否為虛假地址，所評估地址是否"命中"高風險地址庫。六是分析定位（歸屬地），定位設備精確位置，分析IP、身份證及手機的歸屬地，分析Wi-Fi、基站定位以及分析可疑號碼。
數據、技術雙能力，奠定了建立反欺詐模型的基礎。同盾科技首先建立"智察分"（即反欺詐分），《金卡生活》觀察到，"智察分"與欺詐概率呈現正相關關係，分值範圍在1-99之間。在分析同盾科技全量樣本分佈之後發現，若排除前2%的人（60分），便能排除90%"壞樣本"；當排除掉前11%的人（20分），即可排除96%的"壞樣本"。
其次，依託XGBoost（Extreme Gradient Boosting，極大梯度提升算法，圖3），將若干個子模型"串行"起來，模型最終的輸出是子模型的加權。通俗來講，該模型對應的是一堆CART（分類迴歸樹），其思想是將每棵樹的預測值加到一起，作為最終的預測值。值得一提的是，同盾科技建模要素包括"2000變量1000棵樹"。既然由樹產生森林之前，對樹"剪枝"成為必要。同盾科技的模型能夠對缺失值、異常值主動"學習"，對特徵相關性則沒有要求，並能夠應用分佈式學習處理大數據。
圖3 依託極大梯度提升算法建立模型
從單一視角擴充為全局視角，貸前反欺詐重要的一環是識別欺詐團伙。眾所周知，風控的核心是人，當從單一視角觀察"黑產"製造者，獲取的個人特徵諸如手機號碼、歸屬地、是否命中"黑名單"，以及年齡、工作、經濟能力、是否上過逾期名單等。關鍵要拔出蘿蔔帶出泥，獲取"黑產"製造者的關係網絡才具備了觀察欺詐的全局視角（圖4）。關係網絡包括了"黑產"製造者的朋友是否"命中"逾期名單，是否與"黑產"製造者團伙有異常關聯，所在群體節點是否為核心節點。
圖4手機號碼暴露欺詐團伙蛛絲馬跡
截至2018年8月末，同盾科技已識別疑似欺詐團伙250萬個，其成員數量4600萬人，其中核心成員數量達880萬人。目前，日均攔截團伙數量達30萬個，涉及成員90萬人，其中中介人員、惡意逾期者、"羊毛黨"成員等約15萬人。
《金卡生活》得到截至2017年2月末的數據樣本（雖然不是最新數據，但也具有一定代表性）發現，疑似欺詐團伙在"被發現"的渠道分佈上，設備序列號比重最高，達45%；其次分別是手機號碼、身份證號碼；而銀行卡號卻非疑似欺詐團伙的"最愛"。
表4 疑似欺詐團伙在"被發現"渠道分佈
權威第三方信息提振同盾科技"全面的數據能力"，實現貸前信息驗證"五術"。"一術"，通過姓名、身份證號碼、手機號碼"三要素"的一致性認證，實名論證，手機在網狀態及消費記錄，進行手機類貸前信息驗證。"二術"，通過銀行卡號、姓名、身份證號碼一致性的銀行卡"三要素"鑑權，在"三要素"鑑權基礎上增加"預留手機號碼"真實性的銀行卡"四要素"驗證，消費能力評估，進行銀行類貸前信息驗證。"三術"，通過地址真實性、標準化，地址相似度，風險地址庫，進行地址類貸前信息驗證。"四術"，通過實名認證，人像比對，進行公安類貸前信息驗證。"五術"，通過航旅出行、工商信息，進行其他類貸前信息驗證。
貸前智能信審，用人工智能提高貸前信審效率（圖5）。核心之一在於出題維度。一是信息核驗，合作銀行提交信息與同盾科技自有信息、第三方信息，通過問卷與用戶（即申請人）進行"二次確認"，判斷是否一致，如在網時長、話費檔次等手機類信息核驗。二是資質複議，當合作銀行的信用評分過低，或者現有信息尚不能夠做出決策，必須通過問卷讓用戶提供更多的信息，包括信用風險認知、借款金額及利率接受程度、年收入、個人資產情況等。
