超越美國：中國消費(fèi)金融玩轉(zhuǎn)人工智能

文／麻袋研究院

中國的金融機(jī)構(gòu)正在進(jìn)行全面智能化轉(zhuǎn)型，消費(fèi)金融行業(yè)的步伐更快。由于基礎(chǔ)征信數(shù)據(jù)的缺失，中國的消費(fèi)金融機(jī)構(gòu)更能“別出心裁”地應(yīng)用人工智能。相比之下，美國由于其完善的征信體系及對于隱私保護(hù)的重視，導(dǎo)致人工智能在消費(fèi)金融領(lǐng)域的應(yīng)用，有被中國趕超的趨勢。

本文對消金領(lǐng)域的人工智能技術(shù)進(jìn)行概述，并列舉美國相較中國而言更為獨(dú)特的人工智能應(yīng)用案例，同時對比分析了人工智能在中美消費(fèi)金融領(lǐng)域的應(yīng)用優(yōu)劣及成因。

人工智能技術(shù)概述

簡單理解的人工智能，就是利用機(jī)器完成人類的工作，降低運(yùn)營成本，提高工作效率?，F(xiàn)階段人工智能的五大核心技術(shù)包括生物特征識別、機(jī)器學(xué)習(xí)、自然語言處理、計算機(jī)視覺和知識圖譜。

在消費(fèi)金融業(yè)務(wù)中，基于五大核心技術(shù)各自的特征和類型，打造出不同的應(yīng)用方式。

生物特征識別中最常用到的是人臉識別和聲紋識別，應(yīng)用領(lǐng)域主要是獲客時的身份認(rèn)證——通過活體檢測，有效識別虛假、冒用身份。另一應(yīng)用是反欺詐，通過接入客戶生物信息的記錄，生成黑名單或白名單。

機(jī)器學(xué)習(xí)的要素是數(shù)據(jù)和算法，其應(yīng)用主要是甄別欺詐，尤其是個體欺詐。

自然語言處理（NLP）主要的應(yīng)用場景是智能客服。

計算機(jī)視覺中最常用到OCR光學(xué)字符識別，以完成對身份證信息的掃描核對。通常與生物特征識別一起應(yīng)用于獲客時的身份認(rèn)證。

知識圖譜的應(yīng)用主要包括兩方面：首先是反欺詐，知識圖譜可以通過不一致性驗證識別身份造假，也可以利用關(guān)系網(wǎng)絡(luò)識別團(tuán)體欺詐；其次是精準(zhǔn)營銷，結(jié)合多種數(shù)據(jù)源分析用戶之間的關(guān)系，有針對性地針對某一群體制定營銷策略。

美國人工智能在消費(fèi)金融領(lǐng)域的應(yīng)用

在美國，幾乎所有消費(fèi)金融行業(yè)的案例中，人工智能指代的實際上是機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)被廣泛運(yùn)用于信用評分、營銷、潛在客戶管理、用戶體驗管理、智能顧問、反欺詐、催收和提前還款管理等各個環(huán)節(jié)。

在所有上述環(huán)節(jié)，機(jī)器學(xué)習(xí)的應(yīng)用都是利用大量的數(shù)據(jù)，通過算法構(gòu)建模型，提升各環(huán)節(jié)效率。美國的核心優(yōu)勢在于算法。

其中，潛在客戶管理、用戶體驗管理、智能顧問和提前還款管理是美國相比中國而言，對于機(jī)器學(xué)習(xí)較為特殊的應(yīng)用。

當(dāng)用戶提出貸款申請以后，不是所有的申請都可以轉(zhuǎn)化為真實貸款。在潛在客戶管理中，主要通過機(jī)器學(xué)習(xí)，識別那些通過率更高的貸款申請的特征，確定貸款通過率的優(yōu)先順序，從而將更好的服務(wù)分配給通過率更高的貸款申請人。潛在客戶管理一般緊跟在精準(zhǔn)營銷之后，以完成潛在客戶培養(yǎng)、追蹤、轉(zhuǎn)化的全套服務(wù)。

