极融主要利用大数据和机器学习，为中小银行、互金平台和从事互联网信贷的企业提供全流程的信贷服务和风控服务。目前已经在超过50家商业银行实施落地相关的产品，包括整个信贷的全生命周期管理和互金风控系统的建立。极融汇聚了千亿级信贷风控经验，具备业界领先的科技实力。

 蒋纪匀 

 极融联合创始人&COO。前蚂蚁金融云联合创始人，前eBay PaaS中国区首席架构师。15年软件及互联网行业的资深技术及管理经验，负责过网商银行、蚂蚁国际与天弘基金等重大金融项目的上云。是国内金融大数据风控、大型分布式系统以及云计算等创新技术领域的开拓者与领头人。

2018年11月16日，由CTOA首席技术官领袖联盟、ITShare主办，熠韵商务咨询有限公司承办，“科技赋能 规范融合”主题的2018FinTech领袖峰会上，极融联合创始人&COO蒋纪匀，为我们带来精彩演讲——极融互联网信贷风控实践。

以下为大会演讲内容：

极融，作为由嘉银金科孵化的金融科技公司，和嘉银金科旗下的另一家头部互金平台公司你我贷是兄弟公司。极融目前主要运营两款产品，互联网信贷产品和大数据风控产品。其中互联网信贷产品覆盖互联网信贷全生命周期的管理，而作为金融核心的大数据风控产品，则帮助极融以更简单、高效、精确的方式，全方位、系统性地把控信贷风险。

大数据风控产品分为三个部分，信贷风控平台、AI建模平台和决策引擎。信贷风控产品积累了互联网信贷典型场景的经验总结，包括策略集市、模型集市，及互联网信贷领域最关心的多维度报表等。

信贷风控产品的底层，采用了自主研发的决策引擎。决策引擎中除具备规则的管理、发布、执行等基本功能外，还是一个可视化、可拖拽、可编辑、能一键发布的平台，解决了以往业务上反应的周期长、容易出错的问题。比如在传统建模过程中，在模型分析师、风控策略人员定出策略之后，需要委托开发人员进行开发，一般需要两至三周的时间才能将模型交付上线。而且人写的代码总会有bug，可能造成资损等一系列的问题。极融自研的可视化、可拖拽、可编辑、一键发布的规则引擎，能够确保发布上线的模型与风控部门做出来的风控模型保持一致性。决策引擎的底层设计上还应用了流计算技术，确保对海量业务的快速响应。因此，在具体的应用方面，不仅可以支撑互联网信贷业务，还可应用于智能营销、保险推介等领域。极融同时正在与阿里云进行合作，在信贷风控及智能营销领域已为多家客户提供了方案。

同时，为了保障建模和改变策略的整个过程更符合工程化管理的理念，极融的规则引擎引入了冠军挑战者模式和影子策略模式。当我们做模型策略上线的时候，也能用类似于灰度发布和AB Testing的方式做这个事情，让新模型上线周期中更加稳定和安全的运行。如，上线初期可先分发10%的流量，比较一下与原模型之间谁的性能更好。如果新模型更好，可以切更多流量给它，否则就要重新优化新模型，甚至放弃新模型，这样使整个业务风险的防控更加安全。

另外，极融还自研了AI建模平台。在这个平台，每一个可视化方框是一个算子，可以进行拖拽和编辑，支持各种机器学习的算法，这样可以使用不同的算法在AI平台里持续迭代模型。该平台也是支持一键式发布的。支持常用的AI算法，包括大规模WOE计算, 逐步逻辑斯蒂回归, 大规模辑逻辑斯蒂回归, GBDT, Random Forrest, K Means Cluster等。平台还支持衍生字段和衍生逻辑的自定义，包括主体类别衍生字段、业务类别的衍生字段、数据字典类别的衍生字段。

在版本控制上，平台支持版本的升级和回滚，包括工单流程式的审批。工单流程可插拔，一般场景下不需要工单流程，提交一个新版本策略，发布上线，可一键实现。对于流程严谨的企业尤其是银行，可使用我们提供的工单审批流功能，根据版本管理办法自行控制版本发布上线的流程。

在辅助客户进行建模的实践方面，首先最常见的场景是客户计划开展新业务，没有经验，也没有相关数据的积累，这种情况一般采取冷启动的模式。最常见的冷启动模式是基于元模型的冷启动。极融基于过往经验，积累了一些场景的元模型，如薪金贷、微商贷、车抵贷等。基于标准化的元模型，再辅以全流程反欺诈，根据具体产品特性设计出一套专家经验的模型。在冷启动阶段，通常需要强属性的变量予以支撑，比如公积金，社保，现金流水等数据。冷启动如果只有弱属性的变量做出来的模型，其风险程度会比较高。

当冷启动结束后，如何提升客户模型的性能，增加通过率的同时降低逾期和不良率？我们通常会在业务逐渐放量后，增加弱数据的评分卡，包括整个信贷生命周期中观察到的种子数据，会拿来用于迭代建模。最开始，我们会基于逻辑斯蒂回归做弱数据的评分卡，结合原来强数据评分卡迭代优化，慢慢把模型性能提升。当积累大量数据后，基于AI算法做一些集成学习，进一步提升风控的能力，这就是我们提到的经验驱动到数据驱动再到AI驱动的过程。

还有一些客户，做过一定量的信贷业务，有一定的数据积累，这个时候进行“温”启动，我们会利用客户的加强数据，结合业界的第三方数据，做一些温启动的模型。运用的常见手段有深度特征锤炼，挖掘灰名单，规则提炼，以及仿真优化。通过Auto Machine Learning分析、RFM行为模式、关系圈、客群特征、黑名单、交易图、客户群综合特征做一些聚类分析和图谱的分析，分析出灰名单，灰名单是温启动建模重要的指标。

除此之外，我们还可以做一些规则提炼，把一些原来的接近场景的黑盒模型，通过线性解释器的反常规过滤器，使其成为白核化的规则集，从而更容易修改。把这些规则集结合我们的黑名单，结合刚才的数据分析，做进一步优化。从而针对这个特定的场景，做出一些温模型，然后利用温模型做新场景的启动。我们还可以通过优化调整规则排序，规则阈值，从而产生更好的规则和模型效果。

还有一个办法，更快加速AI建模的推进。不管冷启动还是温启动，如果要开展的业务有曾经遇到过类似的场景，或者类似的客群、区域，这个时候通过非常少量投放，得到一些数据积累，比如几百比的投放，就可以结合类似模型，用来做迁移学习。迁移学习的效果，会比单单只有几百比数据直接机器学习建模的效果好很多，快速从冷启动或温启动阶段，直接进入AI迭代的阶段。

我想提到的最后一种场景是，如果客户已经做过某个场景的客群，有一个新场景，这时可以使用我们模型堆叠的方案，从小风险的旧场景快速切入新场景。

谢谢大家！