基於信息核驗、資質複議，進行偏差計算，合作銀行通過授信抓取、信息核驗等獲得的數據，以智能問卷與用戶"二次確認"，評估客觀數據與用戶提交數據之間存在的偏差程度。
圖5 貸前智能信審流程
第三，信用風險如何評估？不以顛覆者自居，卻以紮實的"同盾信用分"體系與傳統信用模型形成互補，共同提升借款人的還款能力和還款意願評估的有效性。
"同盾信用分"給合作銀行的用戶貼上"好"或"壞"的標籤。如同盾科技風險名單上，對出現逾期、失信和失聯的信用類風險用戶，歸類為"壞"用戶。
在輸入用戶身份證號碼、手機號碼，模型系統輸出信用評分。
當然，這個分值（300-900之間）與違約概率呈現負相關，也就是說得分越低，逾期概率越高。合作銀行想要知曉自己的信貸用戶信用狀況，當然希望同盾科技的模型覆蓋用戶群越大越好。《金卡生活》獲悉，同盾科技從2015年以後與信貸相關的用戶作為建模群體，已經覆蓋4億張身份證、6億個手機號碼。在數億信貸樣本中掌握了數千萬"壞樣本"。
基於信貸維度，"同盾信用分"已體系化、系統化，包括2015年至今覆蓋信貸人群的"同盾智信分"，覆蓋有過銀行貸款行為人群的"同盾銀行分"，覆蓋有過消費金融類貸款人群的"同盾消金分"，覆蓋有過申請現金貸人群的"同盾現金貸分"。
聯合建模才是智能風控的解決正道。《金卡生活》分析，建模變量維度有多廣，建模能力便有多大。聯合建模的數據變量可包括三方面的數據來源，一是合作銀行自有用戶行為信息、貸後表現數據變量；二是其他運營商類、個人信息、地址類及車輛估值等優質第三方變量；此外，同盾科技自有變量內涵豐厚、外延寬廣，自然也不能"束之高閣"，這包括了用戶線上資產變動、經濟能力評估的資產類變量；"同盾智信分""同盾銀行分"的評分類變量；負債逾期、多頭借貸的負債類變量；互聯網行為偏好、消費偏好的互聯網類變量；IP與基站類地址、聯繫類地址的位置類變量等。上述合作銀行、第三方兩個維度的變量與同盾科技自有變量融合之後，質變到來，聯合建立更為行之有效的"評分卡"模型。
【案例3】同盾科技聯合C銀行信用卡中心建立在線消費貸產品申請自動化風控模型
除自有渠道獲客之外，C銀行信用卡中心通過某唄引流，開啟了"互聯網銀行"模式，與同盾科技共建在線消費貸產品申請自動化風控模型。《金卡生活》選取模型上線後四個月，即2017年12月至2018年3月，作為樣本觀察期。
聯合模型具備貸前信用審批"三化"，即流程化、自動化和標準化。流程化評估用戶信用並甄別"壞"用戶，自動化評估用戶的還款意願及能力，標準化評估用戶的行為偏好、負面及負債信息等。同時，該模型具備"三個能力"，即在貸中海量交易中迅速發現風險的能力，貸後監控核驗用戶異常信貸表現並預警失信的能力，在風控新方法、新工具、新路徑面前快速匹配的能力。
《金卡生活》觀察到，放置"同盾雲"端的聯合模型其實只做了兩件事。一是針對某唄系統風控模型、C銀行信用卡中心風控模型"雙通過"引流來的用戶，進行自動化信用審核，從而給出決策建議。二是針對某唄系統風控模型通過，C銀行信用卡中心風控模型拒絕的用戶，通過專家調優、三方核試驗之後，進入聯合模型深度挖掘，最後進入C銀行信用卡中心模型融合，繼而提高通過率。"刪繁就簡三秋樹,領異標新二月花"，這款聯合模型頗具鄭板橋簡約風韻。
C銀行信用卡中心從同盾科技API累計調用量120萬次，日最高調用量60000次。聯合模型在自動化風控方面當之無愧成為"鐵將軍"，把關成效顯著，總體自動通過率達90%，自動拒絕率僅10%。其中，反欺詐通過率96%，三方核驗通過率93%。在樣本觀察期間，C銀行信用卡中心發放在線消費貸產品超過100萬筆，其逾期率控制在千分之一以下（表5）。
