电影***
新浪微博
微信
当前位置:电影***网 » 学习

【大会干货•演讲实录】段莹:AI大数据赋能金融风险管理与营销服务


12月6日,2018第九届中国客户管理大会暨中国客户管理创新论坛在清华大学成功举办。本届大会由国务院国资委主管的中国产学研合作促进会指导,中国客户管理产业创新联盟与清华大学中国企业研究中心联合主办。来自金融服务、信息科技、交通运输、零售消费、公共服务等多个产业领域,以及高校、科研机构和技术创新型公司的300余位嘉宾出席了大会。


本届客户管理创新论坛以“数智重塑体验”为主题,聚焦数字经济时代的智能化应用趋势,结合创新论坛、创新评选、专业研讨会等多种交流形式,与政产学研用各界人士共同探讨服务产业应对数字化转型发展的布局先机,以及技术创新赋能带来的消费者关系质变与体验重塑演进。本届大会的筹备和承办得到了清华校友总会互联网与新媒体协会、清华校友总会AI大数据专委会、清数大数据产业联盟、中国客户管理网、迪铭咨询的大力支持。


百融金服副总裁段莹先生应邀出席本届大会,并以“AI大数据赋能金融风险管理与营销服务”为主题发表演讲。


以下为演讲实录:


今天跟大家分享一下大数据和AI技术在金融行业,特别是在金融的零售信贷行业里的应用过程,跟大家讲讲我们公司在过去几年的时间里到底是怎么做的。


十几年前,我在清华自动化系,学习的正是大数据技术和人工智能技术。在2000年左右的神经网络、支持向量机(SupportVectorMachine,SVM)等AI技术(机器学习技术)已经在那个时候得到了运用,只不过那时这些技术是在电机、化工、电子领域里进行运用,而如今这些技术可以在更加广泛的行业里进行应用。下面将介绍这些技术在金融领域里的运用。



在分享之前,我们先看一下整个金融信贷行业到底遇到了哪些问题?


因为用大数据亦或是人工智能技术,其目的都是要解决产业里的问题,所以我们需要先理清问题,再运用技术。个人零售信贷这个行业中的车贷、信贷、消费贷等行业,与常规的消费、游戏、社交等行业相比,其最大的不同在于客户一定能够得到所需要的产品或服务。当你去电商买一个商品,别人一定会卖给你;你去商场买这个东西,人家也一定卖给你;你想注册社交账户或者想玩游戏,也不会不让你使用这个社交产品。而对个人零售信贷行业,并不是用户想使用到某种服务就一定能够使用到的,比如用户想申请房贷、车贷、消费贷或者信用卡,可能存在银行或其他金融机构不给批的情况。这个行业里面就会存在几个问题:


第一是用户逆选择问题。比如越想申请信用卡、办理贷款的人,申请资质就越有问题,100个信用卡申请者里面可能只通过二三十人。而且在整个行业里面也都存在这样的逆选择问题,越想要申请某项服务的人,其资质就越可能出现问题。


还存在获客的难题。消费者买别人的东西都是消费者花钱,用户玩游戏也是用户花钱或者花时间,只有个人零售信贷服务是机构把钱给到终端用户,这里就会存在有人申请信用卡套现几万块钱不还的情况。当然,现在不还的用户其征信可能受影响,但是对很多欺诈团伙来说,他们就是在到处薅羊毛,因此“欺诈风险”也是个人零售信贷所面临的一个重要的问题。其他的问题包括金融合规性的要求、获客成本及其他更高的要求,使得在个人零售信贷领域,如果纯粹的靠人工的服务,其成本可能高的做不起来。基于大数据技术给用户做上一些标签,通过PeopleData的模式去刻画和衡量一部分用户,并结合人工智能技术去判断某个人资质和风险怎么样。这种新技术的运用和金融行业进行结合使得行业整体效率有很大的提高。所以这也是大数据技术在金融零售信贷行业里应用那么火热的原因,因为这些行业所面临的痛点可以通过技术手段进行解决,这是一个基本的前提。



信贷的风险管理和营销服务,这两个领域正是大数据、人工智能技术在金融零售行业里面的两个应用。在整个金融零售信贷的风险里面,很多过程都涉及到“信贷工厂模式“,包括贷前-贷中-贷后所形成的闭环管理阶段。



