品钛首席科学家任然受邀出席2019中国金融创新论坛，并参加“风控管理与创新”圆桌论坛。本次论坛演讲与与会嘉宾有原中国银监会副主席蔡锷生、CFT50首席经济学家杨涛、中国信托业协会会长姚江涛，以及工商银行、建设银行、中国银行、农业银行等百余家银行与金融机构代表。品钛凭借SaaS+服务体系获“十佳智能风控创新奖”。
(2019中国金融创新论坛)
以下为品钛任然演讲实录：
|沙子中淘金Vs金山里淘沙
我曾经在Capital One研究风控反欺诈，也做过业务。传统意义上经常将信贷分成贷前、贷中、贷后，而将风控集中在贷前——只有当用户申请信贷时，才开始进行风控，这样的风控我认为应该定义为“贷时”风控。真正有效的做法，其实应该贯穿全流程，将风控延伸到最最开端的营销获客和流量入口。
品钛的商业模式就是从这一端开始。品钛的团队不仅仅提供建模服务，因为风控模型所带来的数据决策辅助效用只是一方面。另一方面的价值，也是银行客户们对品钛尤其感兴趣的一点，是品钛在连接金融机构时为其所带来的优质场景与流量。
品钛的SaaS+业务体系，“SaaS”是软件系统，“+”则是增值服务。品钛一端是金融机构，一端对接上百家商业场景，一方面是帮商业伙伴打造了很多金融创新产品，另一方面也让金融机构在开放银行的进程当中加速场景布局，在多样化场景的支撑下，为金融机构开发出更多的金融能量。这里的上百家商业机构包括了携程去哪儿等在线旅游平台、唯品会等电商、学霸君等在线教育平台、以及中国电信、中国移动等运营商，还包括了银联商务和等聚合支付平台、百望等财税平台，等等。
(品钛SaaS+服务体系)
我们怎么样去帮金融机构找到一个好用户?这个过程，其实很大程度上已经决定了风险。
在砂砾里面找金子，是一件很难的事，不是不能做，只是商业持续性不够优秀。那要怎样把这个过程变成从金山里淘沙呢?就是通过风控前置。把风控要前置在营销端，从获客时甚至在获客之前，用户可能还没有来申请业务，你对他就已经有风险上的把控和分层了。
最开始，这一连接的需求是集中在商业机构端的。在BATJ体系以外有很多消费金融的长尾客户，他们聚集在各种各样的线上、线下平台。这些平台也想去做流量的金融变现和客户的转化提升，也需要类似于花呗、借呗、白条等的产品。但是从他们本身的电商性质来看，并不擅长金融。而品钛则可以在这个过程中帮他们完成一个一个的环节，连接一个一个的金融机构，最终开启白牌业务。品钛的团队也在不断增多的业务场景、用户筛选、模型迭代等全流程中得到了充足的实战经验。
在此之后，越来越多的金融机构开始看到场景的力量。银行客户最常关注的、品钛的两个增值服务：数据模型和场景流量，两者在与业务场景结合时也都爆发出了新的能量，进一步为C端的客户也提供了更为便捷、高效的金融服务。
(品钛首席科学家任然)
|数据“蓝领”多年在数十个场景中打磨，熟能生巧
我主要负责数据模型，很多人觉得机器学习是很高尚很高大上的事情，但其实实操过程挺“蓝领”的。
我一直比喻模型团队就和做厨师研发菜谱一样，不同的业务场景有参考价值高的数据，也有扰乱决策的信息，怎么样去选变量、使用变量是非常重要的环节。这就像每天去市场上寻菜，寻数据源，这家有什么菜，哪个好哪个不好;买回来了，是小炒还是红烧等等。我们做了很多事情是在找寻，在挑选，在处理，这些看似“蓝领”的工作其实非常重要。甚至可以说算法训练模型其实只是最后的10~20%的工作，80%以上的工作都是在做变量处理，有时候做了很多很多工作，到最后放到模型却看不出效果，但在一次次试错中持续地去做，才能显现出价值。
