不懂AI的分析师会越来越少？凡普金科正让这件事发生

　　申请者无需跑到银行，只要在手机端下载 App，填写信息，在通过审核后就能收到借款。与信用卡相比，借贷类金融平台产品的借款过程更为简单快速，有些金融平台甚至打出了几小时内放款的口号。

　　这种便捷、快速的借款服务不仅可以实现“江湖救急”，也给剁手后的“吃土一族”带来了“活下去”的希望。

　　在这背后，平台服务商不仅要为用户提供优质的体验，也需追求投资回报率(ROI)的最大化，而这些都离不开技术的强力支持。因此，在金融这个强数据驱动的行业中，如何利用技术手段高效、准确地作出决策成为了亟待商家解决的首要课题。这其中，部分商家就瞄准了 AI 技术，并开启了 AI 试水之旅。

　　获客、风控、运营，AI 能提升互联网金融领域各个环节的效率

　　“其实 AI 技术非常适合金融场景的应用。因为这是一个面向C端的产品，靠人工针对每一个用户去做决策工作量极大，而模型算法策略则可以深度嵌入到每一个业务流程中去。”凡普金科的数据科学家这样告诉机器之能。

　　2013 年成立的凡普金科是一家金融科技公司，专注于大数据处理和金融科技研发，为有借款咨询、汽车融资租赁、消费分期、理财社交、投资等需求的普通人提供互联网金融信息服务。目前旗下拥有爱钱进、钱站、凡普信、任买、会牛等品牌。

　　在金融科技行业爆发之前，用户借贷要去银行申请，而银行业务的普惠程度却并不尽如人意。银行的工作人员需要花费大量的时间和精力审核申请者提交的资料是否真实。对于银行来说，这部分成本在审批申请巨额贷款的企业级用户上或许并不是问题，可是在个人信贷时，却无法覆盖这部分成本，难以普惠所有群体。

　　步入互联网时代之后，金融数据变得更容易被获取，随之，铺天盖地的数据摆在了业内人士的眼前。在海量数据的重压之下，机器开始替代人工，从而减轻他们施行信审的压力。

　　而近年来，AI 技术得到了飞跃式的发展，它在“识别”数据上的优越表现让人们看到了其在智能决策方面的潜力，开始在互联网金融领域的获客、风控、批核定价、反欺诈、运营等环节扮演重要角色，并大幅度提升了各环节的效率。

　　将 AI 技术提纯成平台，再向各业务线输送 AI 能力

　　目前，凡普金科就尝试在钱站业务线中的风控和反欺诈环节，以及爱钱进业务线中的获客营销及运营环节上部署 AI 能力。

　　例如，当钱站平台收到消费借款服务申请时，平台不仅需要基于信用资料判定申请者是否为真实借款人，还要衡量申请者的信用还款能力，并根据不同的信用风险制定不同的批核借款额度。传统的线下方法中，分析师以及信审人员需要花费几天的时间核实申请信息，而钱站平台则可以在几小时内提供消费借款服务。

　　在这个过程中，爱钱进和钱站平台会先把提交的申请信息、以及经过用户授权后获取的电商等平台公开信息以及与三方数据公司合作获得的信息等输入到训练好的 AI 算法模型中，再结合业务场景和经验中提炼出来的特征与深度学习算法学习出来的特征，判断申请者是否拥有良好的理财习惯以及是否为一个真实活动的人。

　　另外，在贷前的获客环节，也可以利用 AI 模型对人群进行智能化判别，找到近期迸发出强烈金融服务需求的目标客群，然后施行差异化激励措施，也就是所谓的「看人下菜碟」。在传统方法中，推广人员可能会关注平台上的流量以及相应的 ROI，然而这些结果是动态的，信息存在滞后性，可能会对观察到的结果造成影响。而利用智能方法则可以有效识别流量，大幅度提升目标客户的转化率以及吸金能力。

　　事实上，不仅在贷前，AI 技术在贷中以及贷后也大有用武之地。

　　在贷中，平台可以查询到借款用户的三方数据表现，并利用这些数据让 AI 参与决策是否为消费借款用户提供提额服务。贷后阶段则可以利用 AI 算法模型输出的结果分配布置资源，例如在催收环节，针对不同种类的用户选择不同程度的催收手段，也可以把经验丰富的催收人员安排在较难催的用户身上。

　　然而，不同的决策流程往往是环环相扣的。因此，凡普金科希望可以在整个业务线中实现端到端的决策，让各环节的不同模型互相关联起来。要做到这点的先决条件就是让数据先实现关联，再通过先验概率等方式完成算法和模型的组合。

　　据介绍，凡普金科在构建贷后模型的时候发现，用户的还款状态是一个链条。用户从 C(正常还款)到 M1(逾期一期)，以及从 M1 到 M2(逾期二期)是传导的过程。如果单看 M1 到 M2 这一过程，做出的最优决策可能只局限在这一环节。而如果考虑 C 到 M1 的可能性，再看 M1 到 M2 的可能性，则会得到一个全局的最优结果。

