防傳染，這三個字對信貸風控而言，有著雙重含義。

除了和全社會一道抗擊新冠肺炎，防止病毒的擴散，信貸領(lǐng)域更要面對風險溢出和傳染的可能性。

疫情期間，企業(yè)現(xiàn)金流告急之際，借貸需求顯著上升，金融機構(gòu)也陷入了兩難境地：開閘放水，有可能逾期一路走高；收緊風控，有可能失去更多客戶。

不僅放貸機構(gòu)們表示貸后管理難度大幅上升，系統(tǒng)性風險的長劍更是在行業(yè)上方高懸。

一位來自風控行業(yè)頭部企業(yè)的高層表示了對系統(tǒng)性風險的擔憂：面向小微企業(yè)主和消費者的信貸服務，正如同中國經(jīng)濟的毛細血管，是金融業(yè)觸達到群眾的最直接管道；政府在扶持企業(yè)、解決就業(yè)經(jīng)濟這些根源性難題的同時，也一定要防范系統(tǒng)性風險從信貸領(lǐng)域蔓延開來。

此時，風控在某種程度上變成了信貸業(yè)務的一道“口罩”，需要更準確有效地“過濾”風險。怎樣在特殊時期為信貸業(yè)務保駕護航，這一問題也排在了各大風控技術(shù)團隊的任務清單榜首。

牽一發(fā)動全身，信貸風控雪上加霜

一份關(guān)注小微企業(yè)的調(diào)研報告指出，有85%的企業(yè)，現(xiàn)金維持時間不超過三個月。

這份報告由清華大學經(jīng)管學院教授朱武祥和北京大學匯豐商學院管理學教授魏煒聯(lián)合發(fā)布，報告稱近30%的企業(yè)估計，疫情會導致2020年營業(yè)收入下降幅度超過50%；28%的企業(yè)預計，營業(yè)收入會下降20%-50%。

個體戶或小小微客群的處境，只會比小微企業(yè)更加危險。這三大群體介于傳統(tǒng)C端消費客群和企業(yè)客戶，規(guī)模體量大，抗風險能力弱，授信情況和企業(yè)主個人息息相關(guān)。

而這些情況最直接的關(guān)聯(lián)影響，其中之一就是小微企業(yè)貸和個人借貸的逾期大幅攀升，放貸機構(gòu)顯著承壓。

有業(yè)內(nèi)人士透露，國內(nèi)一些放貸平臺的首次逾期率環(huán)比增長7-8個百分點；更有甚者，首逾率相較于過往平均數(shù)暴增了四、五倍。

“首次逾期率是貸后管理的重要指標——當一個用戶連初次還款都無法完成，機構(gòu)會認為貸款后續(xù)更難收回。”

其他貸后管理指標的情況也不容樂觀，入催率上升超過10%的不止個別平臺，回款率也和歷史水平有不小偏差。

放貸機構(gòu)要面對的，除了借疫情逃債的“老賴”們，還有客群的收入下降或喪失所導致的還款壓力。

有報道稱，不少用戶主動發(fā)起因疫情誤工期望延期還款的訴求，不論是資金充足的持牌機構(gòu)還是非持牌的互金機構(gòu)，疫情延期還款訴求在春節(jié)后普遍占每日投訴量的20%以上，有的甚至高達50%，并逐日呈上漲趨勢——這樣的形勢，對信貸風控而言無疑是雪上加霜。

短期來看，疫情造成的整體經(jīng)濟下滑同樣會影響客戶還款能力和還款意愿；從中長期來看，若因疫情影響收縮放貸規(guī)模，勢必將打擊市場信心及減緩經(jīng)濟重振趨勢，進一步影響整體不良情況。

疫情期間，數(shù)據(jù)風控的“新傷舊患”

事實上，人工智能和大數(shù)據(jù)已經(jīng)廣泛運用到包括貸前風控在內(nèi)的信貸業(yè)務全流程，通過機器學習等手段展開更高水準的風控建模并不少見。

