隨著國內互聯網金融監(jiān)管加強，小額普惠的定位更加明確（行業(yè)回歸風險控制的本質），用大數據與機器學習的方式做風控變得越來越重要，相關領域的公司也逐漸受到追捧。

雷鋒網獨家獲悉，Fintech公司CreditX氪信最近正式完成數千萬元Pre-A輪融資，由IDG榮譽合伙人章蘇陽新創(chuàng)立的基金火山石資本領投，真格基金跟投。2015年底，氪信還曾獲得真格基金領投的700萬元天使融資。

氪信主要用機器學習和大數據分析技術，提供風險信用評估和用戶價值運營，為金融公司提供風控與營銷決策。氪信的產品包括非或然引擎和XCloud，前者是一個大數據風控決策引擎；后者可以簡單理解為以大數據為基礎的DAAS（數據即服務）服務。

公司創(chuàng)始人朱明杰告訴雷鋒網，本輪融資將主要用于與數據源上下游合作，金融場景與市場拓展，以及團隊擴充。

將機器學習用于金融風控

互聯網借貸的特點是小額大量，而基于人工的風控成本過高且效率低，這就需要用機器學習的手段幫助做出風控決策。朱明杰認為，現在用機器學習的方式做風控還處于很早期的階段，對金融客戶來說也有一個市場教育的過程，今年開始才逐漸有業(yè)務上的需求。他告訴雷鋒網，將機器學習應用于風控主要有兩方面的問題：

• 一是數據太多，主要是數據特征維度多。傳統(tǒng)風控主要用到與金融相關的特征，一般有數十維度，包括收入、流水和信貸等。而小額普惠金融則需要包括行為數據、APP數據、多頭借貸在內的多維數據。

• 二是樣本數據太小，因為消費金融等純線上形式存在的時間較短，沒有傳統(tǒng)借貸那樣多的樣本數據。

氪信的機器學習引擎會是把人的經驗和機器能力結合起來。在線上貸款中，雖然數據不足，但風控專家會有自己的邏輯，只是人力審核的量不會很大。通過機器學習把經驗復制到機器上，把不確定的東西交給風控專家，這對小額分散的借貸很適用。風控專家會介入到機器學習的訓練迭代上，最終模型會自動迭代，對人的依賴也就越來越少，并避免人為操作的道德風險。

朱明杰還提到將機器學習用于風控的可解釋性問題。我們知道，如深度學習這類技術，雖然在人臉、語音識別上取得了驚人的效果，但關于其原理的討論仍較少，即不知道為何會有這樣的結果。而金融機構特別關心模型的可解釋性，一方面是要控制風險，另一方面是要與用戶溝通。顯然，只給出結果而沒有可解釋性，是無法被接受的。

雷鋒網曾報道，氪信的經驗是利用LIME去捕獲結果或者局部結果中的關鍵變量，然后讓風控專家迅速的抓到是哪些特征導致結果的變化。

朱明杰表示，自去年底產品成型到現在，氪信已與50多家金融機構有合作，包括民生銀行、中銀消費金融這樣的傳統(tǒng)金融公司，也有點融網、小贏理財、洋錢罐、雨點金服等互聯網金融公司。非或然引擎在傳統(tǒng)金融場景上，風控指標的KS值提升在50%以上，在互聯網金融反欺詐效果中KS值也領先。

目前，公司已實現盈利，融資主要是為了未來的布局與平臺發(fā)展。朱明杰表示，兩輪融資的間隔較短，也很快，恰逢章蘇陽從IDG退休成立新基金。

不再講故事的大數據風控

朱明杰告訴雷鋒網，此前的很多大數據與機器學習風控其實都是在講故事，而隨著監(jiān)管的變嚴，Fintech基礎設施這塊的服務才剛剛開始，這些底層基礎設施包括數據、模型、征信、風控和反欺詐等。

不過他認為這塊市場會有很明顯的馬太效應，雖然未來會有更多公司加入其中，但已起步的團隊會存在更大的優(yōu)勢。因為他們有在成熟場景中的檢驗效果，模型會越來越完善。

做風控有幾方面的壁壘，一是人才，二是數據和業(yè)務的積累。機器學習模型需要接受金融場景的檢驗，其效果是技術與業(yè)務的結合。

朱明杰認為氪信的優(yōu)勢也在這里。他本人是微軟亞洲研究院博士，曾在德國馬克思普朗克研究院從事大規(guī)模數據挖掘工作，其他技術成員也有成熟的大型機器學習成熟應用經驗。另外他們也有非常好的機會，深入到金融機構核心的風控場景中，讓產品得到了檢驗。

目前，氪信的風控引擎主要提供場景定制的服務，不過已經與新浪微財富這樣的云金融平臺在合作，未來會提供更多的金融SaaS服務，讓風控模式實現高效的推廣與復制。

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。