　　此外，各个业务线单独研发对资源的消耗较大，凡普金科会把各业务线中应用到的核心 AI 技术进行整合，组建了一个名为数据科学中心的组织，然后通过平台层向各业务线输出服务。

　　在提纯公司 AI 技术能力的同时，研发团队将部分技术抽离形成相应的产品，水滴项目就是基于这样的方式产生的一个平台化产品。

　　水滴是一款全自动的端到端的大数据建模工具，采用了基于深度学习、机器学习的理念自主研发的算法，可以实现特征工程、特征选娶模型建立、效果评估、上线预测全流程的自动化，能够将原本一个建模团队 2 到 3 个月的工作量压缩至 6 分钟到 10 个小时(取决于数据量大小)，大大节省了人工成本，提高了建模效率。

　　水滴项目的负责人、资深数据科学家白洋介绍，水滴平台产品不仅可以模仿人的思考方式，将判断流程逻辑化、系统化、工程化，解放出分析师和科学家的大脑去进行创新层面的思考。同时可以在人类固有的风控经验，通过深度学习自动去发现业务数据之间的模式，从而更深的挖掘数据的价值，找出人类模型分析师发现不了的特征。目前水滴平台产品面向凡普金科旗下品牌，已经应用于爱钱进和钱站品牌，在对外的平台合作中，也有了应用。

　　白洋举例：“在爱钱进的智能运营尝试中，根据用户的历史投资记录，APP行为数据通过水滴来建模预测不同的运营手段能够提升多少投资概率和金额，在满足业务需求的金额目标的同时，根据非线性最优化解出针对每一个人不同种类的运营方案，从而最携成本，使得整体的ROI提升20+%。不仅解放了传统运营去手动筛选人群，制定策略的人力，还提升了整体的运营效率。”

　　“其实我们的最终目的就是通过技术新方法去降低人在整个流程当中的参与度。”凡普金科的数据科学家陈宸总结道，“这就是人在退，机器在进的过程。”

　　事实也正是如此，尽管凡普金科的业务体量呈指数趋势上涨，不过团队人员增加数目却是非常有限的。尽管业务量有了成倍的增长，可是在这背后，团队的人数只从120涨到了150，很多决策工作都是由机器完成的。

　　凡普金科的资深数据科学家杨磊告诉机器之能，金融科技这个行业越来越重视AI技术的应用，年底很多业内会议主题也都聚焦在怎么把AI技术运用到业务中去，不难看出，这确实已经成为了一个发展趋势。

　　如何实时获知被欺诈，是 AI 在互联网金融领域面临的挑战

　　事实上，AI 技术在图像识别、语音识别等领域所发挥的作用早已经有目共睹。而在金融领域，算法识别的准确率直接与收益挂钩，所以与其他领域相比，金融领域的 AI 能力堪称生与死的较量，行业对算法的要求也更高。

　　就目前中国的行业环境而言，存在很多欺诈客户的情况。企业掌握自己是否被欺诈往往是滞后的，而对骗子来说却是实时的。为了解决这一问题，凡普金科尝试采用对抗性神经网络伪造一些攻击数据，以期在与模型的博弈过程中提升模型的防欺诈能力。

　　在提升算法模型能力的同时，也要适当的把控输入数据。资深科学家陈宸回忆到，此前曾有同事误把事后数据作为参量输入模型中，导致结果产生了较大的偏差。出现问题时，团队就需要进行回溯和调查，逐一排查，这个过程也耗费大量的人力。目前来看，水滴已经靠自动识别伪变量的功能，解决了这一难题，并且成功的避免了几次前端取数失败和逻辑变更造成的事故。

　　在凡普金科的实际经验中，团队曾发现风险模型的数值突然剧烈上升。经过回溯发现，一些进行其他诈骗活动的用户，为了不暴露自己的身份，会通过淘宝购买非实名认证的电话卡，并在淘宝售卡商家处进行充值，由于他们从事非法买卖，淘宝上对他们有大量差评和投诉，正是这些数据，导致了风险模型数值异常。

　　可以发现，该领域面临的难题还有许多，也正因如此，在金融领域 AI 算法落地进展的每一步都弥足珍贵。

　　“我们希望模型有一天可以直接把这些人去掉，而不是出现问题了我们才开始让分析师回溯原因。”陈宸说道。事实上，由于深度学习算法的“黑箱”特性，特征的解释性往往较弱。不过，随着智能化程度的提升，未来人们对特征的认识也会越来越弱。

　　目前，钱站的注册用户总量大约为 1500 万。在模型输入数据的维度较为丰富的情况下，对数据的描述更为全面，输出结果也会随之更为准确。

　　今年 3 月，李开复曾大胆预测，未来十年里，金融行业 80% 的从业者都将因 AI 而面临大洗牌。

　　“通过引入更多的 AI，覆盖公司全部的决策流程，可以大幅度提升每一个人的工作效率。传统的互联网金融需要的分析手段，也逐渐变得自动化、智能化，对人们工作和思考的方式，也带来革命性的冲击。”白洋说道，“不会 AI 的分析师越来越少了。”