有一个几年前的例子，当时我们给一家金融机构做反欺诈和线上流程优化。我们很诧异地发现，一些信贷申请者虽然留了手机，但回拨过去却是空号——理论上来说每个用户申请的时候手机号都是正常使用状态，也是通过运营商验证的。但为什么打电话回访的时候，金融机构却说变成空号了呢?我们后来发现原因很有意思。很多客户是多次申请贷款的“老手”，他开启了一个功能：非通讯录的人拒接或自动转移到空号上。在申请阶段，他可以收到验证短信完成申请，但等金融机构回拨时，由于金融机构的电话不在他们的通讯录里，就自动转移到一个假号码，比如说9999999之类的电话上。他的手机有在网记录，有通话，有短信，每个月也都正常的消费，是一个看似“没问题”的用户，从常规层面也很难排查。
我们怎么样去识别他们，又不错伤大量正常客户?基于此我们做了大量的延伸，我们后来发现这些用户有一个特点：他的这个号码并不是他的常用号码，他用这个号码只是来申请贷款，注册各种平台，收验证码，但是他很少用它打电话。单单从通话时间这个变量是无法定位这样人群的，因为有的正常客户也很少打电话，我们当时做了很多测试，最后发现一个很好用的变量：就是把他发短信的数量除以他打电话的分钟数，这个比例非常有效。如果这个比例非常高，则表示他用来打电话的频率远远低于他发短信，这个是不正常的。
其实这些工作没有什么原理或者什么技术能够解决，也不是说什么算法高级，就能够解决所有棘手问题，最终还是要有业务场景业务支持。
回到本质上说，其实做模型很多时候是十分重复性的、枯燥的工作，但是我们必须要做，因为这些东西没有捷径，长远积累就会成为别人不可超越的门槛。市场上数据源其实就这么多，就像菜市场的菜一样，大家买来买去、接来接去也就这么多。但是怎么样在这个数据源体系里面去做的更精细、模型效果更好，就得靠我们多年从数十个场景中不断实战经验中得来的优势。
(“智能风控：管理与创新”圆桌论坛)
|技术不是万能的，风控必须与业务结合
在智能信贷时代不能够单一的去看业务，也不能单一去看风控。风控不应该是一个后台的环节，而应该打通前后端，走到前台来多参与业务。
其实从算法层面来说，包括大数据、人工智能等高科技的词汇都不是算法优劣的标尺。我赞同刚才周行(注：江苏银行副行长周凯)所说的“只有合适或不合适，而没有最好”。我们做模型也不一定坚持每一个模型都要运用高级的机器学习算法，同样的，运用了机器学习的模型也不一定就要摒弃逻辑回归等基础算法。高级算法不是模型优劣的标尺，适配业务场景的模型才是最重要的，因此怎么把技术最好的应用在业务场景中是我们更关注的一点。
比如说从小微企业风控角度来说，小微企业的智能信贷第一个难点在于获客，有线上的、线下的，有经营类的、税务的等等。第二个在于他们的数据离散。消费金融领域发展的比较好，是因为个人有基本的三要素信息，通过身份证、电话这些基本信息就能够有一个较好的判断，但是小微企业并没有能够覆盖90%的某个数据源。所以品钛跟很多小微商户流量平台，税务平台，支付平台都有合作比如百望、拉卡拉、哆啦宝等等。
一个模型是无法精准描述不同场景的客户的，有的小微企业主要业务在线下，那么线上的模型不一定实用，模型的分布、PS也会偏得很厉害。品钛的合作不仅仅是流量层面，更战略性的是我们共同去做数据的集成输出，希望能够针对不同的场景做的更加精细和精准。集中在线下的小微企业客户，就必须要用线下场景训练模型效果，同时还要进行风控前置，从营销端就做到精准获客。
第二，其实金融机构的痛点不完全是算法层面，而是实践层面。以品钛自身来做例子，我们是国内做最早期开始做开放市场的，也是大数据领域比较前沿的公司，我们也曾经碰到很多问题。那时候我们做模型，做出来的模型效果测试非常好，但是却各种原因导致无法上线——有时候可能它是非线性的模型，有时候是用到数据源比较多等等各种各样的情况让它落地困难。在这么多年的训练、测试、数据积累后，我们明白，在给金融机构服务的过程中，有时候交付的不只是一个优秀的模型，而是帮他们完成快速模型部署、快速上线和监控系统。
实践落地好像听起来不太高大上，但它就像决策发动机的一个“外挂”，可以挂在大部分金融机构上。很多时候金融机构都会有自己的决策发动机，已经不需要我们再去提供品钛的决策发动机，但我们可以在外面做一个外挂，这部分品钛已经做得很成熟，上线可以在一天之内完成。
