IFTN淺談：厚本金融的風控藝術

　　【IFTN淺談網】互聯網金融在快速爆發的同時，其瓶頸也逐漸凸顯，而這其中最大的難點和挑戰之一就在於互聯網金融的風控。

　　徵信和大數據風控，是近年來熱炒的概念，而金融作為數據化程度最高行業之一，被認為是人工智慧和大數據等新技術最好的應用垂直領域，也是FinTech中被寄予厚望的分支。

　　紅杉資本投資的厚本金融，在大數據風控的浪潮之中，如何夯實自身風控實力，如何理解金融風控？

系統化思考大數據風控

　　大數據風控的熱潮，方興未艾。

　　進入下半場的互聯網金融，尤其是個人信貸業務，面臨的挑戰是大量長尾用戶，如藍領工人等等，而此類目標用戶的徵信記錄缺失，也就為消費金融帶來更大的風險和挑戰。因此，互聯網金融實際上真正拼的是底層的風控體系。

　　依託於數據，憑藉強大的建模能力和數據分析處理能力，厚本金融構建了大數據風控的護城河。

　　具體來說，借款用戶在厚本金融移動端APP上停留的時間、輸入身份驗證信息時長等等，都將成為風控模型評判的一個維度，在綜合評分之後，形成具體的用戶畫像。

　　譬如，某人利用偽造信息在厚本金融進行借款，根據其提供的信息，厚本金融的風控模型將自動進行風險識別。例如電話通訊錄聯繫人數量、輸入身份證時間、手機號碼、銀行卡號時間長短、在厚本金融APP某頁面停留時間長短等等，都將作為數據分析的一個維度，給用戶打出評分。

　　當然，對於厚本金融來說，大數據風控並不是風控的全部。金融的風控，需要系統化的思考方式，了解風控全流程的情況。「比如我們在拿到風控數據建模的時候，需要注意數據是否是被污染、粉飾過的，數據的維度與廣度是否足夠支撐模型，而不僅僅單一依靠數據做風控。」厚本金融首席數據科學家覃慧芳說。

　　此外，針對不同的人群，需要建立不同的風控模型。比如藍領人群與白領人群、一線城市人群與二三線城市人群等等。此外，欺詐團伙式作案，還會不斷通過試錯衝擊模型，因此，模型的調整至關重要。

　　目前，厚本金融構架的幾大模型包括5000餘變數，能夠準確判斷「好人」與「壞人」，成功實現反欺詐。在5000變數的基礎之上，厚本金融的大數據風控數據變數還在不斷增加，尋求更智能、更豐富的維度，強化大數據風控能力。

風控不僅僅是風控

　　實際上，厚本金融的風控理念，並不單出只是風控，而是與市場、用戶體驗之間有著直接的動態關聯。

　　如何針對不同人群、不同用戶，尋找到其在風控維度上和市場性維度上相結合的差異化的聯結點，提升用戶體驗、促進公司合理利潤最大化，也是制定風控策略需要思考的問題。

　　風控模型能起到什麼效用?最明顯的作用在於提升審核效率。舉個簡單的例子，傳統機構風控，需要人工對擬授信人進行審批，由於信貸資料的繁雜，人工審批的時間流程大概需要2-3周，對於信貸用戶來說，用戶體驗較差。

　　比如在客戶體驗上，厚本金融的大數據風控模型，通過建立數據評分機制，在前期通過模型篩選，自動做出判斷，譬如根據用戶欺詐概率、用戶信用評分等等維度，通過機器做出篩選，再對遺留下來的「好」用戶進行人工信審，大大提升了審批效率。

　　實際上，大數據風控，也讓普惠金融理想進一步接近現實。

　　普惠金融的難點主要在於，小微企業和低收入群體很難達到傳統金融服務業信用評估的門檻。

　　對此，根本性的解決方案無非有二。第一，讓小微企業、低收入群體滿足傳統金融機構信用評估的要求；第二，金融機構可以通過創新，來更好地評估本不能獲得貸款的機構和個人的信用狀況。

　　厚本金融的大數據風控系統，藉助計算機的信息處理、數據通訊、大數據分析、雲計算等一系列相關技術在金融領域的應用，促進了信息的共享，有效降低了交易成本和金融服務門檻，擴大了金融服務的範圍和覆蓋面。

　　數字普惠金融很好地詮釋了金融科技的初衷和目標，是讓長期被傳統金融服務業排斥的人群享受現代金融服務的一種數字化途徑