一位資深風控專家向雷鋒網(wǎng)AI金融評論介紹，以個人信貸為例，原來傳統(tǒng)的模型搭建方式，經(jīng)常是基于用戶的信用信息，以人行征信報告為主，通過邏輯回歸來判斷用戶整體風險。

而現(xiàn)在，得益于大數(shù)據(jù)下的信貸風控技術(shù)提升，除了強關(guān)聯(lián)數(shù)據(jù)，非信貸場景下的弱相關(guān)變量也開始更多地被納入考量。她表示，除了用戶本人的基本資料和借貸記錄，在判斷個人信貸風險時，其網(wǎng)絡行為、社交數(shù)據(jù)、消費記錄等信息都能為大數(shù)據(jù)風控模型提供判斷依據(jù)。

可以看出，數(shù)據(jù)無疑是信貸風控的源頭活水，但想要獲得海量、多維度的數(shù)據(jù)談何容易。

由于缺少客戶外部信息綜合判斷風險，貸前、貸中、貸后都需要采購多種數(shù)據(jù)源來輔助了解客戶情況，信審過程中數(shù)據(jù)接口的調(diào)用費用極高，孤島效應漸顯。

同時，隨著監(jiān)管層鼓勵發(fā)展普惠金融，貸款客群逐步下沉，客戶信用資質(zhì)更加參差不齊，這也使得數(shù)據(jù)獲取難度提升，推高了信貸風控的整體成本。

風控數(shù)據(jù)獲取成本之高，正如一處久治難愈的病灶，約束了信貸風控的進一步發(fā)展與提升。

而疫情期間的風控解決方案，更要重新審視數(shù)據(jù)的使用。究竟哪些新的數(shù)據(jù)維度需要被引入，原有的數(shù)據(jù)又該怎樣挖掘。

要想更準確衡量疫情帶來的影響，需注意地域上的不均等，因此在個人信貸業(yè)務上，風控建模首先要確定用戶所在地，包括戶籍地、移動運營歸屬地、行為軌跡等數(shù)據(jù)都要進入到模型當中。

其次，個人近期金融屬性也是必不可缺的參考依據(jù)，例如短期內(nèi)多頭申請、興趣偏好、社交網(wǎng)絡、反欺詐識別、收入等情況，以供放貸機構(gòu)評估延期后還本付息計劃的可行性。

在中小微企業(yè)的“重災區(qū)”，就需要引入經(jīng)營穩(wěn)定性、還款表現(xiàn)、企業(yè)所在行業(yè)、地區(qū)、近期現(xiàn)金流、及近期政府和監(jiān)管支持政策等數(shù)據(jù)，做綜合評估預測。

探索AI風控的新選擇

疫情對AI金融風控的嚴峻考驗遠不只是數(shù)據(jù)層面，原有模型的效果也受到?jīng)_擊。

AI建模的一項基本原則是“模型只適用于建模樣本所能有效代表的群體”——在疫情這樣的突發(fā)狀況之下，“單機構(gòu)、單個人的樣本量相當有限，單獨建模效果預估不夠理想?！?/p>

在風控解決方案存在同質(zhì)化、少突破、數(shù)據(jù)孤島、建模效果差、隱私安全保護難等一系列問題的情況下，微眾銀行用“聯(lián)邦學習”這種新范式破局風控中面臨的數(shù)據(jù)挑戰(zhàn)。

聯(lián)邦學習，是指多個客戶端（如移動設備或整個組織）協(xié)作式地訓練模型的機器學習設置，該設置同時保證訓練數(shù)據(jù)去中心化。

• 基于聯(lián)邦學習的信貸風控解決方案，究竟有何特別之處？

“它的優(yōu)勢在于數(shù)據(jù)安全及隱私保護?！蔽⒈娐?lián)邦學習團隊給出了這樣的答案。

“在建模過程中，雙方交換梯度值，類似于方向向量的概念，交換的是中間變量，不是原始數(shù)據(jù)。同時對這個中間變量還進行了同態(tài)加密，所以數(shù)據(jù)并不會出庫，保證數(shù)據(jù)源和應用方的數(shù)據(jù)安全。”

