<mark id="oztn4"></mark>
0
“能夠生存下來的，一定是最能夠適應變化的。”喬楊感慨道。
金融科技平臺們已經不算年輕了。八年時間，互聯網金融已驚濤駭浪一遍遍，頂住風浪遠航的船只屈指可數。
樂信，是其中之一。
這家生于深圳的金融科技公司已經走到第八年，大船航行卻越發穩健。上周樂信也發布了2021年二季度財報，簡單看幾組數據：
截至今年二季度末，樂信的累計用戶數已突破1.4億；新消費生態商戶數超1000萬家，金融合作伙伴超100家，在貸余額為905億，預計年內破千億。
目前，樂信1天以上的逾期率為4.92%，比去年同期降低39%，風險表現為近兩年來最優；最新壞賬回收實現回收率和回款金額也創下歷史新高。
直到今年夏天，外界才了解到，首席技術官陸勇、首席風控官喬楊已經悄然入職樂信數月，執行著一個漫長且艱巨的任務：
對內，是一場數字化變革，讓這艘大船的每個零部件運行更順滑，把樂信近十年來經歷的“風浪”更好地沉淀。
對外，是把厚實的經驗和能力“家底”整合為產品體系，“集裝箱”式地輸出，抵達“純科技服務模式”的目的地。
這當中沒有哪樁是容易的，曾任平安壽險CIO的陸勇給我們粗略算了筆賬：數字化轉型，如平安、美的這樣體量的企業，都花上了十年八年，斥資百億。
同時，不斷招兵買馬、優化團隊，提升人才密度，調整組織架構和協同機制。對B端業務的規劃徐徐展開，新消費業務也正在成為樂信的第二增長曲線。
金融科技這片海域斷不會就此平靜，樂信的航線和作戰計劃無比清晰，“艦隊”整兵齊將，亟待加速航行。
一艘平穩遠航的大船，風險管理必然是這艘船的“龍骨”。
受疫情影響，不少平臺機構從2020年初開始都經歷了逾期急升、壞賬劇增，至今還沒有緩過勁兒，但樂信的風控成績斐然，二季度90天以上的逾期率為1.85%，資產質量卻達到了近兩年的最優水平。新增借款FPD30，已經連續12個月保持在1%以下。
（注：FPD30是指首個還款日后30天逾期案件GMV÷次月訂單GMV）
與市面上不少信貸風控解決方案頗為不同，樂信在風險管理的“排兵布陣”并沒有拘泥于貸前、貸中、貸后的全生命周期管理，而是分為兩大維度的“雙保險”。
先是基于前沿科技構建的全AI風險策略系統，以復雜網絡、自動特征生成系統、無監督用戶聚類、基于位置定位的風險評估體系等一系列“黑科技”為“建筑材料”，和過去八年的業務經驗一道迭代優化出“地基”底層能力，包括壞賬預測、利潤追蹤、營銷策略等能力，支撐“上層建筑”策略體系。
策略體系則指向大家所熟悉的授信、額度、交易、資產配置等部分的決策，再向上全面靈活支持前端業務各個環節。
但風控不只是一瞬間的決策，樂信想到了要再建一套數字化管理系統，“升維”到更高屋建瓴的視角，用更長久耐心的觀察，來管理風控本身。
新上任的CRO喬楊，曾先后任職于美國通用電氣、Discover、京東數科，有著超過十五年的全球頭部金融和科技公司風險管理經驗。他來到樂信的第一件事，就是完善高質量的風險管理團隊和體系。
他向雷鋒網AI金融評論透露，他們搭建了一整套完善的風險監控預警和自動分析的系統，形成了按周、按月的追蹤預警分析機制，可對核心指標完成自動化評估、復盤和走勢預測，甚至能將策略體系的表現、模型價值、用戶管理等一系列表現細化到每一天，按天追蹤目標是否完成。
倘若實際情況與目標有偏差，算法將分析出哪些因素對偏差影響最大，他們再進行針對化地風險管控和攔截——這一部分，被稱為自動化歸因。
如果說全AI風險策略系統是一座穩固的摩天大廈逐步落成，內里復雜精密，日夜運轉不停，那么這套監控預警和自動分析系統，就像是給大廈裝上無數傳感器和攝像頭。
以往可能要每月末、季度末整棟樓檢修，或者明顯的投訴出現，才能查出漏洞，但在自動化、數字化的管控之下，風險管理人員可以及時精準定位問題、分析問題和解決問題。
