浅橙科技黄铭:科技驱动信用生态
本文摘要:2017年1月8日,由大黄蜂征信主办,零壹财经联合主办的金融科技与大数据应用发展高峰论坛在上海举行,本次大会主题是金融科技与大数据应用发展。 本次大会围绕金融科技、大数据技术的应用与发展、互联网金融的发展趋势、互联网金融征信体系的建设与风险控制、

 

  2017年1月8日,由大黄蜂征信主办,零壹财经联合主办的金融科技与大数据应用发展高峰论坛在上海举行,本次大会主题是“金融科技与大数据应用发展”。

  本次大会围绕金融科技、大数据技术的应用与发展、互联网金融的发展趋势、互联网金融征信体系的建设与风险控制、金融服务的创新及效率提升等话题,交流行业最新信息、探索创新模式发展、成果落地转化和未来合作可能性。

  上海浅橙网络科技有限公司首席技术官黄铭参会并发表主题演讲。

  黄铭在演讲中介绍了浅橙科技旗下互联网小额信贷信息服务平台——现金卡的发展历程,就现金卡“慢就赔、拒就赔”的服务模式及贷后服务模式进行了说明,并着重介绍了现金卡最核心的竞争力——风控技术,以及现金卡以科技驱动信用生态的发展成就,从各个方面完整回答了与会者普遍关心的信用生态建设问题。

  以下为演讲原文:

  各位来宾,大家好!我是浅橙科技的CTO黄铭,今天跟大家分享的主题是科技驱动信用生态。

  互联网+金融的模式,发展至今已经两年多。互联网金融,金融是本质,科技是创新的驱动力,利用科技手段,使得金融业各个环节有更多的创新和可能性,例如渠道推广模式、风控体系和整个贷后服务,都可以利用科技手段进行创新和提升。

  浅橙科技成立于2015年,旗下核心产品是互联网小额信贷信息服务平台——现金卡,目前公司估值5亿。公司创始团队主要来自于腾讯、陆金所以及知名银行、企业的资深人员。公司初创时期以用户调研、风控模型演练和打磨为主。现金卡平台于2016年9月正式上线。2016年第四季度,现金卡用户量突破600万,交易流水达到15亿,实现了高速增长。现金卡最核心的竞争力是科技。

  现金卡APP入口比较简单,目标人群是无信用卡人群,我们希望能为他们提供更多更好的服务。我们提供的贷款额度是1000-5000元,期限是7-14天。用户体验比较简单,填一些个人信息即可放贷。从贷前到贷后,现金卡平台背后有很多科技力量在支撑系统运营。

  现金卡主要服务于初入社会、信用数据相对欠缺的人群。经过调研,我们发现这个群体很大,有3-4亿,现有金融体系无法完全覆盖到他们,现在的征信体系也不支持他们申请信用卡。但他们确实有租房、购买手机或其它提前消费需求,他们是现金卡主要服务的人群,应用科技手段就可以对他们放贷。

  现金卡是技术驱动型的互联网小额信贷信息服务平台,风控模型是现金卡平台最富有特色,也是整个平台最需要加强的环节。公司成立初期对用户做了很多调研,我们甚至推翻了最初设想的风控模型和系统,这个阶段很艰苦,考验整个团队的能力与耐力。现金卡从申请到借款都不需要人工介入审核,所有流程都由系统完成审核,用户从申请到放款只需要30分钟。现金卡还推出了一些行业首创的服务模式,比如说慢就赔、拒就赔,我们承诺用户30分钟放款。如果用户首单申请被拒绝了,很多可能是因为用户数据或者系统时间上的问题导致,平台会负责任,给用户一些赔付,这叫“拒就赔”。互联网创造了更多的创新可能性,每个环节都可以创新,我们努力让整个流程体验更加完善,让无卡人群也能得到比较好的金融服务。现金卡的获客渠道,基本上来自于线上推广。利用模型我们能分析出最佳渠道,获得最高的获客能力和转化率。

  互联网金融领域需要有哪些核心优势,我们现在大部分资金来自于比较稳定的P2P,还有一些线上资产公司。我们的授信额度高达30亿,并且可以循环利用。理财资产方面,今年会加强监管。对于借贷领域的债权对接,会有多个系统进行对接,我们有一个通用的资金平台来处理资金和债权的适配。

  风控是互联网金融最复杂的领域,大家都在摸索。现金卡之所以能做到“慢就赔、拒就赔”,因为我们有强大的风控体系,能快速稳定地提供用户的授信和信用评估。贷后主要是贷后服务流程,现在大家听到一些贷后方面的负面消息,我们希望借助科技力量找到最好的贷后模式,智能系统会对用户做一些自动化提醒。借助智能系统,让贷后工作更规范、更高效。关于贷后人员管理,我们会在前期准备一个标准化的贷后流程,贷后的工作量比较大,如果能提高10%左右的效率,节省的人力和资金的成本都会提高很多。我们做了很多系统性的尝试,例如接入多个呼叫系统,对所有用户信息保密,委托机构只要按照我们拟好的模型去贷后,我们的监控体系可以对贷后人员进行绩效评估。我们还将尝试做一些贷后模型,拟好多个贷后方案,例如对用户做群体或等级区分,模拟不同的贷后手段,筛选出最好的贷后效率。

  重点介绍我们的现金卡平台的风控模型。大数据是一个比较泛的概念,真正有价值的用户数据是哪些?怎样从中提炼出利于风控和信用的数据?系统先从身份证、银行卡、公积金、社保四个维度去了解用户的信用状况,这是与日常生活直接相关的数据。社会关系方面可深挖的东西很多,社会关系越多,越能看出一个人的信用状态。也可以了解用户所在的行业以及他的行为习惯。根据消费调研,20-30岁刚进入社会的年轻人需要获得更多的消费能力,但年轻人碍于面子不会向家里要钱,他们可以通过现金卡系统轻易获得消费能力。年轻人借助现金卡服务,通过电商购物、支付宝记录或水电煤帐单,就可以在各个消费场景下积累起一些个人信用。

  在个人征信方面,我们对接了各类民间以及官方的征信体系,也有自身平台的数据积累,在此基础上,我们历时半年打造,并经600多万数据验证有效,最终输出形成风控模型HAS。HAS系统是整个风控大数据的代号,它内部有三个系统,Hi-Data大数据用户模型、AutoMan智能特征学习系统、S-Eye可视化特征衍生系统。 我们针对每个用户提炼了很多变量因子,差不多到1000+的变量因子,通过用户模拟,得到“用户画像”,验证出该用户是适合借款的用户,信用相对较好。可以说,整个风控体系是围绕着用户的大数据应用出发,通过机器学习、角色引擎达到智能化评估用户信用的目的。

  在服务人群方面,我们的服务人群基数是比较庞大的,并且有很多可以挖掘的用户需求。比如说,年轻一族初入社会,信用比较少,但是一旦他有更多消费记录和历练,能建立更好的信用,可能会换工作,也会有更多的消费需求,服务好这个人群其实有很大的需求发展空间。我们在这方面做过很多尝试,以后大家也可以一起探讨一下,我们会整理并构建年轻一族的服务系统,无论是对他的生活服务还是以后的工作技能的培训,其实这块都会进行更多的拓展。

  最后,我们通过这么久的时间打磨出来的风控和技术系统,也希望能够更多地服务、输出到整个行业,比如说整个风控体系、用户的征信服务、反欺诈模型,希望整个行业、各个公司能够互相分享,大家有更多的对接和沟通。我的演讲就到这里,谢谢大家!