而聯(lián)邦學習所采用的局部數(shù)據(jù)收集和最小化原則，將降低傳統(tǒng)中心化機器學習方法帶來的一些系統(tǒng)性隱私風險和成本，這樣的效果也正契合了信貸風控的提升方向。

總的來說，這一做法是試圖通過聯(lián)邦數(shù)據(jù)網(wǎng)絡進行信貸風控增強，在貸前環(huán)節(jié)利用更豐富的數(shù)據(jù)信息綜合判斷客戶風險，幫助信貸公司過濾信貸黑名單或明顯沒有轉(zhuǎn)化的貸款客戶，進一步降低貸款審批流程后期的信審成本。

在貸中，采用聯(lián)邦學習的解決方案主要提供根據(jù)用戶放款后的行為變化進行的風險評估產(chǎn)品，幫助放貸機構(gòu)進行調(diào)額調(diào)價的輔助決策。

對于貸后風險處置，方案則提供可以根據(jù)客戶的行為進行催收預測的產(chǎn)品，幫助放貸機構(gòu)進行催收的策略評估，調(diào)整催收策略，提升催收效率。

微眾聯(lián)邦學習團隊表示，在具體實施上，解決方案會先行使用聯(lián)邦學習云服務進行業(yè)務冷啟動，并通過建立業(yè)務及AI模型閉環(huán)，小樣本建模，后期持續(xù)迭代優(yōu)化模型的方式，實現(xiàn)項目數(shù)字化，便于消費金融業(yè)務方及信貸合作方能夠持續(xù)積累業(yè)務數(shù)據(jù)優(yōu)化聯(lián)邦模型。

• 摸清技術(shù)路上“攔路石”，逐個擊破

然而，團隊首先要面對的，就是放貸機構(gòu)樣本量不足的難點，好壞樣本的區(qū)分度也并不足夠。

處理辦法之一是業(yè)務方持續(xù)積累業(yè)務數(shù)據(jù)，或者在有可能的情況下從信貸機構(gòu)等相關(guān)合作方獲取更多同類Y數(shù)據(jù)，增加樣本量；解決方案也可以設立長時累積數(shù)據(jù)。

最直觀的解決方案當然是業(yè)務方通過長時間積累來擴充樣本量；但聯(lián)邦學習提供了新的解決思路：通過與其他機構(gòu)合作，引入外部的樣本數(shù)據(jù)。

當樣本質(zhì)量低下、過于偏離正態(tài)分布的時候，業(yè)務方就需要對樣本進行持續(xù)篩選和重采樣，與外部數(shù)據(jù)方實時同步數(shù)據(jù)資料，例如確認時間一致，剔除18年X對應19年Y等數(shù)據(jù)參差情況，使全量數(shù)據(jù)時刻保持基本符合正態(tài)分布。

此外，團隊還通過引入數(shù)據(jù)方實現(xiàn)ID映射關(guān)系，打通不同ID之間，避免ID異構(gòu)的問題出現(xiàn)。

而這一解決方案也開始有實際效益顯現(xiàn)。該團隊在采訪中透露，通過合法合規(guī)的多維度聯(lián)邦數(shù)據(jù)建模，風控模型效果約可提升12%，相關(guān)企業(yè)機構(gòu)有效節(jié)約了信貸審核成本，整體成本預計下降5%-10%，并因數(shù)據(jù)樣本量的提升和豐富，風控能力進一步增強。

對合作方信貸機構(gòu)而言，信貸風控能力也大幅度提升。

通過初審篩選掉黑名單和不可能轉(zhuǎn)化貸款客戶，在“信審漏斗第一步”減去無效客戶，從而在信貸預審階段使單接口調(diào)用成本預計節(jié)省20-30%，有效控制了信貸審核成本。

聯(lián)邦學習奏AI金融明日之歌

目前國內(nèi)外很多企業(yè)都在進行聯(lián)邦學習相關(guān)的研究，但在聯(lián)邦學習研究與應用方面，尤其是金融領(lǐng)域，微眾銀行可以說是先行者。

為什么是微眾銀行？團隊表示，在業(yè)務實踐和行業(yè)觀察中，他們發(fā)現(xiàn)訓練AI所需要的大數(shù)據(jù)實際上很難獲得，數(shù)據(jù)的控制權(quán)分散在不同機構(gòu)、不同部門。