“今年早期，我們發現入催率有一定上升。”喬楊講起年初的一次經歷，當時系統發現了這一上升趨勢并預警，隨后自動化歸因系統對波動中的主要影響因素，以氣泡圖的方式展現出來，氣泡大小代表影響程度——氣泡之一，就是行業某頭部平臺用戶。
“因為年初該平臺對用戶進行了一波降額和關帳戶的操作，使得這批用戶的流動性出現一定的壓力，所以才會顯示他們造成風險上升。再通過自動化檢測和一鍵拆分，將這批用戶精細到不同分組，對癥下藥，終于在一個月內讓入催率恢復到正常水平。”
但風控不只在于“控”。風險管理是一門平衡的藝術，將誰放在天平兩端，同樣考驗著管理者的戰略目光。
喬楊表示，此前他們更在意GMV的提升，但如今要保證利潤的前提下，同時針對樂信自身需求和用戶要求，完成風險定價和額度體系的差異化。
就以定價為例，對有著強烈借貸需求的用戶（借貸饑渴用戶），定價上漲并不會嚴重影響到交易額，同時潛在利潤率上升明顯。
但對優質用戶（即還款意愿和能力均優，但借貸需求不高的用戶）而言，過高的定價沒有帶來大幅增加的利潤，反而容易導致他們的交易量下降。
這樣的策略精細化升級，不僅是為了業務增長，更為了在利率下行、監管趨嚴的大環境中，健康穩健地走得更遠。
不過，樂信的風控建設絕不止步于此，長遠規劃已經出爐。喬楊向AI金融評論透露，在數據應用上，由于樂信并非純信貸平臺，交易、電商等多維度的數據積累更為豐富，讓自有數據“物盡其用”會是首要任務；也將遵循監管要求，加強數據安全和隱私保護。
征信方面，樂信將與征信機構保持密切合作，并加大對人行報告的解讀力度。
前文所述的監控預警自動化系統，不光聚焦C端業務的風險，將這套系統在B端業務持續完善，同時提升覆蓋度和延展性，盡可能降低人工干預的操作風險，也是樂信今明兩年的重點攻克方向。
AI與風控的結合，無疑是樂信的“拿手好菜”，但他們也意識到，風控以外的功夫，遠遠不能放松。
“整個業務鏈條，每一環都有巨大升華空間，這是我們未來2-3年內持續深耕投入的地方。”CTO陸勇曾是新浪移動CTO、平安壽險CIO，擁有超過20年技術研發和管理經驗，他迅速排查出了樂信這艘大船未來可能出現的短板。
這場嚴密細致的技術升級，仿佛游戲通關打怪，一環扣一環。
第一環，精準獲客，是陸勇最熟悉的課題之一。“投放廣告或是渠道合作時，怎樣精準找到我的客群，怎樣用最合適的競價讓流量進來，怎樣達到最高的轉化率，這實際上是過去十年、二十年中非常經典的問題。”
如何迅速透徹地了解一個新用戶，同時又不能踩到隱私保護的紅線，更是樂信乃至各大互聯網平臺都繞不開的痛點。
為此，陸勇帶領團隊兵分兩路，一路造“盾”，向聯邦學習建模“進軍”，在保證完全合規保護用戶隱私的前提下，進行安全的數據共享；另一路造“矛”，不斷深化用戶全鏈路價值模型，充分挖掘人群屬性、提升算力等等。
智能資產匹配，是樂信業務鏈條中承前啟后的一環，“就算只有0.1%的改善，都是非常可觀的凈利潤提升。”
陸勇定下的目標是，達到全局最優的匹配。
但這對所有互聯網平臺而言，都是極具挑戰的命題：過程是多目標優化，約束條件也有多個，同時來自資金方或是樂信自身，還隨時可能發生變化——可如果算法做不到動態優化，則牽一發而動全身。
他告訴雷鋒網AI金融評論，攻關路線定在這三條：
“多目標的動態規劃基礎，這也是行業內比較經典的技術；接下來要做的，是強化學習以及多種深度神經網絡算法和圖算法，包括粒子群算法。正在嘗試的進化算法類模型，也比較有效。”
助貸模式下，資金方的接入，是看似瑣碎平常卻大有優化空間的一環，也是頗具數字化轉型色彩的一環。
由于資金方的需求、合規流程、內部系統往往千差萬別，行業內通常要用1-2周時間完成接入。但在今年面世的Toplink系統幫助下，樂信接入資金方的時長縮短至分鐘級；同時通過魯班系統，完成接入流程的全自動化測試。
