介绍人工智能在买单侠的应用，包括客户营销、信用评分、反欺诈以及贷后生命周期管理中如额度策略、风险追踪以及差异化定价等场景。 这次分享将着重介绍 AI 在风险决策中的应用，如何帮助显著降低秦苍科技的坏账损失。

秦苍科技是国内领先的金融科技公司，为年轻人提供消费金融服务。旗下现有“买单侠”和“星计划”系列产品。“买单侠”面向中国年轻蓝领用户，提供移动端消费分期服务。“星计划”为医美商户和年轻用户提供分期服务。目前历史用户数累计200万借款客户，每月新增20万。平均审核时间2.8分钟，在行业内处于领先水平。

人工智能深度应用于秦苍科技风控申请审核决策的各个环节。

秦苍科技自主研发的智能信贷技术“八爪鱼Octopus”，是一套端到端的消费金融信贷平台，为薄文件人群的生命周期管理量身定做。从数据获取，用户特征提取，到信用评分提取、反欺诈决策、定价策略、额度策略、营销策略等方面，均有机器学习技术的深度应用。

李炫熠介绍，消费金融行业面临的最大共同挑战之一是欺诈问题。全中国至少有数百万的职业欺诈者，行业内俗称“中介”。欺诈的常用招数有ID欺诈，虚假申请，申请欺诈，商户欺诈等等。

李炫熠举例，中介在网络论坛、报纸等发招人启事，在电脑城买手机兼职1小时可以赚取200到600元。不知情的“小白”上钩后，中介获得真实用户证件，会再次包装虚假联系人信息，如姓名、地址、工作单位等，多次利用套现。为了防范风控人员的电审，中介会在接听手机时注明不同公司的电审电话，和提供的每套相关联系人信息相符，提高审核通过率。

实时社交抱团模型，有效解决中介的团体欺诈问题。

用户在申请“买单侠”后，所提供的申请信息和联系人名单会加入原有的团模型。申请用户通过一个共同的节点联系到一起，视为一个团。以团为单位，可以提取到一些社交网络特征。如通过率、通过量等，可以推断团内其他用户的表现，所谓“近朱者赤，近墨者黑”。

团本身的特征也可以提供很多信息，推荐用户之间的关系，如节点数、团内用户的连接紧密程度等。另外，团内用户的属性也是判断团体性欺诈的关键指标。比方说团内的女性人数、地区分布、平均借款额度等。将社交网络的特征数据加入信用评分模型，模型准确度可以提升3-5%。

采集“弱变量”，解决用户体验和薄文件人群的难题。

秦苍科技旗下的买单侠目标客群为蓝领用户，流动性强，很少有征信报告、学历证明的信贷审核强变量文件。作为突发性消费的场景，顾客不会带着诸多身份证明文件办理分期。同时，用户信用越好，要求的审核时间越短，服务体验越好。

而传统银行信用卡审核技术十分局限。当填写信用卡申请表后，银行的“老专家”利用简单的人工模型和风控经验判断申请者的资质。审核时间需要用一周到两周，放款时间3天到5天，征信的决策变量只有50个左右，无法满足即时的、冲动性的消费需求。如何利用有限的变量，在最短的时间做好风控，并且提供给用户流畅的用户体验，是传统银行无法解答、留给智能信贷公司待挑战的难题。

为了给薄文件人群提供良好的用户体验，秦苍科技的策略是尽可能多的采集“弱变量”。李炫熠认为，长尾数据和特征在信用评分中有很大的价值。在申请过程中，用户只需要填写20个数据点，但八爪鱼平台的数据机器人在剔除可用、不可计算的数据，以及空数据后，通过大量计算、快速收集、处理海量数据，将不到20个客户填写的数据点迅速扩展为上万个信贷相关的数据点。然后通过特征提取的方式提取几百个特征点，通过计算学习的分类算法，如逻辑回归、随机森林、XgBoost、神经网络等，学习最优的分类器。

客户在APP中拖动借款金额滚动条时的停留时间，改动次数；究竟是一次性拖到最大，还是会在中间过程中犹豫停留多次等，反应了客户的不同心理，对应最终不同的违约率。类似的数据八爪鱼都会捕捉，并且抽象成上万个特征，用来训练机器模型。重在50名以后的长尾“弱”变量能有效帮助模型提高预测准确率（AUC）超过10%，假如每个月放款率过亿，节约的坏账成本已经上千万。

多模型并行，全自动审核

金融数据具有非常强的时间效应，越靠近现在的数据越具备越高的预测效力。减少异常事件对系统预测稳定性的干扰，秦苍科技会同时开发多个模型彼此竞赛，根据不同模型的准确率动态调节流量。好的模型流量越高，表现不好的模型被逐渐淘汰。机器学习模型多模型并行，择优进化。目前，由机器学习审核的坏账率较传统风控方式已经下降25%，审核时长由分钟级别降至1秒，并且实现了全自动审核，无人工成本。

学习信用良好客户的用户特征，识别欺诈新模式

而对于“异常”的欺诈新模式，秦苍科技也提出了解决办法。在机器学习研究过程中，李炫熠发现，虽然欺诈方式一直在变，但信用良好的客户行为在一段时间内并不会发生剧烈变化。通过识别与之前学习认知到的信用良好的客户不一样的用户特征和行为规律，发现欺诈的概率比较高。

无监督的聚类方法，预防欺诈

将某个地区的所有用户进行特征分析后，投影到二维平面，通常可以发现两到三个异常点，距离其他用户非常远。这时候就会触发调查机制，调查这个用户是否真的存在欺诈行为。实践检验，这种异常值检测的方法可达到60%左右的准确率，证明对于预防欺诈，社交网络特征分析确实行之有效。

基于贝叶斯算法的产品参数优化框架，为用户量身打造合身的金融产品

李炫熠介绍，除了在消费金融的信用评分、反欺诈等传统领域，人工智能可以大显身手以外，秦苍科技目前也在探索实现为用户“量身定制”金融产品的可能性。当用户申请金融产品的时候，考虑的因素包括额度、利率和期数。产品额度越大、利率越低，用户接受的可能性就越大。而随着用户接受度提高，风险也在增加。因此需要提出折中的解决方案。

秦苍科技开发了基于贝叶斯算法的产品参数优化框架。在给定某个金融产品和用户的前提下，计算这个用户是“好人”还是“坏人”的概率以及相应的收益函数，从而估计出在该用户身上得到的期望收益。由此可以在给定风险阈值的情况下，优化出最大期望收益所对应的产品参数。相比传统方法，使用贝叶斯算法，可以通过大量提取用户特征，不断对模型进行优化，为每个用户量身打造合适的金融产品。

早在三年前成立之初，秦苍科技已经在探索人工智能技术在消费金融反欺诈领域的应用。而如今，人工智能概念大热，但是李炫熠表示，只有把人工智能技术落地到解决实际业务问题，不断挖掘数据优化模型，和业务如量体裁衣般深度结合，才能实现最大化的商业价值。