在用戶體驗管理中，通過用戶體驗觸發(fā)器收集遙測數(shù)據(jù)——如用戶瀏覽的頁面以及花費(fèi)的時間，創(chuàng)建訓(xùn)練數(shù)據(jù)集，利用機(jī)器學(xué)習(xí)預(yù)測在申請貸款的每一步驟中的用戶流失行為，從而做出相應(yīng)的服務(wù)升級。

在智能顧問環(huán)節(jié)，當(dāng)借款人有資質(zhì)申請好幾種貸款產(chǎn)品但不知道哪一個對自身而言最佳的時候，智能顧問會根據(jù)借款人以往的借貸選擇以及不同產(chǎn)品的規(guī)則及指南，向借款人推薦貸款產(chǎn)品。智能顧問類似于財富管理業(yè)務(wù)中的智能投顧。一個典型案例是Commonbond，其通過智能顧問為千禧一代提供學(xué)生貸款服務(wù)。Commonbond的競爭對手Sofi也通過智能顧問提供學(xué)生貸款服務(wù)，同時，Sofi還通過智能投顧提供財富管理服務(wù)。

在提前還款管理中，利用機(jī)器學(xué)習(xí)模型去預(yù)測未來30天內(nèi)借款人提前還款的概率，從而采取防御措施：比如提供優(yōu)惠費(fèi)率貸款，以保證與借款人維持長期服務(wù)關(guān)系，避免利息收入的不穩(wěn)定。機(jī)器學(xué)習(xí)在提前還款中的應(yīng)用集中于房屋抵押貸款和汽車貸款。

國內(nèi)人工智能在消費(fèi)金融領(lǐng)域的應(yīng)用

在國內(nèi)，人工智能在消費(fèi)金融業(yè)務(wù)應(yīng)用中最核心的幾大環(huán)節(jié)包括智能客服、智能獲客、智能風(fēng)控和智能催收。

1、在客服環(huán)節(jié)，人工智能的應(yīng)用分為兩種：文本客服以及智能客服的呼入呼出。

文本客服中，首先通過知識圖譜構(gòu)建知識庫，預(yù)設(shè)盡可能多的問題類型及同一類型問題的不同表述方式。然后應(yīng)用NLP（自然語言處理），判斷問題類型，自動進(jìn)行處理。針對客戶問題，文本客服會有三種解決結(jié)果：

（1）若客戶問題與現(xiàn)有知識庫預(yù)設(shè)問題完全匹配，則自動反饋給客戶答案；

（2）若客戶提出非預(yù)設(shè)問題，則自動轉(zhuǎn)接為人工客服；

（3）若不能確認(rèn)客戶問題的表述，則根據(jù)理解擬出建議答案并發(fā)送給靜默坐席修改確認(rèn)，最終將答案反饋給客戶。

文本客服的典型案例是語憶科技。語憶文本客服的邏輯是逐字分析，所以準(zhǔn)確度很高。此外，語憶還利用深度學(xué)習(xí)算法研發(fā)了情緒識別技術(shù)，當(dāng)用戶發(fā)生情緒變化時，平臺能夠即時檢驗并向后臺工作人員告警。

呼入和呼出場景中用到的都是NLP（自然語言處理），但所涉及的具體類型不同。呼入場景中，主要使用語音識別技術(shù)，直接根據(jù)客戶的提問做出相應(yīng)跳轉(zhuǎn)，這區(qū)別于傳統(tǒng)的菜單式語音。呼出場景中，主要使用語義識別和語音合成技術(shù)，其應(yīng)用包括逾期催收和轉(zhuǎn)化。催收將在后面部分談及，而轉(zhuǎn)化是指當(dāng)發(fā)現(xiàn)某一環(huán)節(jié)中客戶的轉(zhuǎn)化率有一定問題時，篩選出部分轉(zhuǎn)化可能性比較高的客戶，使用智能語音的方式促成轉(zhuǎn)化。

