新技术尤其是大数据在互联网金融领域应用甚广。4月13日，在由中国金融集中采购网、金融科技创新学院联合主办的“2018中国金融科技创新发展论坛”上，国美金融大数据总监李少伟分享了大数据在国美金融的实践。

以下内容为李少伟先生的演讲实录：

大家好，我是来自国美金融的李少伟，主要负责国美金融大数据相关的业务。下面介绍一下国美金融本身，国美金融是国美控股旗下的一家从事金融投资和金融发展的综合性平台，现在主要是依托于国美产业优势，构建了消费金融、财富管理、企业融资包括支付在内的四大品牌体系。消费金融主要有三款：美易分、美易房（主要指的是新车、二手车的交易业务）、美借；财富管理包括美易理财、国美保险、国美基金；企业融包括美易融，指的是供应链金融。大数据作为金融行业的核心资产，可以促进高频以及风险分析，满足互联网金融各种业务模式。

互联网金融特点：金融业一方面是大数据的重要产生者，同时金融业也是高度依赖信息技术，是典型的数据驱动行业。在互联网金融环境中，数据作为金融核心资产，将撼动传统客户关系及抵押制品在金融业务中的地位。大数据可以促进高频交易，社交情绪分析和信贷风险分析。无论互联网金融领域哪种业务模式及产品交互无不体现对大数据的合理运用。

与银行的金融服务偏向“二八定律”里的20%的客户不同，互联网金融争取的更多的还是80%的小微用户。这些小微用户的金融需求既小额又个性化，在传统金融体系中往往得不到满足，而互联网金融可以高效率的解决用户的个性化需求。像P2P、众筹等互联网金融模式都在一定程度上解决了小微企业及个体工商户的融资需求，同时也满足了一部分客户的投资理财需求。

互联网金融并不是简简单单的将金融业务由线下网点搬到线上，更是通过互联网的方式打破传统网点只能覆盖5公里内客户的局限，拓宽获客渠道，为客户提供方便，快捷，高效的金融服务，极大地提高了现有的金融体系的效率。

互联网金融的低成本化的特点主要提现在交易成本上，单笔贷款的审批成本与传统银行相比大幅降低，其利用了大数据和互联网的信息技术，依托电子商务、运营商、征信、网络行为（包括衣食出行）等数据，实现自动化、智能化的金融信贷审批、运作和管理，成本低，速度快。

互联网金融领域的大数据主要集中在两方面的应用，一方面精细化的运营营销，还有是产品迭代优化，其实主要是提升我们的用户体验，互联网金融本质还是金融。说到金融有一个核心就是风控，加入用户全方位信息的数据通过大数据和技术的方法，同时极大提升了风控的效率。

大数据落地：渠道、获客和运营分析

整个大数据技术能力在国美金融的落地。大数据存储能力、计算能力，重要是结合产品场景的应用能力，具体来说，主要依托于国美金融内部的数据、外部合作获取到外部的数据，基于信息工厂构建的数据整合、处理、报告到转换成行业洞见的数据价值体系，以及风控体系。除此之外，我们构建了一套大数据，BI系统还有分析体系；大数据风控就是反欺诈、决策引擎规，这包括计算引擎；精准营销主要是包括获新客、激活沉睡老客、刺激活跃客户复投、个性营销管理。说到大数据的运营、营销，如果按照CPS算，一个S基本在200以上，所以如何有效的获客，这是决定这一块是否有利润。*****方面要科学评估每个获客渠道，合理分配营销资源，提升获客效率，产品分析，在每个渠道上，为每个用户提供专属产品、权益和服务，让用户拥有完美的一致体验，促进用户持续转化。这一块主要是根据用户生命周期，有效开户数、用户活跃度，提升用户留存，提升营收和有效自传播。在内部沉淀出一套体系，每个环节有什么指标，遇到什么问题应该用什么办法解决，这已经是沉淀出来的模型。整体来说是包括三方面，渠道、获客和运营分析。

运营分析

闭环运营活动

整个过程中，或者是运营活动过程中，有4个环节，一定要把这环节形成闭环。其实是两方面，一方面是根据现有客户设立相应的和目标用户相匹配的金融产品，另一方面就是要根据现有的金融产品对目标用户进行细化。*****方面，现在主要是针对现有的目标用户，通过产品的组合，或者是匹配，我们要找到产品能和用户相匹配。做这个营销的过程之前，我们首先要想到，我们做预期的结果或者是效果，要建立分析体系，提前做好数据埋点。其次就是数据的收集，一旦活动做完以后就能迅速看到活动的结果，整体就是形成闭环。总的来说，活动策划、活动实施、活动监测、活动复盘。

