0
| 本文作者： 胡敏 | 2023-10-24 12:04 |
金融科技發(fā)展進入下半場，監(jiān)管日趨規(guī)范嚴格，躬身入局者面臨更大的獲客與風險挑戰(zhàn)，業(yè)務(wù)重心從增量轉(zhuǎn)為存量經(jīng)營。加強精細化運營與管理，也成了諸多老板們必備的“破局之道”。
這就好比一套嚴密精巧的機器，倘若每個齒輪都有1%的轉(zhuǎn)動不暢，天長日久累積下來，必然對整套系統(tǒng)的運行效率有不小的折損。
“精細化”三個字說來簡單，但十分考驗企業(yè)的技術(shù)底座是否扎實、技術(shù)能力是否足夠創(chuàng)新，水面之下的積累決定其精耕細作的執(zhí)行力度和效果。
一個典型的情景是，有時業(yè)務(wù)系統(tǒng)出現(xiàn)異常指標，主管火急火燎派人查問題，大半夜把相關(guān)的數(shù)十個人全部拉進微信群，興師動眾，一連查了幾天甚至一兩周才找到原因。結(jié)果已經(jīng)來不及挽回損失，老板氣得在辦公室里一一點名批評。
“很多公司都會經(jīng)歷這種掉鏈子的時候，特別做金融方向的，0.01%的變化或許就關(guān)系著數(shù)量巨大的一筆錢?！蹦承袠I(yè)人士跟雷峰網(wǎng)(公眾號：雷峰網(wǎng))交流說道。
金融科技公司雖然較其他行業(yè)，更早地接觸了信息化、數(shù)字化以及眾多AI前沿技術(shù)，從誕生起就在構(gòu)建自身技術(shù)底座，為何精細化發(fā)展階段仍會面臨種種技術(shù)問題？
他們在創(chuàng)業(yè)早期的目標，自然是以找到賺錢方向為主，因此業(yè)務(wù)在不斷變化、試錯，捕捉機會，在底層技術(shù)上也更為強調(diào)“敏捷”。
但這也給企業(yè)留下了相當龐大的技術(shù)債。不論是行業(yè)巨頭，還是創(chuàng)業(yè)公司，技術(shù)債沒有公司可以避免。
所謂技術(shù)債，類似于金融債務(wù)，軟件開發(fā)就像是“貸款”，技術(shù)債務(wù)是它的“利息”，“利息”是需要未來額外的時間償還的。技術(shù)債的債務(wù)利息是非常高的，曾經(jīng)業(yè)界有一個核算，技術(shù)債的利息大概年化利率是超過 50%。
在當下階段，企業(yè)一旦啟動“精細化”的開關(guān)，首要任務(wù)就是梳理和升級技術(shù)底座。
樂信CTO陸勇在2021年加入樂信時，交給他的是一個已經(jīng)快速生長了8年的技術(shù)系統(tǒng)。而他的工作就是上面所提到的問題——要對這個龐大的技術(shù)系統(tǒng)進行升級。
這是一個不小的挑戰(zhàn)，就像是“翻修一棟老房子”，原有的某些結(jié)構(gòu)和設(shè)計已經(jīng)陳舊，不再適用于現(xiàn)代需求。技術(shù)系統(tǒng)也一樣，要把積累的架構(gòu)不合理、靈活性不夠、數(shù)據(jù)斷點多的問題，進行徹底翻新和升級。
陸勇和他的技術(shù)團隊要做的事情有很多，但核心目標就一個：建設(shè)扎實穩(wěn)定的技術(shù)體系 ，讓樂信實現(xiàn)真正的數(shù)據(jù)驅(qū)動。
樂信CEO肖文杰曾表示：想要擁抱未來的AI驅(qū)動，首先必須要做到數(shù)據(jù)驅(qū)動，扎實從底層開始做好數(shù)據(jù)治理，再到模型及量化分析工具的建設(shè)，系統(tǒng)化工具的建設(shè)，把整個經(jīng)營體系都轉(zhuǎn)變成基于量化和數(shù)據(jù)驅(qū)動。
陸勇到來后，在打造數(shù)據(jù)驅(qū)動的技術(shù)體系方面下了不少功夫。尤為值得一提的，是他和技術(shù)團隊主導研發(fā)上線的「黎曼(Riemann)異動歸因系統(tǒng)」。
這個名詞聽起來很難懂，但從效果層面，它的應(yīng)用實際是給樂信的風控增加了一個“高科技的穩(wěn)定器 ”。