2、在獲客環(huán)節(jié)，人工智能主要應(yīng)用在審批流程和精準(zhǔn)營銷。

審批流程中，基于人臉識別、聲紋識別和OCR光學(xué)字符識別技術(shù)，可實現(xiàn)遠(yuǎn)程面簽，降低線下人工運(yùn)營成本；同時確保了客戶信息的準(zhǔn)確性和可靠性，提升了風(fēng)控水平。

精準(zhǔn)營銷中，首先是利用大數(shù)據(jù)和知識圖譜技術(shù)對客戶建立精準(zhǔn)畫像，同時用機(jī)器學(xué)習(xí)算法拓展相似客戶群，從場景出發(fā)設(shè)計多元化產(chǎn)品，并將合適的產(chǎn)品精準(zhǔn)地推薦給有需求的客戶，降低獲客成本的同時保證精準(zhǔn)定向效果。其次是要針對信譽(yù)良好的已有申請人進(jìn)行激活營銷，提高其復(fù)貸率。

3、在風(fēng)控環(huán)節(jié)，人工智能主要應(yīng)用在信用評分和反欺詐。信用評分中，消費(fèi)金融平臺通常需要做出兩種類型的信貸決策：第一，是否向新申請人授予信貸；第二，是否向已有申請人增加信貸額度。第一個決策表示申請評分，第二個決策表示行為評分。通過大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)，為新申請人制作評分卡，量化其可能違約的概率，從而給予借款人更精確的風(fēng)險定價。對于已有申請人，根據(jù)其以往的還款表現(xiàn)以及復(fù)貸率，推出降費(fèi)率、提額度等獎勵。

反欺詐中，基于知識圖譜技術(shù)，聚合借款人的個人身份信息、社交圖譜、黑名單庫等多維度信息，結(jié)合機(jī)器學(xué)習(xí)模型預(yù)測欺詐概率。設(shè)備指紋技術(shù)在反欺詐中也非常有效，通過監(jiān)測同一設(shè)備發(fā)出的指令，如同一設(shè)備是否在同一天申請多筆貸款或不同的申請人通過同一設(shè)備申請貸款，從而判斷欺詐的可能性。同時，利用人臉識別、GPS定位技術(shù)，在申請、登陸、交易、提現(xiàn)等不同業(yè)務(wù)環(huán)節(jié)阻斷欺詐操作。國內(nèi)的消費(fèi)金融科技服務(wù)商當(dāng)中，中騰信對于知識圖譜的反欺詐應(yīng)用，已經(jīng)相對成熟。

4、在催收環(huán)節(jié)中，人工智能的應(yīng)用主要包括智能催收模型體系的構(gòu)建和智能催收機(jī)器人。

智能催收體系主要是應(yīng)用機(jī)器學(xué)習(xí)，根據(jù)用戶畫像實現(xiàn)催收策略、人員和話術(shù)的實時推薦。

智能催收機(jī)器人主要是應(yīng)用NLP（自然語言處理）中的ASR（語音識別技術(shù)）和TTS（語音合成技術(shù)），利用機(jī)器人開展智能語音催收。

智能催收的優(yōu)勢體現(xiàn)在：首先，智能催收的絕對話術(shù)規(guī)范規(guī)避了暴力催收行為，從而降低了投訴成本；其次，可以幫助釋放大量催收人力；第三，智能催收可以實現(xiàn)全覆蓋、不間斷的工作。

具體來看國內(nèi)一些公司對于人工智能技術(shù)的應(yīng)用案例。

在智能獲客方面，第四范式利用高維機(jī)器學(xué)習(xí)模型，精細(xì)刻畫客戶和客戶行為，匹配不同的營銷策略。同時，第四范式的模型可以自動持續(xù)迭代，模型效果不衰減。

在智能風(fēng)控方面，中騰信提供貫穿貸前、貸中、貸后的全流程風(fēng)險管理能力。貸前風(fēng)控的重點(diǎn)是審核，通過信用評分、設(shè)備指紋、黑白名單等完成申請反欺詐；貸中風(fēng)控的重點(diǎn)是監(jiān)控，主要結(jié)合實時交易數(shù)據(jù)流，利用機(jī)器學(xué)習(xí)對借款人進(jìn)行實時行為監(jiān)控，同時對已有借款人進(jìn)行授信額度調(diào)整管理；貸后主要針對有逾期行為征兆或已經(jīng)發(fā)生逾期行為的客戶，利用自然語言處理，進(jìn)行智能催收，中騰信已成功推出智能催收語音機(jī)器人。