Toplink背后，是五大模塊的優化貢獻：貸前，流程編排，自動校驗，規則器，元數據映射器。簡而言之，是用機器配置計費、規則各種平臺，讓AI去理解合同，既免去了六至七成的人工操作，也達成了更精準的接入效果。
不只是Toplink和魯班，陸勇表示，樂信內部有上百個這樣的小型標準工具，將接入流程的每處細節加速打通，不僅可以釋放人力，其他業務環節也能以此為“樣板”優化工作效率。
而在樂信整體的技術大方向上，他透露，機器學習是投入最多的一環，團隊也著重發力于機器學習平臺2.0，達到深度學習、多模態學習、多目標學習等，期望AI和大數據未來能在業務全鏈條，甚至是企業內部的經營管理環節, 比如人員招聘、人才管理上，都能大展身手。
此外，中臺建設、AI中心的加強、運維能力和安全能力的提升，也將是樂信后續的主要技術調整方向。
在對自營業務的管理精細化、自動化，加強“自體造血”“新陳代謝”能力的同時，樂信也已經形成了一套對外“獻血”的成熟體系。
“很多人總覺得，傳統金融機構的痛點就是缺流量、缺用戶、缺乏科技風險管理能力等，但最核心的原因是，其實是缺乏風險定價能力。”喬楊說。
當機構面向多元的用戶需求，沒有“精耕細作”的風險定價能力就招架不住，舊用戶留不下、新用戶進不來，后續的信貸風控管理也就成了無根之木。
為此，樂信通過“樂圖”“樂圖Pro”“負熵”三個系列產品組成對外賦能的“鐵三角”，面向不同的資產類型，向合作金融機構輸出不斷精進的風控能力。
據喬楊介紹，樂圖和樂圖Pro分別面向樂信站內和站外的資產，前者以助貸平臺形式，幫助合作伙伴提升貸款通過率、守住資產風險。
當合作金融機構與其他互聯網平臺合作，樂信則通過樂圖Pro輸出標準化風控產品，加強傳統金融機構對線上流量的判斷力。
當前樂圖合作機構超過6家，平均每家通過率提升1.69倍；服務于非樂信資產的樂圖Pro，日均調用量超過8萬次。
盡管樂圖及樂圖Pro數據亮眼，但負熵才是樂信最寄予厚望的“終極形態”。
近年來，監管持續鼓勵銀行加強自營業務和自主風控能力，AI金融評論也多次報道中小銀行的獨立風控困境。喬楊預計，銀行普遍獨立完備風控的目標，需要五到十年時間才能達成。
有業內人士向我們強調，銀行必須要從自己的土壤中“長出”這些能力，而不是依賴現成的方案。
負熵的定位，正與這一思路吻合，即以深度綁定、聯合運營的方式，拒量回撈，幫助銀行搭建自營業務的閉環能力。不僅是單純替銀行獲客，更要提供成套的定制化風險服務能力，所有服務交易環節在銀行自身的賬戶和產品體系內完成，從而讓銀行做大業務規模。
今年一季度，負熵正式面世，上線首月即完成了約五千萬的交易規模目標。
除此以外，喬楊還向雷鋒網AI金融評論表示，去年年初開始，樂信對催收就進行過大幅度智能化改造，包括智能語音機器人用于催收，用語音質檢規范客服交流標準，催收案件的分類、分派和分析等——這一整套貸后催收的能力，也計劃全部開放給合作機構。
在與陸勇、喬楊的對話中，樂信的更多發展規劃，也像那些被拆分、細化的氣泡，呈現在航海圖上。
例如在人員規劃上，他們已經著手提高人才密度，搭建、優化團隊，對組織架構進行一定調整。
同時，對存量業務和新業務進行組織化拆分，新業務的授信、交易、額度管理等體系都獨立出來。
“新業務追求短期內的不斷迭代優化，不能一套風險管理邏輯、同一批人馬，既做線上又管線下，既做C端又做B端，對響應速度影響很大。”喬楊解釋。
陸勇也盤算了詳細的科技進化“四步走”，先是數據打通拉齊，再是數據分析治理，然后數據歸因，最后形成一定的輔助決策、預測能力。
“把基礎打牢，把過去沒有做好的事情理順，實際上我們的儲備相當可觀，最重要的就是開始落地。”
金融科技這片海域從未有過多少寧靜，但總有人愿意駛入海中，偏向波濤洶涌處行。一切正有條不紊地開展著，陸勇也告訴我們：
“這是大爆發的前夜，我們準備好戰斗了。”
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
