个人信贷很火 但背后的大数据逻辑却少人问津

　　个人信贷发轫于银行，伴随着近年来互联网金融的发展红利，越来越多的平台将个人信贷业务搬到线上，通过大数据技术对用户进行实时审批和授信。全线上操作对于平台的风控能力要求非常高，风控模型是核心竞争力，各家可能存在差异，但都离不开后台大数据的决策支持。消费信贷模式已被广泛介绍，但在其背后的大数据决策支持逻辑鲜有探究。

　　以“读秒”现金贷产品为例，在经历了多次风控模型的更新迭代，已经演化为智能信贷决策引擎，可扩展、可移植到诸多消费场景之中，提供多样化的消费信贷产品服务。智能信贷决策引擎的背后正是大数据技术应用，如多源数据采集、处理、标签化，以及高并发交互以满足线上实时审批与授信。

　　与传统征信不同，基于大数据技术的智能信贷决策引擎通过获取更广泛的信用信息维度，如社交行为、消费偏好等对授信过程中的欺诈与违约风险进行细致刻画，交叉检验，以实现信用风险精准定价。

　　积木盒子金融大数据研究中心首席科学家张良贵介绍，大数据技术对智能信贷决策引擎支撑主要有以下几方面：(1)广泛数据源获取、清洗、入库与标签化;(2)规则引擎(Rule Engines)高并发数据量的实时交互;(3)构建全息画像，满足规则引擎核心功能的组件化、高可用、可移植、可评估。基于全息画像，可以对用户的需求精准定位，调优风险敞口与服务体验。

　　全息画像的核心是要对基础数据进行加工、清洗、降维与标签化。目前与人相关的基础标签超过200多个，涵盖了基本属性(年龄、性别)，信用形象(负面信息、关联联系人、舆情的曝光)，社交关系等范围，依据不同的业务场景，可以聚合不同的用户画像切面。

　　在场景交互中，如“融资-投资”还可以挖掘出用户生命周期下的需求迁移，提供更紧密的产品与服务。这一过程就是数据立方体的演化升级，在数据立方体的三维空间中，有时间、指标，场景三个维度，场景是用户痛点，指标是用户画像，时间是用户周期，在即定的场景下，挖掘用户生命周期下的画像特征，就可以达成精准服务，提升用户粘性。

　　在具体运用层面，张良贵介绍，“我们的数据来源有三大块，即场景数据、开源数据与第三方合作。以信贷管理为例，贷前通过负面信息如黑名单等构建漏斗模型尽可能降低欺诈风险，通过用户画像特征提取实现信用精准定价与极致体验(如“读秒”10秒左右完成授信)，贷后实现风险敞口的实时监测与风险预警。”

　　纯线上信贷产品在智能信贷决策引擎的驱动下，放款快，体验好。在经过更新迭代后，“读秒”的授信决策时间由之前的15秒提高到了10秒，“审批效率之所以能提高，关键在于对信用信息的处理是并行还是串行，这一点也离不开对用户群风险特征的精准把握。”张良贵说。

　　在决策引擎审批时间缩短的同时，“读秒”的业务量也大大提升，相比2月份的20万笔贷款发放，4月份“读秒”发放消费信贷笔数达到了历史新高的50万笔，而后台投入的人员和成本并没有增加，边际成本红利明显，“读秒”未来的定位是成为中国最大的第三方线上信贷决策引擎，在这个过程中，大数据价值将会愈加凸显。