出品 | 妙投APP
作者 | 刘国辉
图片来源 | AI制图
最近几年，从银行到消金公司，都面临着金融需求下滑，不良率提升的难题。于是各方都在想尽办法，各归本位，强化运营以巩固在客群中的优势。银行的零售业务大多在聚焦优质客群。
这就产生了个新的问题，所谓的“金融薄弱人群”（也就是那些缺少信用记录的人群），他们的借贷需求该如何满足？
蚂蚁消金服务的就是这样的“薄弱人群”。
因为淘宝，蚂蚁消金服务的消费者达到了4亿，这4亿人中，有1.27亿是新市民群体。2024年新开通花呗的群体中，超过8成人没有信用卡使用记录，而蓝领群体是使用花呗的主力。建筑工人、司机、制造业工人都是用户超1000万的职业类型。
蚂蚁消金的答案是“小红花”，一套去年12月23日推出的智能实时交互式风控系统。
举个例子，江苏南通一名工人拿到了技工证书，他第一时间将证书信息上传“小红花”，花呗额度涨了3000元，他选择用花呗分期购买了一台笔记本电脑，学习编程技能，等拿到相关证书，他的花呗额度还能提升。
别说，这还真的是创新。
以往金融机构放贷，主要是查询及收集尽可能多且全面的客户信息，按照风控模型来决定是否放款，以及具体额度如何。
“小红花”则引入了客户主动提供的资料，来增加风控信息的维度。用户上传证书，就有机会提升花呗额度，支持证书种类近20项。半年过去，目前“小红花”支持的证书类型大扩容至上千种。
蚂蚁消金总经理江浩曾表示，“小红花“系统是面向未来10年的一次重要创新升级，额度可互动，意味着蚂蚁消金在为用户管好油门刹车的同时，把方向盘交给用户。
看上去是个微创新，为什么对于蚂蚁消金来说如此重要？
将交互引入到风控体系中
传统模式下，金融机构与客户也有交互，体现在放贷过程中客户提供收入证明、贷款用途等资料，不过此后的交互就很少了。
交互式风控与传统模式的差异更多体现在交互的持续性。
实际上这在蚂蚁集团已经有一段时间的探索。2022年7月，蚂蚁旗下的网商银行推出了针对中小企业的智能交互式风控系统“百灵”，小微企业上传合同、发票、店面照片、货架照片等信息，有望提升自身的信贷额度。
这些信息往往是有价值的，在一定程度上能证明企业资信状况，但金融机构往往难以在第一时间掌握。这中间有信息的鸿沟，源于风控模型往往是欺诈与反欺诈攻防演变的结果，金融机构为维持风控模型有效性，模型中的不同维度与权重是高度保密的，正常客户往往不知道哪些信息有助于提额，金融机构也不太容易第一时间掌握新的数据。
交互式风控打破了这种状况。
2024年底，这种交互式风控推广到消金领域，蚂蚁旗下的蚂蚁消金推出了“小红花”系统，客户上传证书，就有望提升花呗额度，从而将客户的多元、碎片化信息，转化为信用证明。当时支持的证书主要有三大类、近20种，包括职业类证书、语言类证书、荣誉类证书。
在此后蚂蚁消金高管多次在各种场合宣传介绍“小红花“系统。在最近的“AI领创企业重庆行暨西部金融中心之夜活动”上，蚂蚁消金首席风控官林嘉南介绍，目前“小红花“系统支持超千种自证材料，包括职业资格/技能类（如教师从业资格证、人工智能训练师、无人机驾驶员等）、工作证明类（如企业工牌，钉钉、飞书、企业微信电子名片等）、学习技能类（雅思证书、计算机二级证书等）、学历奖项类（毕业证书、结业证书等），覆盖职场新人、蓝领、灵活就业群体等。
客户提供的证书等资料上传后，蚂蚁消金利用AI技术来对证书进行理解，这里需要重点解决两大问题，一是如何识别伪造的证书，防止欺诈，二是对证书的价值进行判断，将证书与信用额度进行关联。
在识别伪造上，目前蚂蚁消金建立了包括视觉行为推理和攻防在内的一套能力。
其中，如何确定证书价值是决定提额的关键因素，理解这些证书和行业的关系、职业的关系、资质的关系等，去进一步和客户的金融需求、偿债能力去对应。在决策阶段蚂蚁消金用大语言模型进行了一些探索，目前已经有超过6000万的用户使用过该产品，有近70%的“小红花”用户可以获得实时的提额，人均提额约1100元。
“小红花”系统还在持续迭代中，林嘉南介绍，迭代方向主要在两方面：一是前端交互更智能。目前还是类似于表单提交的方式。未来希望能够直接跟客户进行对话，当信息不太符合要求时，可以通过一些更加柔性和智能的方式，去做多轮交互。
二是授信更加精准，未来可能会在证书之外，支持流水、兴趣爱好等信息。如何让这些信息能够更精准应用到风险决策之中，从产品级到人群级，再到个体级的金融风险决策，是需要更加精准化的方向。