以信用卡为例,银行在贷前审批能够通过多少人?这个过程是贷前的信审环节,通过征信数据和行为标签来判断客户的还款能力和还款意愿。如果没有还款意愿就涉及到欺诈风险。如果客户每个月能还3000块钱,而银行给客户发两万块钱的信用卡,就可能存在客户刷爆卡还不了款的情况。所以在整个贷前的信审环节里,首先要确定客户的还款意愿有没有问题,并通过数据标签、模型、算法等手段确定客户的合适额度是多少。这些过程当中,需要基于决策模型来制定贷前评估的过程,因为卡中心每年需要发出去上千万张卡,肯定不能完全靠人工,他们必须依靠人工智能。


那么到贷中环节,如果客户的工作发生变化,使得其还款能力出现了问题,这个时候银行就需要做一些降额的处理;反之,如果客户的工资收入提升,消费能力提升,这时候银行可以做提额的调整,或者做一些消费分期的提醒,以最大限度的发挥客户的价值。贷后环节可能催收的过程,这个阶段也可以把人工智能技术加进去,尽可能的减少人力。



刚才提到的贷前风控环节,不仅需要评估客户的还款意愿,还要评估客户的信用等级。比如说信用卡持卡人可以申请个人消费贷,而这个过程本身也是跟个人的信用相关联的。此外,通过用户申请地址的信贷风险核查,也可以帮助银行进行风险判断。比如某用户本来住在北京,但是非要说出差到天津或者到上海的时候,申请了一笔个人零售消费贷,这里面就存在可疑的地方。通过地址的判断可以提前发现信贷风险,基于客户工作、住址等地址信息的关联可以帮助银行进行风险判断。



还有就是通过设备进行反欺诈。大家发现房贷、车贷必须要走线下流程,因为申请的额度很大,因此需要走线下尽调。其他时候比如申请消费贷,客户在线上就可以完成整个流程。客户在几分钟之内即可足不出户的完成整个流程,这是相当便利的。但是线上申请也存在不便利的方面,线上虽然可以通过人脸识别和信息交互来判断用户的风险状况,但是毕竟没有见到真人。之前我们也曾碰到过一些人,通过使用一堆机器来完成整个申卡的过程,这时可以通过设备的异常行为,比如说这个设备上装了多少借款的APP进行分析、申请时间间隔等来进行识别。现在还可以通过运动传感器、光感传感器发现一些设备异常,因为真实客户的手机肯定会随着运动产生位置变化。但是存在着一些中介,在屋里有一排设备,通过USB口充电放在那里不动了,这些设备就被中介拿来薅羊毛、抢红包或者是申请贷款。对于这种设备如果仅仅通过安装的软件或者注册的市场,不一定能判断出来。对于设备的反欺诈,所增加的额外检测点,给予我们多一个能够判断是否存在风险的因素。



“团伙欺诈”是整个零售信贷里面最头疼、也最希望能够防范住的风险。因为出现团伙欺诈的时候,问题通常就很严重了。比如说中介组织的百人团伙,能够一次性集中攻击某一个消费金融公司,即使风控团队的能力再强,也不可能做到100%的排除,因为欺诈团伙中的每个人都有不同的行为表现,包括年龄、地域、工作等其他信息都不一样,他们也会被中介进行专门的培训,从而加大被通过的几率。模型评分会将一些人拒绝,但是仍有一些人可能辨别不出来。这个过程中如何通过社交关系网络,从某一些可疑的欺诈团伙扩大到更多欺诈团伙,并进行相应的排查是十分重要的。在过去几年里面很多的消费金融公司,甚至技术水平比较强的公司,出现了线上消费贷产品上线第一天就被欺诈团伙攻击,一天损失几千万的事件。因为产品刚上线且没有经历长时间的运转,会存在很多的漏洞,一旦面临欺诈团伙,很难100%的防范住。所以如果通过欺诈团伙的排除,可以尽可能的减少损失。



刚才提到的是整个贷前和贷中环节,如何提升用户的质量以及防范风险的方式。但是无论怎么做,用户还是会因为主观或者客观的原因出现逾期的情况,针对这种情况我们推出了“百小融”智能机器人。