表5 C銀行信用卡中心在線消費貸產品申請自動化風控模型表現
貸中階段：低風險調額、提升用戶需求增長
第一，如何實施低風險額度調整？"行為風險評分卡""收益卡""響應卡"三者相權與考量的火候至關重要。
在滿足用戶信用需求，控制銀行風險的前提下，對信用卡額度調升和調降。
一是鎖定調額對象。根據"三卡"，即基於持卡用戶的徵信數據及多平臺借貸數據，評估其風險的"行為風險評分卡"；基於持卡用戶歷史的還款行為數據，預測未來利息及佣金等收入的"收益卡"；基於持卡用戶的他行卡額度及消費行為數據，判斷是否響應調額的"響應卡"。相應預測結果選擇低風險、高收益、易響應的持卡用戶作為額度調升對象；相反，高風險、低收益、慢響應的持卡用戶作為額度調降對象（圖6）。
圖6 風險收益象限圖
二是"二次"定額。根據"收入負債資產"，即基於銀行、同盾科技經濟能力評估、第三方數據，判斷持卡用戶的收入變化；基於銀行、同盾科技、徵信數據，評估持卡用戶的負債變化；基於銀行、同盾科技線上資產變動評估、第三方數據，評估持卡用戶的資產變化，從而綜合評估持卡用戶當前的收入負債比值、資產新增，以此對其重新定額。
三是符合風險敞口要求。基於銀行風險敞口（Risk exposure，因債務人違約行為導致可能承受風險的信貸餘額）要求，確定當前額度調整空間，以此滿足單個擬調持卡用戶的額度。當調整額度空間有限時，則優先滿足"收益""響應"期望最大的用戶。
【案例4】同盾科技聯合D銀行信用卡中心調額
依據D銀行信用卡中心提出給其相應持卡用戶調整信用卡額度的需求，同盾科技制定調額總目標——考量"行為風險評分卡""收益卡"組合效果，找到低風險、高收益的持卡用戶進行調額。 而對於"三低"，即低風險、低收益、低初始額度（處於3000-10000元之間）的部分持卡用戶，出於刺激消費的目的，亦可調額。
具體實施的調額方案則從兩個梯次有序推進。第一梯次，依據"行為風險評分卡"，將調額樣本排序，對風險較低的持卡用戶調額；僅從利息及手續費維度產生貢獻的"收益卡"，同樣將調額樣本排序，對低風險、高收益的持卡用戶調額。兩因相納，最終調額樣本僅佔到總樣本的10%（圖7左）。第二梯次，根據"行為風險評分卡"，將調額樣本排序，對風險較低的持卡用戶調額；僅從佣金維度產生貢獻的"收益卡"，對低風險、高收入的持卡用戶調額。雙因迭加，最終調額樣本佔到總樣本的22%（圖7右）。
圖7 D銀行信用卡中心梯次推進調額樣本佔比
協查案件。同盾科技摸索出在貸中管理環節配合案件調查及進行犯罪團伙行為分析。
不難發現，"羊毛黨"關係網絡（圖8左）的"體貌特徵"表現在中間節點是設備序列號，周邊節點則是手機號碼。信用卡養卡"套現"關係網絡（圖8中）的"體貌特徵"表現在中間節點是身份證號碼，周邊節點則是銀行卡號。消費貸騙貸關係網絡（圖8右）的"體貌特徵"表現在中間節點是設備序列號，周邊節點則是手機號碼和銀行卡號。於是，沿著周邊節點可以"順藤摸瓜"，逮捕中間節點便可能"擒賊先擒王"。
圖8 "羊毛黨"、信用卡養卡"套現"及消費貸騙貸關係網絡
風險監控。在貸中管理環節，風險監控奇招並出，完全可以自定義監控的頻率和內容，包括但不限於如下貸中風險監控的內容：多頭申請及負債，通信小號、貸款失信及租賃失信等"黑名單"，"黑黃賭毒"刑事犯罪，借款人常用地址活躍，基於同盾科技專有大數據模型發現的高風險行為等。