眾所周知，金融業(yè)的故障代價很大，短短數(shù)小時，損失就可能達百萬級，如果超過一天，甚至可能達到千萬級。這就促使陸勇先拿這一問題“開刀”，讓這些工程師們不再恐懼半夜接告警，擁有一個好睡眠，同時也減少公司損失。
據(jù)陸勇透露，海外早已有許多互聯(lián)網(wǎng)公司在研究，但異動歸因系統(tǒng)本身是一項壁壘極高的技術(shù) 。
首先，需要對業(yè)務(wù)的數(shù)據(jù)、運營策略的配置有全面的數(shù)據(jù)感知。如果說異動歸因系統(tǒng)相當于人的分析過程，那分析的原材料——來自眼耳鼻舌身的數(shù)據(jù)輸入就是前提，需要結(jié)合業(yè)務(wù)全流程來監(jiān)控。
有全面的數(shù)據(jù)感知作為基礎(chǔ)，發(fā)現(xiàn)異動才成為可能。以消費金融產(chǎn)品的掉單率作為例子，一旦發(fā)現(xiàn)掉單數(shù)據(jù)超出閾值，無論是瞬時的劇變，還是長時間的陰漲陰跌，異動歸因系統(tǒng)就會在幾十毫秒之內(nèi)發(fā)現(xiàn)問題，自動告警。如果沒有系統(tǒng)加持，僅憑人工查看數(shù)據(jù)報表，也許半天才能發(fā)現(xiàn)，也許根本發(fā)現(xiàn)不了。
定位問題之后，異動歸因系統(tǒng)會迅速進行兩類歸因：計算歸因，根據(jù)數(shù)據(jù)的計算血緣關(guān)系通過偏微分網(wǎng)絡(luò)，追尋到引起變化的某個數(shù)值異動 ；或者事件歸因，追尋到引起變化的某個策略配置。無論是哪種情況，定位清楚問題，解決也就成功了一半。
目前，陸勇還正帶領(lǐng)團隊實現(xiàn)后一半，從定位問題到解決問題的閉環(huán)：在異動歸因系統(tǒng)之后加上自動修復系統(tǒng)。只要是由運營、經(jīng)營策略配置引起的異動，歸因系統(tǒng)定位后，修復系統(tǒng)可以自動調(diào)整策略，消除異動，讓系統(tǒng)正常運行。這相當于給業(yè)務(wù)配置了24小時在線的護衛(wèi)，有任何風吹草動都可以迅速發(fā)現(xiàn)，迅速調(diào)整。陸勇把技術(shù)分為兩類：一類是基建類技術(shù)，可以參考標準的解決方案, 采購第三方解決方案，還有一類技術(shù)并不是可以買來的，它是必須在一個個業(yè)務(wù)場景反復打磨，讓技術(shù)滲透到毛細血管，長到業(yè)務(wù)里面才能夠見到生產(chǎn)力。
異動歸因系統(tǒng)就屬于后者，研發(fā)過程是需要花長時間、重精力。據(jù)陸勇透露，樂信在這上面投入已有兩年時間。而如今，歸因系統(tǒng)初步過了技術(shù)臨界點。
“現(xiàn)在樂信80%技術(shù)告警異動系統(tǒng)能自動分析處理，余下20%的問題才需要人工輔助。”陸勇說道。
不論是異動歸因系統(tǒng)，還是AB測試、QE測試，這都是長在數(shù)據(jù)之上的系統(tǒng)。數(shù)據(jù)完備性、及時性、準確性是影響系統(tǒng)能否發(fā)揮最大效能的前提。
沒有數(shù)據(jù)的支撐，就像是你買了一部頂級豪車，但卻發(fā)現(xiàn)油箱中沒油一樣，發(fā)動不了。
陸勇也深諳此道。他在加入樂信之前，在海外工作已有十余年，2003年，陸勇加入微軟，并在其西雅圖總部擔任軟件工程師達十年之久，其后他加入臉書（Facebook）擔任高級軟件工程師。2014年，陸勇回國加入新浪微博任廣告部總經(jīng)理，此后相繼在51Talk、新浪移動和平安人壽擔任首席技術(shù)官 。
陸勇加入樂信后，技術(shù)團隊先是花了大力氣做了樂信內(nèi)部的數(shù)字化治理工作，研究清楚數(shù)據(jù)是怎么產(chǎn)生的，數(shù)據(jù)之間的計算關(guān)系、不同數(shù)據(jù)在業(yè)務(wù)上的意義；也要研究數(shù)據(jù)如何加工得出結(jié)果，以及加工中途一旦出現(xiàn)問題，怎么排查成因、確定造成的影響。