为什么事关蚂蚁消金未来十年？
林嘉南介绍，花呗风控演进经历了三个阶段：
第一阶段在2015年之前，追求风险管理的自动化。用静态的数据，用强金融属性的数据去对客户做自动化的风险评估。
第二阶段在2015年至2022年，实现风控的智能化和动态化。通过图计算等算法，在金融信息的基础上叠加非金融信息辅助风控决策，对更多的客户构建网络，进行信用风险的评估，实现定价的千人千面。
第三阶段在2022年至今，是实时化阶段。基于大模型和多模态知识图谱，获取和处理碎片化的信息。数据进一步爆发，AI大模型带来低成本应用，使得数据可以得到即时处理。从更加强金融属性的信息往更加强生活属性的信息拓展，从原来客户被动的视角，到客户能够更主动跟金融机构做交互。
为什么交互式风控对于蚂蚁消金风控如此重要？
“小红花”系统带来的交互，是对已有客群精细化运营的重要手段。
它面向的并非首次接触信用服务的客户，而是面对系统中已经有一定画像的客户，主要的作用也是来影响额度的升降，而非决定是否放贷。
未来随着证书数据的完善，结合此前的数据，蚂蚁可以对客群做更细致与精准的划分，提供更有针对性的服务。
因此说“小红花”系统是事关蚂蚁消金未来十年增长的重头戏。
另外从数据层面来看，大数据风控经常用到的数据包括过往借贷数据、运营商数据、电商消费数据等，也都已经应用得非常成熟，下一步需要在更多与信用弱相关数据上发掘价值。
这需要改变数据的获取方式，除了查询用户授权的数据，也需要获取一些客户还未线上化的数据，来补充数据的维度。通过互动来增加线上数据获取就成了一条可行路径。
其实在2015年左右大数据风控崛起之时，弱相关数据如社交媒体数据、APP使用数据等信息就被用于风控模型，但事实证明这些数据至少在当时并未能很好地辅助做好风控。除了可用性以外，还有数据隐私保护、算法黑箱等因素。
此次“小红花”系统接受的数据主要也是证书、技能类数据，源于其与信用的相关度更高，可解释性也更强一些。毕竟技能证书既代表着客户未来收入增长的可能性，也在一定程度上表明客户是比较积极上进的。这都能指向信用。
弱金融数据人群的风控尝试
利用多元化数据甚至与信用弱相关的数据来增强风控能力，在国内外早有尝试。
美国Capital one（第一金融资本公司）是大数据风控的先驱，在国内一度被奉为圭臬，有Capital one工作经历的人才一度被国内金融科技公司疯抢。
Capital one长期服务于被银行忽视的次级客群，在数据风控上，整合信用卡交易、还款记录、账户活动、客户服务交互等全渠道行为数据，此外在外部数据接入征信机构（如Experian）、第三方数据平台（如交易商户数据）、社交网络信号（如职业稳定性评估）等。对信用记录薄弱的用户，分析租金支付、公用事业缴费、甚至教育背景等非传统数据。
凭借差异化定位、数据营销与风控能力以及多次并购，Capital one规模不断增长，营收从2014年的238亿美元增长到2024年的391亿美元，不过受坏账影响，净利润徘徊不前。
此外， Zest AI（前称 Zest Finance）也是被国内同业广泛研究过的金融科技公司，2016年左右曾接受百度、京东的D轮、E轮投资。
该公司主要面向没有FICO分或者分数较低的群体，既采纳传统信贷记录作为少量权重，同时采纳了更多数据源，如社交网络信息、用户申请信息甚至写作习惯、阅读习惯等非传统数据信息，分析背后线索，给出信用评分。
在国内，银行拥有着最优质的客群以及最广泛的信贷数据，因此在信用判断上，主要会参照收入水平、过往信用卡数据、借贷数据、社保、公积金等强信用数据。对于社交类数据也有一定涉猎，不过更多也是用户之间的资金上的交互。
招行科技条线相关人士曾对虎嗅表示，银行对于社交类数据应用也比较广泛，在应用推荐、风控等方面都有价值。例如用户之间相互转账的数据，反映出的社交关系比微信朋友圈的社交关系更真实，用在推荐、风控等方面，会有比较高的权重。
相比之下多数金融科技公司与银行的资源禀赋不同，在创业初期缺少与信用强相关的信用卡、借贷类数据，但在线上数据的分析上更有技术优势，会寻找更多的数据源来丰富风控维度，如移动支付数据、水电煤缴费记录、电信缴费记录、线上交易数据、电商平台的购买行为和评价、社交媒体活动信息、位置数据等。这类数据的权重相对来说会高一些。
这类公司既包括蚂蚁、京东科技、度小满等大型互联网企业旗下的金融业务，也有同盾科技、冰鉴科技等第三方风控服务商。
评论