Acorns首席数据科学家种骥科：AI在“移动优先”的互联网金融商业模式中的应用

来源：互联网发布：怎样找淘宝一件代发编辑：程序博客网时间：2024/05/05 18:52

数据猿报道，2017年10月25日，由数据猿联合《清华金融评论》共同主办的“2017金融科技价值峰会——数据驱动金融商业裂变”在北京隆重召开。本文为数据猿现场直播“Acorns首席数据科学家种骥科”的发言实录。

作者 | 种骥科

官网 | www.datayuan.cn

微信公众号ID | datayuancn

数据猿报道，2017年10月25日，由数据猿联合《清华金融评论》共同主办的“2017金融科技价值峰会——数据驱动金融商业裂变”在北京隆重召开。本届峰会主要从「消费金融」、「供应链金融」、以及「金融前沿科技探索」三个角度深入探索数据智能为金融领域带来哪些颠覆式的变革！

以下是数据猿现场直播“Acorns首席数据科学家种骥科”的发言实录：

我今天要分享的主题是《AI在“移动优先”的互联网金融商业模式中的应用》。

首先说一下互联网金融。金融历史非常悠久，互联网金融也有差不多30年的历史。从1994年互联网刚刚开始，就有各种各样的尝试。这些尝试是在提升不同金融领域的三个大方向：存、贷和汇。近几年，互联网金融的模式很好的把这三个方向融合到一起，其中个人对个人信贷的商业模式就是一个非常有意思的呈现机制。同一个产品中融合了存款、贷款和汇款三个不同的功能。这些商业模式比较复杂，差不多十几年前，在中国、英国、美国都有一些初步的呈现，宜信也是那个时候开始做个人对个人信贷业务的。2012、2013年左右，这种模式在中国取得了井喷式的发展。基于中国互联网以及移动互联网的高速发展，以及电商、移动设备应用的崛起，给纯线上的个人对个人信贷带来了各种信息。

现在从行业角度，都存在哪些挑战呢？AI将怎么帮我们面对这个挑战呢？一个是互联网获客，一个是金融服务。

从互联网角度来看，尤其是移动互联网的获客已经是从一个增量市场发展到了存量市场。去年全球的智能移动设备的增长降到了3%，我们现在人手一个智能手机，增量市场已经走向了存量市场的地步。在个环节中，我们不能只依赖有更多的人开始用移动互联网，来做互联网金融，而是需要用各种各样的方法降低交易的阻力。

从传统金融服务的角度来说，交易是低频的，出于盈利性的考虑，金融服务很容易变成一个交易型的服务。随着我们能长期跟踪服务我们的用户，我们怎样能够从交易型服务转换到关系型服务，并能够更好的保障服务的可持续性？这也是AI可以帮助我们做的一些事情。

下面具体讲一下AI可以给我们带来哪些机会。从互联网获客来讲，有精准转换、废数利用、数源创新；从金融服务来讲，有盈利底蕴、长期信任和自我保护。

从数据源的创新角度来说，我们的智能移动设备就像一本本护照，记录着我们所有的移动互联网行踪。手机里记录了各种各样的信息，比如说我们上网时候用的IP地址、手机号、设备指纹、地理位置、 APP列表、账户关联数据、都联系过哪些wifi地址等等，都是非常体现每个人个性的信息源。我们在提供金融服务时，如果能够获取用户授权，使用部分数据的话，就可以更好的简化产品流程，并提供更个性化的服务。

如果得到了这些数据，该怎样利用呢？有一系列的方法，从最简单的关系模型到深度学习模型，来挖掘潜在用户的画像。

在用这些多维数据的时候，有些数据是需要标注和解析的。其中对地理位置数据为例，光知道经纬度是不够的，还有各种各样的信息，比如地理位置时间序列，周边的关键地点，位置特性等等信息才能有效利用。现在有各种各样的像腾云科技

（TalkingData）一类的数据服务商，已经在这些数据上做了一系列的解析，可以帮助我们更好地利用这些多维的数据。

第二部分，有了这样的数据源，该如何利用这些数据做更精准的转化。

举几个例子，一个是51信用卡，一个是挖财，他们拥有很多交易数据。在美国，也有这样的公司，都提供记账、管理信用卡的服务。我们可以通过这些数据做基础的画像，比如说有一些人爱花钱、有一些人爱算账，他们就分别是消费激进型和消费稳重型的用户，我们可以为其提供各种各样的不同服务。但最主要的是，这些人究竟处于什么样的时间阶段、年龄阶段以及生活阶段，如果要跟踪一个人几个月甚至几年的话，你可以看到他是否在谈恋爱、结婚、生娃，这个时候可以提供给他人寿保险等等服务。如果我们知道了这些时间序列的话，不光可以看到这些人的画像，而且可以得到另外一条非常重要的信息，就是什么时候去触达这些用户。