預警原則。《金卡生活》觀察到，定製化的風險預警遵循了三大原則，即發現高風險用戶，定量化檢查採取及時性原則；對於不同風險等級的賬戶，監控頻率和方法實施差別化原則；對於難以判斷的風險，嚴格採取審慎性原則。當然，主借款人新增的預警給出了應遵循的嚴謹邏輯，如半年內逾期3次以上，徵信報告出現資產處置或出現擔保人代償，他行弱擔保並且小微機構數量超過3家，一月內貸款審批查詢超過3次以上，一月內信用卡使用率超過80%等，無不暴露在同盾科技的警示燈下。
第二，如何提升用戶需求增長？給予銀行智能化獲客"三賦能"，在構建"信貸產品響應預測模型"基礎上，"準實時"識別持卡用戶興趣點。
一賦能：前置銀行風控措施鎖定強意向的"好"用戶。利用數據處理技術，通過將風控措施前置，最大限度"阻攔"高風險用戶的滲透，排"壞"的反向自然允許"好"用戶的進入。
二賦能：建立銀行用戶畫像標籤體系。除了評估信貸需求以外，同盾科技融合多維數據，聯合合作銀行建立更全面的用戶畫像標籤體系，從而使得銀行立體瞭解用戶的行為軌跡和偏好特徵，成為可能；根據標籤佔比變化，銀行產品與用戶需求高匹配智能推送，成為現實。在設備、ID、地域、需求、屬性和興趣等眾多標籤中，值得一提的是，能夠"準實時"識別持卡用戶興趣點，從而建立其興趣標籤。如外賣團購、出境旅遊、電商購物、婚戀交友、視頻娛樂、交通出行和觀影觀演等。
三賦能：應用"信貸產品響應預測模型"獲客降成本、提效率。融合持卡用戶基本信息及資產、信貸、歷史交易、中間業務等合作銀行數據，抽取信貸行為、金融屬性、SDK（Software Development Kit，軟件開發工具包）、互聯網行為、社交關係等外部特徵變量，從用戶畫像、產品及關聯等分析著手建立"信貸產品響應預測模型"。
通過"信貸產品響應預測模型"，挖掘銀行存量的借記卡、信用卡"雙卡"用戶的借貸需求，利用手機號碼進行用戶ID識別，依據對信貸產品的需求響應程度，提供量化數據支持，方便銀行開展有針對性的營銷（圖9）。
圖9 用戶信貸需求響應預測分級下的營銷策略
推進"信貸產品響應預測模型"應用，派生出"睡眠信用卡用戶喚醒響應評測模型"，捕捉其信貸需求。區分信貸類別、信貸用途及需求程度，切入汽車、購物、娛樂、旅遊、教育等信用卡使用場景，匹配權益偏好，制定差異化喚醒策略。如針對高意向用戶直接進行外呼、短信營銷觸達；中意向用戶選擇短信營銷等；低意向用戶不主動觸達投放廣告，關注反饋及自然流入。
【案例5】同盾科技聯合E銀行信用卡中心喚醒睡眠卡用戶
E銀行信用卡中心向同盾科技提出喚醒睡眠卡用戶的需求。E銀行信用卡用戶共計99846個，其中高活躍用戶6565個，低活躍用戶93281個。可見，高活躍用戶在信用卡用戶總數中僅佔7.0%（圖10）。從低活躍用戶維度分析，以10分為區隔，將100分劃分成10個區間，由低到高分數區間低活躍用戶分佈前五分別為22340、29233、23980、9389、5181個。其中，60分以下低活躍用戶92508個，佔低活躍用戶總數的99.2%，佔信用卡用戶總數的92.7%。
圖10 E銀行信用卡用戶分佈
引入同盾科技"睡眠信用卡用戶喚醒響應評測模型"，對用戶進行分層，有效篩選高意向響應用戶，提升電話銷售效率。其中，E銀行外呼信用卡用戶接通率保持在55.3-66.7%高位（圖11）；線上獲客成功率40-60分區間維持在10.1-16.6%，60-100分區間運行在23.3-36.8%高位（圖12）。《金卡生活》觀察，同盾科技喚醒用戶效果顯著。