对于智能语音机器人,第一要看它能否在固定场景里面与客户进行交互;第二要看这个机器人能否在被打断的情况下,还能够进行正常的多轮交互。


对我们而言,制造出能够服务全行业的通用机器人是非常困难的。但是对于某个具体的细分行业,比如催收行业,就可以进行技术实现。在整个过程中要解决的核心的技术难题,就是打乱识别和语音识别技术。我们第一步是把语音语义转化为文字,第二步是将语音语义的转化过程做到精准。其实机器人和人工相比,他们之间最大的区别在于:机器不需要休息;机器不受情绪的影响;机器无设备费用,性价比高;机器的调理清晰,可以进行智能分类和策略跟进。所以机器人可以做到全年无休、状况无异、100%热情。这些都是机器人在催收行业里的优势。



这里有一个例子,我们可以听一下(音频播放中)。大家注意到里面最难的环节是中间不停的打断这个机器人,看它能否继续和客户进行对话。还有就是客户已经还款了,机器人怎么发挥(音频播放中)。



我们再来看一下常规信贷营销的痛点。


对于线上流量的高成本来讲,线上流量最直接的来源是搜索。现在的几大搜索公司,包括百度、360、搜狗等,以及对其他的行业里的公司或者服务,用户带有明显的购买意愿去进行搜索,所以只要搜索到了,用户消费或者购买的概率是很高的。但是对于信贷行业而言,由于存在逆选择问题,越是缺钱的客户越搜索,越搜索的客户质量越低。所以对个人零售信贷行业而言,其搜索的成本是很高的。在搜索当中有很多词包,像长尾词是降成本的一个重要方式。但是对于信贷行业而言,其本身的成本就很高,如果仅靠人工很难想出足够多的优化词,纯粹靠经验和感觉做出来的优化效果很多时候并不如人意。这使得在整个信贷行业的搜索优化领域,人工智能的发展还是非常的不错的。以我们自己产品为例,比如说信贷产品的一个百度搜索的词包,一般来讲靠人工能够有10-20万个词包已经不错了,但是这样的词包成本是居高不下的,如果再想扩长尾词其难度是非常大的。如果人工智能将百度搜索的接口打通,半年时间就可以把目前词包扩展到30万个,使得百度搜索的整体消耗中,差不多60%-70%可以在长尾词消耗,从而可以把整个的成本降下来。所以会发现通过人工智能在整个搜索领域的应用,可以把成本控下来。很多零售信贷产品不做搜索,也正是因为成本降不下来。



另外就是风险前置。


很多审批过程中,有一百个人过来之后,七八十个都被拒绝了,我们发现百分之七八十的成本都在前段过程中被浪费了。那么在这个过程中怎么降低成本,并且做到真正的风险前置是至关重要的。比如不符合审批要求、不符合准入要求的人就不要进来了。对于信用卡或者个人消费信贷而言,会看到他们需要拒绝某某省份的客户,不希望某些年龄段的进件,或者不希望某些评分以下的人群进件,可以通过风险前置这些不符合准入要求的、甚至不符合信用评分要求的客户筛选出来,甚至让他们看不到这些产品的广告。这是我们用技术进行营销的一个最大的亮点。可以算笔账,比如100人如果不做前置风控,按照常规行业20%的批核率,假设成本为100元,如果对这100人做了前置风控,相当于只有50个人进来。如果总体批核的人数还是20人,批核率则达到了40%,这样做不仅使得批核成本将降低了一半,而且提升了批核率。



此外,这种技术的应用还能够提升用户的满意度,因为20%的通过率和40%的通过率对客户的体验是完全不一样。在后期做社交化传播的时候,较高的审批通过率也是一个前提。当然,额度对客户体验也同样重要。



最后我为公司做一个简单的宣传,公司叫百融金服,成立了差不多五年时间了,基于人工智能、大数据技术,在整个零售信贷行业提供风险控制和营销服务的企业,也是清华大学产业联盟的一个核心企业,非常感谢大家,我就讲到这里!


获取更多新鲜资讯请点下面阅读原文

相关报道