同時，數(shù)據(jù)有限且質(zhì)量較差，在某些專業(yè)性很強的細分領(lǐng)域更是難以獲得足以支撐人工智能技術(shù)實現(xiàn)的標注數(shù)據(jù)。

從更宏觀的視角來看，不同數(shù)據(jù)源之間也存在難以打破的壁壘：

除了少數(shù)幾家擁有海量用戶、具備產(chǎn)品和服務優(yōu)勢的「巨無霸」公司外，大多數(shù)企業(yè)難以以一種合理合法的方式跨越人工智能落地的數(shù)據(jù)鴻溝，或者對于他們來說需要付出巨大的成本來解決這一問題。

另外，隨著大數(shù)據(jù)的發(fā)展，重視數(shù)據(jù)隱私和安全也已經(jīng)成為一種世界性的趨勢，GDPR等一系列條例出臺，數(shù)據(jù)保護立法不斷深化，大數(shù)據(jù)合規(guī)合作的需求也更為迫切。

于是，在首席人工智能官、國際人工智能專家楊強教授的帶領(lǐng)下，微眾銀行從2018年就開展了聯(lián)邦學習研究，內(nèi)部已投入百余人，打造了一個覆蓋技術(shù)上下游的聯(lián)邦學習團隊，包含研究、學術(shù)、研發(fā)、商業(yè)、行業(yè)應用等多個細分隊伍，全力推動產(chǎn)學研一體化，實現(xiàn)包括金融、零售、安防等多個領(lǐng)域的行業(yè)落地。

團隊透露，他們已申請100+項相關(guān)專利，牽頭推進IEEE聯(lián)邦學習國際標準與聯(lián)邦學習國家標準制定。

研發(fā)方面，該團隊還自研并推出了全球首個工業(yè)級聯(lián)邦學習開源框架FATE。團隊表示，這一聯(lián)邦學習開源軟件FATE具備較強易用性，傳統(tǒng)建模知識和經(jīng)驗都可以復用，用戶體驗上和傳統(tǒng)建模差異較小。

“所提供的FATE-Board建?？梢暬δ?，極大提升了聯(lián)邦建模過程的交互體驗，也有效緩解建模技術(shù)人員的缺乏現(xiàn)狀?！?/p>

2019年初，他們開始在信貸風控領(lǐng)域發(fā)力。

從著手研究到輸出解決方案，用時不到一年——團隊表示，微眾銀行在風控領(lǐng)域累積的大量案例及數(shù)據(jù)，都成為了他們攻克風控數(shù)據(jù)難題的助力。

銀行的角色，既是他們研發(fā)的動力、攻克技術(shù)難關(guān)的優(yōu)勢，也是檢驗研究成果的第一站。

“這一解決方案的落地應用也是從微眾銀行內(nèi)部開始，經(jīng)測試，模型的AUC增加了14%，顯著減少了手工評審的工作量和難度。”

在金融領(lǐng)域，微眾聯(lián)邦學習團隊已經(jīng)瞄準了更多賽道。他們表示，信貸風險管理、核保風險評估等具體環(huán)節(jié)都是聯(lián)邦學習較為適宜的應用場景，下一步將通過聯(lián)邦建模，滲透到業(yè)務各環(huán)節(jié)，輔助放貸實體建立自有模型進行信貸審核、深入保險業(yè)核保風險評估，切實應用于這兩大場景的相關(guān)流程。。

研究成果也將在銀行、保險等多個細分領(lǐng)域批量落地，以協(xié)助金融機構(gòu)提升風險識別能力，實現(xiàn)普惠金融的新目標。

當金融機構(gòu)陷入資產(chǎn)質(zhì)量下滑、保營收求增長的困境，促使風控精細化管理，加強金融科技手段的使用，全面提升風控技術(shù)水平是勢在必行。

經(jīng)濟環(huán)境充滿變數(shù)，為這場多米諾骨牌局盡可能減緩疫情的沖擊，正是風控存在的意義。

雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。