人工智能助力信贷线上化

裴益川  宜人贷首席风险官

 “传统的金融机构，如银行，有相当多的网点，而网贷等线上金融机构是没有网点的，这类机构的获客方式主要是科技手段，对潜在客户进行评判也是依靠科技手段，其中涉及大数据技术。在中国有31%的人群没有任何银行的账户，他们需要普惠金融进行信贷，而美国的这个数值为8%。为了国家的经济发展，普惠金融应该去服务这类人群。银行类金融机构也希望去服务这类人，但服务这类人群有很大的风险。”

一、信贷消费——“借钱”消费

      首先，从消费和储蓄占GDP比重角度看（图1），中美的“消费加储蓄”项占比相差不大，中国为76%，美国为73%。但消费和储蓄的结构却有显著差别：中国的个人储蓄占比为39%，明显高于美国的5%；美国的消费占比为68%，又远高于中国的37%，这里可能有文化差别的因素。消费不外乎用自有资金与借贷资金进行消费，消费信贷就是借钱来消费。在房屋信贷占GDP的比重方面，中国为9%，而美国为11%；在消费信贷占GDP比重方面，中国为7%，而美国为20%。

      换个角度来看，房屋信贷在整体消费中的占比方面，中国为24%，高于美国的16%，可以看出中国人实际上也愿意借钱，但是“消费明天”（也就是消费信贷）的比重比美国的低，中国为19%，而美国为29%。中国的无抵押消费信贷潜在市场巨大，一年接近6万亿元，可以作为市场经济的重要推动力。

图1  中美消费和储蓄（GDP占比）

二、传统金融到普惠金融

      如果把一个社会中的人根据收入来进行划分，可以分成ABCD四类。如图2，A类为收入较高（5万以上）的优质客户或高端人群，这类人群占比5%；B类为中高收入（1-5万）的典型银行客户，占比15%；C类为中低收入（2千-1万）融资困难的客户，占比50%；D类为低收入（2千以下）的信贷次级人群，占比30%。传统金融主要服务于中高端客户，而服务于低端客户的属于普惠金融。

图2  普惠金融的客户划分（按收入）

      传统的金融机构，如银行，有相当多的网点，而网贷等线上金融机构是没有网点的，这类机构的获客方式主要是科技手段，对潜在客户进行评判也是依靠科技手段，其中涉及大数据技术。在中国有31%的人群没有任何银行的账户，他们需要普惠金融进行信贷，而美国的这个数值为8%。为了国家的经济发展，普惠金融应该去服务这类人群。银行类金融机构也希望去服务这类人，但服务这类人群有很大的风险，而银行与网贷机构最大的差别就是银行资金是储户的储蓄资金，有银保监会监管，风险偏好较低，不良率有硬性要求。但由于这类客户市场巨大，有大量金融机构，包括阿里巴巴、京东等，都希望进入这个市场服务这类人群。

三、线下转型线上——差异和挑战

      我们将线下金融定义为传统金融，将线上金融定义为普惠金融，它们之间的差异有以下几个方面（图3）。

图3  传统金融与普惠金融的差异

      在获客方面，线下和线上金融的差异较大。线下金融主要依托网点来进行获客；而线上金融主要通过流量以及投放来获客，一般不与客户见面。

      在产品方面，两者的差别也比较大。线下金融一般是长期、大额和中低价的产品；而线上金融（如阿里或拍拍贷等）的期限较短，主要是12个月以下，有些甚至是3个月或6个月，而且额度也偏小，主要是中小额和中高价的产品。

      在数据维度方面，线下金融主要使用二维数据，一类是收入数据，另一类是征信数据，所谓的征信数据就是借款还款数据；而线上数据较为复杂，不仅有电商购物的记录和账单，还有运营商处的通话记录以及行为数据，行为数据是申请贷款的行为过程，这类数据非常有用。