千人千面：运营落地

到方法论，大数据在整个内部提供了一套行之有效的工具，包括BI体系支持上面一系列的运营落地，包括产品、市场营销、产品运营、用户运营、监控，自助报表系统。还有统计分析平台，主要是做全产品线前端用户行为分析、产品流程漏斗分析，用户画像体系，提升个性化营销服务。后是自助分析平台，主要是基础数据探查平台，满足运营、风控分析人员的查询功能。这个是用户画像，标签工厂具体的产品，功能模块分为微观画像、宏观画像、活动管理、效果评估、用户价值。

我大概说一下各个功能，主要是支持千人千面，把用户ID传到标签工厂里面，标签工厂会返回用户画像跟标签的信息，前端根据用户画像的标签信息返回给这个用户展示怎样的产品跟页面，这是微观画像的功能；宏观画像主要是针对宏观的标签画像，帮助决策人员设计出适合目前用户的风控产品或者互联网产品。活动管理这一块是我们核心的功能，通过标签工厂，在用户群添加活动。比如说针对某一个产品通过短信平台进行触达的话，在这里面通过标签筛选出用户，在这个用户群上添加相应的活动：把这群用户从后台直接推给短信平台，在短信平台编辑短信直接发送，自动把我们所要营销的信息触达给用户以后，重要是后的效果评估，后台已经做好了一系列的效果评估的数据回收、分析的体系，一旦这个活动开始以后，数据实时的收集，可以看到我们这次活动，比如用户触达的情况，或者转化的情况，以帮助后面运营人员策划市场营销策略。

产品运营：线上到线下的用户闭环

我说一下产品运营，在互联网金融里面，产品运营主要包括两部分，*****个就是互联网产品，第二个是金融产品。各个环节是否顺畅，转化率是否高，或者是哪一个环节跳出、流失特别高，这都是产品运营方面，或者是做用户增长需要重点关注的，其实就是功能优化、界面优化、流程优化，比如说理财产品，借贷产品，就说理财产品，期限怎样，收益怎样，这都需要研究项目，通过测试不断优化产品和挂标上线的时间。这是基于标签工厂做的一个事件规则的管理平台。举几个场景，比如说用户在我们的APP进行注册动作，注册成功以后，3天内可能浏览保险的页面，保险、基金、理财、借贷等产品，因为产品线比较多，比如说车险，我举个例子，可能7天没有动过，这是我们后台可以做到实时，给他发短信的活动，给他发代金券促使他完成交易；另一方面，浏览理财、基金、保险等页面，但他没有发生任何的交易行为，这时候我们可能认为他没有找到合适的理财产品，这时候自动给他推一个链接，然后会人工理财顾问就会借助平台，一方面极大的降低了目标用户的跳出流失，因为有的平台对用户的干扰特别大，我们对于确实比较迷茫的用户，需要通过用户行为分析角度出发。针对国美金融的线下场景，这也是我们得天独厚的优势，因为国美是有1800多家门店，可以做理财的服务，或者是获客的服务，线下用户到店消费或者是存量用户，我们根据线下门店探查用户到店，然后基于云平台的数据，会反馈给门店的人员，哪一个人到店，然后他是什么样的特征，是否可以进行营销活动，从而形成线下到线上用户的闭环，这也是我们比较重要的一个场景。

互联网金融本质是金融：风控是不可避免的

上面主要是整个运营营销的话题，后边主要是针对风控，因为互联网金融本质是金融，谈到金融，风控是避免不了话题，因为风控的本质就是通过评估用户的还款意愿和还款能力。不论传统金融还是互联网金融风控本质上就在考察用户的两个方面：还款意愿和还款能力。现在基本都在利用量化风险控制的方法论利用数据分析和模型进行风险评估，依据评估分数，来预测还款人的还款能力、还款意愿。

大数据风控和传统的风控在本质上也并没有区别，主要区别在于风控模型数据输入的维度和数据关联性分析不同。大数据风控很重要的一个特点就是除了传统的风控使用的数据例如年龄、收入、职业、学历、资产、负债等强金融相关数据外，还使用了用户行为数据等弱金融相关数据。