“數(shù)據(jù)的收集、清洗、加工，聽起來這是一項非常不sexy、也很耗時的工作?！标懹抡f，但這也是最重要的工作之一，公司一旦把存量關(guān)系梳理完后，增量關(guān)系可以“自動、快速、及時地，以非常小的代價”更新到業(yè)務(wù)模型里面來。
這就是典型的飛輪效應(yīng)，一開始，你必須使很大的力氣，一圈一圈反復地推，每轉(zhuǎn)一圈都很費力，但是每一圈的努力都不會白費，飛輪會轉(zhuǎn)動得越來越快。
不過，數(shù)據(jù)治理確實是一項龐大的工作?！拔覀冊磾?shù)據(jù)的數(shù)據(jù)量是25PB以上，我們一共有100萬以上的字段?！?/p>
這個數(shù)據(jù)量還是讓陸勇頗感吃驚，根據(jù)他的經(jīng)驗判斷，這已經(jīng)比較接近一個中型 To C社交平臺公司的量級了。
除了數(shù)據(jù)量大之外，實際上在數(shù)據(jù)收集工作上，陸勇也表示遇到了不少難點。
因為和大多數(shù)公司一樣，樂信早期數(shù)據(jù)也是跟著業(yè)務(wù)跑，等到真正要梳理時，數(shù)據(jù)基本點狀式散落在各個業(yè)務(wù)部門。但這還只是第一步。弄清楚各個數(shù)據(jù)之間的血緣關(guān)系，這才是團隊最核心的目的。
如果把底層數(shù)據(jù)比作一座城市，那么數(shù)據(jù)血緣就相當于城市的人口普查，厘清了整個城市的人口關(guān)系。
經(jīng)過兩年多的努力，樂信已經(jīng)有大概40萬以上的計算關(guān)系。機器可以從這40萬數(shù)據(jù)計算關(guān)系里面，自動提煉金融復雜業(yè)務(wù)模型，比如說信貸業(yè)務(wù)、消費金融業(yè)務(wù)的核心模型。
據(jù)了解，現(xiàn)在樂信有大概近3萬個計算任務(wù)，主要來源于10萬張以上的數(shù)據(jù)表，服務(wù)1600多個運營指標和600多個主要的經(jīng)營指標。
而今年，樂信技術(shù)團隊又嘗試構(gòu)建了圖靈(Turing)決策仿真系統(tǒng)。以往，外部發(fā)生變化，平臺可能需要上新策略，但一旦策略不當，那整個成本是比較昂貴的。
因為有了真實世界的豐富數(shù)據(jù)血緣關(guān)系，那可以在此基礎(chǔ)上構(gòu)建一個數(shù)據(jù)仿真測試，提前模擬宏觀環(huán)境、行業(yè)環(huán)境、消費者環(huán)境可能發(fā)生的變化，將這些變量“扔進”仿真系統(tǒng)，讓業(yè)務(wù)先做一場“模擬考”，方便業(yè)務(wù)人員了解外部變化可能對業(yè)務(wù)產(chǎn)生的影響。例如一個撮合匹配的優(yōu)化策略, 原來實際上線測試幾個月可能會耗費高額的成本, 現(xiàn)在通過圖靈仿真系統(tǒng), 90秒內(nèi)就可以得到置信度非常高的結(jié)果。
回頭看陸勇來到樂信的這兩年多時間，也是樂信朝精細化、數(shù)字化、智能化再深一步的兩年：
2021年，先重點做樂信的數(shù)據(jù)治理工作，而后又啟動了異動歸因系統(tǒng)、AB測試、QE測試的研發(fā)工作；
再到2022年，在底層數(shù)據(jù)治理有一定成效后，就開始涉足業(yè)務(wù)端，將貸前、貸中、貸后的策略模型做集群，通過集群，以此達到全局最優(yōu)、最大化的效率；
再到今年，又開始著手LexinGPT、決策仿真系統(tǒng)的研發(fā)，朝著智能2.0邁入。
這些技術(shù)不斷向前邁進的背后，其實反映的是樂信一直踐行的理念：用科技的力量，讓金融更為普惠。
而這一理念，樂信已堅持了十年。
2013年，當時市場上有上億的個人消費金融需求得不到滿足，于是樂信CEO肖文杰下海創(chuàng)業(yè)，帶領(lǐng)團隊推出了分期樂。