      在风险方面，线下金融比较成熟，有几十年的经验，五大行的信贷工厂都做得非常好，信贷工厂也可以加入人工智能或者量化模型等，但是主要还是基于人，有许多节点需要安排人员处理。而线上金融去掉了“人”，所有的数据处理都是自动化的，做到了自动秒批。线下信贷的发展会受制于人，不仅是人的数量，也有人工成本的限制，在规模上有限度，面临的主要是规模成本的挑战；而线上信贷业务见不到客户，面临的主要挑战是欺诈。

      在优劣势方面，线下金融已经被广泛采用，当前属于主流，受到监管的认可，但是增长乏力。线上金融是当前各大银行的战略重心，但是由于监管缺乏经验，当前属于摸着石头过河的阶段，也带来了很多风控挑战。

四、人工智能——线上风险管理能力之一

      风险管理是一个多维优化的过程，同时具有科学性和艺术性，其最高境界乃是取舍未来的可知和未知。

图4  传统金融与普惠金融的差异

      在这里，我们给出一个打分（图4）。单纯做好信贷工厂只能给20分，在此基础上加入量化工具后可以打40分。放贷只需要做两个决定，第一是放贷或拒贷，第二是放贷的额度，当然在这之上还有定价的问题。如果把拒贷做好就可以打40分，放贷的时候如果可以把额度和定价做好就能达到60分，大部分的企业能做到这一步已经非常好了。

      在这之上就是将风险与营销融合起来做到平衡，这是非常困难的，企业需要在风险和营销两方面进行取舍，如果能做到“风险不变，量增加”或者“量不变，风险降低”，都是非常有意义的事情。当达到风险和营销的平衡时，企业就可以到80分。

      最后，也是最难的，是把握宏观风险。风控策略做好之后仍然有很大的不确定性，这个不确定性就是市场。在中国，仅仅把量化做好是不够的，其最多能带来10%-20%的增量，而宏观风险是能带来翻倍的影响的，是非银机构当前最大的挑战。

      我们把人工智能所需要的数据分为“精粮”和“粗粮”。“精粮”就是征信和收入，它们是强变量，比较稳定，主要是银行使用，而网贷往往不被允许使用这类数据。“粗粮”是其他变量，比如信用卡账单、电商信息、运营商等信息，它们是弱变量，具有多变性，是网贷公司不得已选择使用的数据。风险管理中有很多风险需要控制，比如信用风险、欺诈风险、多头风险等。通过人工智能或者模型的方式管理信用风险时，使用这两类数据的效果相差不大，也就是说，管理信用风险时不用收入和征信数据也是可以的，其效率差别不大。但是，欺诈风险如果只用收入和征信数据，将是难以管理的，必须用到其他的数据。

五、人工智能——反欺诈系统

      线上金融最大的挑战是欺诈，但还有一个挑战是动态性，有些两个月前的做法可能很快就失效了，这是一个非常复杂的过程。有几类信息（变量）在管理欺诈风险时非常有用，包括明细账单、通话行为、申请行为和社交行为。使用这些变量的方法有查重、时序、异常和关联等。当出现大量变量，如超过100个变量时，需要使用人工智能模型以及机器学习。典型的模型一般有1千到1万个变量。

图5  反欺诈系统

六、人工智能——风控系统

图6  风控系统

      风控系统的目的是快速放款，在人工智能方面的应用首先是数据切换，即当有些数据突然缺失时，需要智能的切换数据。

七、普惠金融的转变趋势不会变

      银行开展线上普惠金融前期投入较大，可能会在一段时期带来亏损，但是增长的空间非常大，会是未来的发展重点。作为网贷平台，如果过于依赖线上，可能会在短期带来余额的快速增长，但是会造成较大的风险波动性。从传统金融到普惠金融的转变是必然的，这个趋势不会变，但是信贷线上化仍有许多挑战和风险，需要在线上线下之间进行平衡。

（责任编辑：张璐璐）

来源：2019TGES金融AI、数据管理与风险管理高级研讨会（5月）