有了客源、转化时间点，后面还有什么？一般互联网金融产品是小众产品，我们获得的很多客户并不是我们现在马上可以服务的客户。我们可以去挖掘这些不能服务的人群，搭建起导流机制，把这些宝贵的用户导流给一些合作伙伴，我们可以在收费的同时，挽回一些获客成本。在导流的过程中，更好的管理我们的成本，能够为更大规模的获客建立基础。

再说一下金融服务，主要有盈利、自我保护和维护客户对平台的长期信任这几个维度。

从盈利底蕴角度来说，现在各种借贷的平台都需要各种信息维度来做量化的自动化信用评估。今年我在清华大学交叉信息研究院开设了一门名叫“量化金融信用与风控分析”的研究生课程，并编写了一套教材。这里包括两部分：风险特征的量化，和模型的搭建。

其中一个关键挑战就是金融风险负面案例只占总案例的极少部分。能把非常少的负面案例更好的利用需要严谨的建模流程。把控好风险是做到盈利的必要前提。

更深入的一部分，要讲到自我保护。一个金融产品，当它可以盈利时，还要考虑怎样维护盈利机制，让一个金融借贷产品不被黑客所侵占。在互联网金融方面，很多交易都是在没有面对面的场景下促成的。因为黑色产业链有暴利，它的欺诈套路非常完善。从一开始的数据收集到真正确认一系列的套路，再到最后能够让你匿名的套现的多种方式，都有各种各样的套路。我们该怎样做自我保护呢？主要是三个方面。

第一个是知识图谱。举一个宜人贷的例子，我们有一套社区分析的方法，积累了2.6亿的节点，代表着人、设备、身份证等实体，和实体之间的10多亿关系。我们用了Neo4j系统挖掘欺诈人员的社交关系，在落地过程中，我们已经可以帮助宜人贷避免了每年两亿元的欺诈损失。

讲起社交关系，大家可能都熟悉六度关系的概念，每个人和世界上任何一个人只有六度的关系。现在有了微信等社交平台，这个指数已经降到了4.2、4.3。很多做欺诈的人，通过中介学到了各种欺诈的方式，之间只有两三度的关系。我们用社交关系来挖掘关系网的信息，可以非常高速的找到一些可疑的现象。

第二个是深度神经网的案例，丹麦丹斯克银行用了六层的RNN深度神经网来预测欺诈，模型已经上线了。这套模型和之前的尝试不一样的地方在于一般RNN做机器模型用的是原始特征，这套RNN是基于精心设计过的特征，然后再用深度学习挖掘那些不太容易被人发现的特征。那它用这套网络已经比规则引擎将误报率降低了10到100倍，大大降低了人工风控成本。

第三个是PayPal的案例，主要是用人工更快的分析那些不太容易分析出来的欺诈案例，用人标注出来，然后用模型进行分类，这个方法已经帮他们大大降低了标注的成本。

从维护客户对平台的长期信任来说，一个互联网金融公司不仅需要防御高科技黑客的攻击，还需要防御低科技的社会工程攻击。在我们日益注重用户体验的时代，会设有不同程度的客服电话服务。黑客可以用社会工程手段伪装家人，从客服那里套出各种个人敏感信息。人工智能对话机器人（Chatbot）是一种解决方案。ChatBot 可提供全套服务自动化，以避免人工客服的违规行为。

总结一下，AI在互联网金融产品中的应用，我觉得主要的目的，还是让更多的人更方便地享用我们的金融服务。在享用金融服务的过程中，一个金融公司也需要做两方面的准备，一个是互联网获客，一个是金融服务的提供。这两个方面有各种各样的方法，可以通过AI帮助我们更好的搭建服务，有数据源创新、精准转化、废数利用、以及保证盈利的底蕴、自我保护和维护客户长期信任。

在这之中有六个机会：首先是怎样更好的应用智能移动设备上的用户信息创造价值；其次是不光抓住客户的画像，而是这些客户的转折点，以更高质量的转化用户；另外，很多用户并不是我们现在的目标用户，也可以利用多次转化搭建导流平台的方式，将自己不用的用户转换为一些获客成本；从而盈利的底蕴角度来说，尤其是金融行业里面，总会有风控这么一个环节，怎么样量化地识别各种信号，然后用非常严谨的建模模式去做好风控模型是关键；有了盈利的底蕴，还要有自我保护环节，就是怎么样用知识图谱、深度神经网以及这些方法帮助我们建立好反欺诈风控体系。

最后，是怎么样能够保证我们和客户有一个非常良好的长期信任关系，也要帮我们的客户保护好他们的信息安全。如果我们把这些全做好，借孟子一句话就是，得人心者得天下。只要能够做好这样的金融产品，相信大家都能够更好的分享到互联网金融的红利，谢谢大家！