彼時，中國的信用體系起步比較晚。線上借貸這模式在當時無疑是很冒險的。但肖文杰和團隊卻認為，借助技術(shù)手段，去評估一個人的信用，這是可行的。鷹眼、蟲洞技術(shù)系統(tǒng)也都在這個時間節(jié)點誕生。
鷹眼主要是為解決傳統(tǒng)金融機構(gòu)對信用缺失人群的風控難題。當用戶在分期樂商城購買一件商品時，其互聯(lián)網(wǎng)電商行為數(shù)據(jù)、人臉識別機器指紋驗證以及外部征信數(shù)據(jù)合作方提供的數(shù)據(jù)等等都主動會進入到鷹眼引擎中。有了這些大數(shù)據(jù)，運用機器學習手段，鷹眼引擎就能對該用戶的還款能力、還款意愿、負債信息、穩(wěn)定性、負面信息作出評估，并自動完成即時預警、攔截以及分析部署等功能。
而蟲洞技術(shù)則是海量資產(chǎn)的匹配問題。蟲洞會根據(jù)資產(chǎn)狀況進行分級、定價，按照不同資金方的資產(chǎn)要求，通過規(guī)則和算法進行智能篩選、在線自動撮合，讓分期樂商城生成的訂單能夠秒級匹配到合適的資金方，成功率在93%以上，單筆訂單的IT成本降到了不到傳統(tǒng)金融機構(gòu)的十分之一。
前端資金配置和后端風控雖然都有技術(shù)支持，但樂信技術(shù)創(chuàng)新也并未止步于此。2016年，人工智能AlphaGo戰(zhàn)勝世界圍棋冠軍李世石后，全球引爆了新一輪的AI熱潮。
樂信也開始邁開了腿，探索AI在消費金融領(lǐng)域的應(yīng)用。整個2017-2021年，AI成為了樂信技術(shù)體系中的重要關(guān)鍵詞。
在這期間，樂信上線了人工智能實驗室（AI Lab），同時也成立了樂信區(qū)塊鏈實驗室（Blockchain Lab），探索區(qū)塊鏈在小微消費金融領(lǐng)域的落地應(yīng)用。
2019年，樂信發(fā)布了一系列用于消費金融的AI工具“全家桶”，包括：LBS風險評估、收貨地址聚類分析、用戶行為序列分析、輿情分析等等。
再到今年，大模型引爆全球，引發(fā)行業(yè)大地震，樂信很快加入戰(zhàn)局，開始思考如何將樂信技術(shù)朝著智能化2.0邁入。所謂智能化2.0，最核心的應(yīng)用就是大模型，用大模型去滲透改造每一個經(jīng)營環(huán)節(jié)。目前樂信的LexinGPT已經(jīng)在內(nèi)部工作中發(fā)揮了重要作用。
陸勇對雷峰網(wǎng)表示，LexinGPT的應(yīng)用，樂信在客服、電銷、私域運營和催收機器人方面顯著提升了傳統(tǒng)人工坐席的效率，同時以LexinGPT大模型為核心開始重構(gòu)幾乎每一個運營、研發(fā)、測試、數(shù)據(jù)分析、設(shè)計，以及后臺職能環(huán)節(jié)的工作流、知識流和通訊流。
樂信的10年技術(shù)創(chuàng)新之旅展現(xiàn)了一個企業(yè)的持續(xù)進化。從起步發(fā)展期的大數(shù)據(jù)風控和資產(chǎn)匹配，到深入發(fā)展期的AI和區(qū)塊鏈技術(shù)全鏈條應(yīng)用，再到整體技術(shù)的精細化發(fā)展，樂信在技術(shù)創(chuàng)新方面不斷前進。
在這個過程中，樂信取得了一系列顯著成就，促成了貸款總額達近10000億元，服務(wù)了1.99億用戶。這些數(shù)字反映了技術(shù)創(chuàng)新所帶來的實際影響，但也讓我們看到了樂信10年來的不懈努力。
這十年，其實也正是金融科技從激烈廝殺，到大浪淘沙，再到穩(wěn)步前行的十年。
曾有人這樣總結(jié)世間的一切競爭：越適合生命生長的地方，競爭就越激烈；不適合生命生長的地方，對于自身生命力的要求就會特別高。沒有絕對的優(yōu)勢，也沒有絕對的劣勢，無論何時何地，生存最大的挑戰(zhàn)還是自己。
而在這漫長旅程里，行業(yè)滄海桑田，樂信也逐漸磨練自身，從稚嫩走向成熟，長成了新模樣。
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。