在智能客服方面，馬上消費(fèi)金融的客服機(jī)器人可以應(yīng)答客戶提出的簡單、重復(fù)問題，正確率高達(dá)90%以上。當(dāng)出現(xiàn)疑難問題時，系統(tǒng)自動轉(zhuǎn)接人工客服，并將知識庫中的最優(yōu)答案推送給客服人員。

中美對比：中國人工智能技術(shù)應(yīng)用領(lǐng)先于美國

中美的消費(fèi)金融業(yè)務(wù)中，對于人工智能的應(yīng)用存在很大不同。

第一，在應(yīng)用技術(shù)方面，美國的應(yīng)用比較狹義，關(guān)注于機(jī)器學(xué)習(xí)。而中國則全面應(yīng)用了五大核心技術(shù)。拿生物特征識別技術(shù)舉例。在中國，人臉識別、聲紋識別已被廣泛應(yīng)用在各消費(fèi)金融平臺的獲客過程，同時結(jié)合OCR識別身份證信息，完成雙重認(rèn)證。而美國的生物特征識別技術(shù)還停留在服務(wù)于傳統(tǒng)銀行業(yè)務(wù)的身份識別階段。在消費(fèi)金融業(yè)務(wù)中，以美國的Kount公司為例，其利用全面的交易和身份數(shù)據(jù)，通過機(jī)器學(xué)習(xí)完成身份確認(rèn)。其次是知識圖譜技術(shù)。由于其主要用于甄別團(tuán)隊欺詐，而團(tuán)體欺詐是具有中國特色的欺詐難題，所以中國對于知識圖譜的應(yīng)用更常見。

第二，在服務(wù)環(huán)節(jié)方面，中國集中于智能客服、智能獲客、智能風(fēng)控和智能催收。而美國還提供了潛在客戶管理、智能顧問和用戶流失管理等服務(wù)，但人工智能在這三個環(huán)節(jié)的應(yīng)用仍處于初始階段。

第三，在信用評分方面，大多數(shù)美國貸方都基于FICO評分的模型來決定個人借款人是否能獲得貸款以及貸款利率，而FICO評分是通過傳統(tǒng)的邏輯回歸模型產(chǎn)生的。在將機(jī)器學(xué)習(xí)算法應(yīng)用到信用評分的平臺中，也是對FICO評分進(jìn)行完善和更新。這些平臺仍然大量使用傳統(tǒng)信貸數(shù)據(jù)，補(bǔ)充的其他非傳統(tǒng)數(shù)據(jù)維度相比中國較少。

以Zestfinance為例，其利用機(jī)器學(xué)習(xí)算法進(jìn)行信用評估時依賴的主要數(shù)據(jù)仍然是傳統(tǒng)信貸數(shù)據(jù)、搬家次數(shù)和法律記錄。其次是互聯(lián)網(wǎng)數(shù)據(jù)，包括用戶的IP地址、網(wǎng)絡(luò)行為和社交網(wǎng)絡(luò)等；以及用戶提交的水電煤氣賬單和手機(jī)賬單等。同時，也會將一些邊緣數(shù)據(jù)納入模型，比如借款人填寫表格時使用大小寫的習(xí)慣、在線提交申請之前是否閱讀文字說明等。

這一方面是由于美國征信系統(tǒng)較完善，F(xiàn)ICO評分的覆蓋率達(dá)到95%；另一方面是由于美國對于個人信息的保護(hù)較為重視，讀取某些信息，如手機(jī)通訊錄等受到嚴(yán)格限制。

而在中國，隱私保護(hù)相對寬松，平臺可以用到的數(shù)據(jù)維度較多，也更涉及私密性，包括GPS定位、通訊錄、手機(jī)內(nèi)APP的數(shù)量和種類等。