很多现实行为数据对信用风险评估也具有较大影响，例如用户是否经常去澳门赌博，用户是否经常刻意隐藏自己，用户是否参与高利贷，用户是否具有吸毒倾向，是否患有重大心理疾病等等，这些信息在一定概率下决定了用户风险水平。在某些条件下这些因素会成为决定信用风险事件的强相关数据。过去这些用户行为数据，并没有放到信用风险评估模型中，没有参与客户的信用风险评估。这是因为这些数据很难获得，但是现在不同，互联网的发展使得用户的很多行为都在网上留下了痕迹，大数据技术的发展也使得获取这些数据并有效的处理这些数据成为可能。互联网上的用户行为也同信用风险高度相关。例如凌晨1点登陆网络申请贷款的人，恶意欺诈的比较多；手机上只有贷款App，没有其他App的人，其恶意欺诈比率高；缺少社交活动的人，其贷款逾期可能性较高。这些用户行为信息都同信用风险高度相关，可以作为一个重要因子进行录入，影响客户的信用评分。

这是针对刚才讲到的整个互联网风控或者一些方法论，其实整个大数据的基础架构包括几部分，*****个是数据获取，包括用户行为数据，就是通过SDK获取用户在APP上所有的行为数据；还有就是用户主动填写的基本信息，用户提交的数据，公开网站数据，这块就需要建立相应的爬虫能力；还有外部数据接入，里面包括黑名单的数据，把数据整合以后，就会进行风控模型计算，分为离线计算跟实时计算，再有一个是机器学习引擎；后一个是图计算引擎，通过三大计算引擎计算完了以后，决策引擎会给出风险等级和评分，这是整个的技术架构。

结合技术架构、业务流程，大家更容易理解一点，主要是指2C端的业务，用户在前端APP进行申请，主要是几大类信息的收集，包括鉴权类、个人基本信息、联系人、活体监测、人脸识别等、诉求。我们通过ID收集用户数据，包括行为数据跟位置数据、设备数据。这过程中，比如说运营商的数据，这些数据都是通过爬虫，这两个数据汇集到数据工厂以后，通过三大计算引擎，然后到了决策引擎，根据每一轮的引擎结果，根据每轮的决策结果由流程控制中心智能分配下轮需要数据源以及决策路径，后是业务系统，核心、电审、贷后、帐务。整个流程过程中，我们计算流程过程中，基本风控维度在2千多以上，基本90%是在10秒搞定。

这里边重点说一下其中的一个风控产品，这是知识图谱，我们内部叫云图，常用的反欺诈模型：是通过建立一个规则引擎或者机器学习模型来描述欺诈行为的特征，从而将欺诈行为从正常操作中区别开来。

在反欺诈规则引擎中，这些甄别欺诈行为的规则依赖于从大量历史案例中总结出来的“专家知识”。例如，如果一个人申请贷款所用的手机号与其常用的手机号不一致，则这笔申请的欺诈风险就被认定稍高一些。

机器学习模型，它指的是采用数据挖掘方法，基于历史数据（即，已知的欺诈申请和正常申请的数据）而建立的分类模型。常用的如随即森林、深度学习等，这些模型的训练需要大量的历史数据并且其结果通常很难解读。

不论是规则引擎还是机器学习模型，都是从历史案例中发现发生金融风险时重复出现的个体行为模式。这个方法在很多领域被证明为有效（例如，用于审核个人还款能力的信用评分模型），然而在解决金融欺诈问题时表现一般?原因有两个：

其一，金融欺诈的模式随时间的推进不断演化和发展，而不仅仅是重复出现在历史案例中的个体行为模式；

其二，随着反欺诈技术的进步，金融欺诈越来越难以由个体完成，而是需要通过团伙有组织的进行。

所以，就需要通过考察用户之间的相关关系、用户其属性的关联关系等信息来进行信用评分和反欺诈，知识图谱为风控提供了全新的反欺诈分析角度和方法。

知识图谱的应用场景，一个是授信，通过图计算技术扩展风控维度，提升风控能力；第二是反欺诈，通关多源数据的交叉验证进行不一致性检验，从而进行反欺诈或团伙反欺诈；第三是失联管理，为催收提供贷后逾期客户联系人信息。通过电话号码可以看到同事关系、邻居、通讯录、亲戚等关系判断出来的，基本可以达到秒级的响应，这是国美金融整个大数据体系。因为我们现在也经过3、4年的沉淀，构建了整个风控体系和运营体系，包括大数据风控的计算引擎、决策引擎，包括运营营销、标签工厂都是经过一千多万用户，几百亿的量考验，所以说我们现在也正在做一个事，针对现有的技术做一些金融科技能力的输出，希望业内的同仁们有需要可以进行进一步的探讨，希望能有一些合作达到共赢。