圖11 E銀行外呼信用卡用戶接通率
圖12 E銀行信用卡用戶線上獲客成功率
貸後階段：智能決策開路，"聯絡助手""逾期精靈"掛帥
傳統逾期催收面臨諸多挑戰。如人工成本高，話術標準化低，觸達及反饋率低，並且沒有信息補全，容易發生催收風險，相反，智能催收則迎來多個利好支持。如免除人工、成本低廉；智能話術標準化程度高，達到智能語音交互直接解答問題，並且可以實現全渠道整合；觸達及反饋率較高，可以實現自動信息補全。
智能決策及"聯絡助手""逾期精靈"構成了同盾科技智能催收的內核。
逾期催收，智能決策開路。依據持卡用戶基本信息、申請信息、還款能力、還款意願、消費習慣及逾期情況等維度，基於大數據平臺描繪用戶畫像。同時，充分結合大數據風控經驗和技術，精準預測案件風險等級。此後，應用自主知識產權的決策引擎，精準匹配參數，據此定製不同的交互策略和話術。
在一週7天與一天8:00-13:00的二維矩陣設置中，或在二維矩陣中靈活選擇時間窗口，甚至在多渠道及頻次（圖13）安排智能催收。
圖13 智能催收多渠道及頻次
智能關"聯"催收活"絡"，"聯絡助手"現身。其功能在於，一是觸達失聯用戶，通過數據分析能力及智能風控服務，對失聯用戶進行關聯，提供呼叫服務。二是回撥失聯用戶，通過同盾科技的呼叫平臺，系統自動關聯並路由到合作方綁定的相對應的坐席電話上。三是分析語音信令，通過解析運營商語音內容，獲取用戶手機關機、停機、佔線、不在服務區、無應答及拒接等狀態，並記錄在撥打記錄中，以便催收坐席掌握用戶手機真實狀態。四是出具業務報表，提供關聯結果、外呼記錄等業務處理的統計報表，方便合作銀行了解催收進展。
多渠道、多場景逼真人機交互，"逾期精靈"出世。"逾期精靈"這款催收場景智能語音機器人的出現，開拓了智能語音交互式催收服務的前景。其優勢具體表現在三個方面，一是與傳統的IVR（Interactive Voice Response，互動式語音應答）相比，有逼真的人機交互體驗，用戶與其交流不需要反覆按鍵，增加了用戶對話意願，有效降低用戶心理防禦意識，具有更低掛斷率和更高任務完成率。二是沒有人工干預，"逾期精靈"系統運營由機器自動化完成，規避了系統操作風險。同時，系統部署在"五星機房"，與第三方提供商為用戶提供的公有云平臺相比，避免了數據安全風險。三是具備多渠道、多場景的人機交互能力。
"逾期精靈"具備了語音識別、自然語言理解、多輪對話、知識圖譜、語音合成、精準大數據等特徵，通過熟練運用交互經典話術、回撥在線轉接及分析語音信令等功能，進行自定義渠道及自定義催收策略。
【案例6】同盾科技聯合F銀行、G銀行、H銀行開展智能催收
F銀行對逾期10天用戶採取智能催收，提出三大需求：第一針對忘記還款的用戶，起到提醒作用；第二過濾不需要人工坐席催收的用戶，減少人工負擔；第三提高產品智能化，儘可能減少人工干預。
《金卡生活》獲取了同盾科技在F銀行實施智能催收的測試樣本，其接通率（表5）高於人工坐席催收，逾期回款在15-20%之間，同時釋放了大量的催收人力。
表5 F銀行智能催收測試效果
此外，G銀行信用卡中心M1（Months，月，未還款的第二個賬單日到第二次賬單的最後還款日之間）賬齡持卡用戶智能催收，平均接通率為56%，逾期回收高出傳統催收的15%。H銀行消費金融M1賬齡用戶智能催收，平均接通率為47%，接通率及逾期回收率都高於人工催收。
閱讀更多 智能風控聯盟 的文章
