信贷业务还在依赖人工审核？中科聚信为银行提供信贷全生命周期的智能化管理

近年来，各商业银行相继出台了促进普惠金融的发展、切实改善小微企业融资难的方案。如何构建完善的风险管理体系，更好的为普惠金融服务，已成为当下商业银行转型的重要着眼点。

通常情况下，商业银行的信贷业务周期大致分为贷前、贷中、贷后三个阶段：贷前主要是通过信用的获取进行信贷产品规划及进件审批；贷中主要关注客户的还款情况和账户行为，包括是否提升信用额度或逾期风险是否在加大, 还会涉及交叉销售等营销管理；而一旦客户还款不及时，则进入贷后催收阶段，包括采取适合的催收方案、进行失联修复等。

我们看到上述信贷业务的主要痛点在于客户分散、风险因素多元化，而目前银行以非标准调查为主的个性化传统业务发展模式过度依靠人工作业，难以实现业务的标准化、批量化发展，导致成本高、效率低、效果欠佳。关键原因在于目前征信与评估信用类的信息维度不全面，信息质量也有限，无法完整准确的刻画借款人的信用情况。

36氪最近专访的中科聚信就是一家希望为银行解决上述痛点的公司。据中科聚信首席风险官李莉介绍，中科聚信应用了大数据+人工智能技术，通过分析贷款人数据+机器学习算法，可以较为全面的掌握贷款人的信用情况。中科聚信覆盖了信贷业务以下的三大核心场景，对信贷业务的整个生命周期进行管理：

• 信用风险管理：包括贷前、贷中、贷后的信用风险管理。据李莉介绍，中科聚信可根据金融机构的需求，例如不良贷款可容忍度、预计业务增长率等指标，对海量借款人行为数据进行加工和分析，量身定制适合客户的信用风险管理方案。具体在操作层面，中科聚信基于机器学习技术设立了一套评分建模系统，可以把借款人身上的数据标签抽象成评分来对信用高低进行评价。同时，中科聚信通过设立贷前、贷中、贷后的评分模型，帮助金融机构建立了信贷全流程风险量化体系，这样在帮助金融机构降低放贷风险的同时，推动了信贷业务的批量化、自动化、智能化发展；

• 欺诈侦测及防范：反欺诈体系建设是信用风险管理的延伸，通过欺诈侦测和防范平台、社会关联网路分析、模糊匹配、反欺诈模型等技术可全方位预防包括团伙欺诈在内的各类欺诈模式；

• 客户分层和精准营销：据李莉介绍，中科聚信通过客户画像、客户分层、营销模型等技术可以更好地对客户进行精准营销，有效提高金融机构其他业务的获客成功率，降低获客成本。

简而言之，中科聚信通过上述技术的结合，可以帮助金融机构“勾勒”出基于社会网络关系的多维度客户画像，每个客户画像都有自己的标签和评分。借助这种客户画像和风险量化体系，金融机构可以深入了解每个客户的风险特点，真正做到KYC (know-your-customer)和客户分类管理，由此，金融机构在进行信贷管理的同时，可以更精准的捕获客户的潜在需求，同时结合客户的风险情况进行个性化营销。

据李莉介绍，中科聚信的核心技术主要覆盖小微企业及零售信贷业务，包括各类小微企业贷、消费贷、信用卡、房贷、车贷等，目前已经涵盖上千家金融机构，其中包括不同规模的商业银行。此外中科聚信还与部分政府合作参与了当地社会信用体系搭建工程。

在项目落地方面，中科聚信采取了咨询开发+IT系统交付的项目制合作来服务金融机构，通过反复调研以理解金融机构的需求，进而开发个性化产品，最终交付一整套定制化的解决方案。最重要的是，整个方案需要在金融机构的私有云或私有客户机上进行，确保满足金融机构对信息的保密要求，中科聚信并不能直接储存、分析任何客户的数据。另外，在实际操作过程中，由于风险因素会、监管要求经常变化，中科聚信会定期对产品进行迭代和升级以满足模型的有效性。

在盈利模式方面，中科聚信综合根据每个项目的复杂度、工时数量进行报价，同时根据项目运营情况收取一定的运营费用。对于长期运营合作类客户，中科聚信将根据放贷金额的固定比例收取服务费。

金融科技助力信贷管理的模式在国外也已经相当成熟，欧美基本90%大型金融机构都在使用AI进行信贷管理，主流产品包括Experian、SAS和FICO等。与国外公司产品相比，中科聚信的产品优势包括：更理解国内的实际需求及风险因素；在产品功能、项目服务以及迭代速度方面也更贴合中国金融机构的需要。

中科聚信成立于2014年7月，已分别于2017年3月及2018年3月完成了A轮和B轮融资，投资人包括中国科学院所属投资基金，红杉资本、中国宽带资本所属投资基金等。目前公司团队数百人，核心团队均具有多年人工智能、金融风控的行业经验，大多来自于工商银行、HSBC、华夏、Experian 、FICO、SAS等国内外企业。

我们可以看到，金融科技的发展确实提升了金融机构信贷管理的效率和效果，不过需要进一步思考的是：随着人工智能的进步，未来智能信贷管理工具是否会取代人工。无可置疑的是，智能信贷管理工具会大大减少人工工作，其工作原理是：通过挖掘数据和机器学习算法抽象出规则和模型，未来对于常规性的场景能做到自动审批。但同时我们也需要清晰的认识到，了解数据背后的业务逻辑和算法的适用性比算法的复杂度更为重要。因此在产品及模型的迭代过程中，仍需要有业务经验的人员参与，机器学习的过程还不能完全脱离人的业务经验。

36氪认为，近年来科技技术的进步显著推动了金融行业的创新。金融机构通过大数据及算法，在满足人们的个性化金融需求的基础上进行风险管理是大势所趋。此外，在更远的未来，金融科技行业还将进一步实现智能化和数字化，将资金和产品正确且风险可控的匹配给每一个需要的人。在这个过程中，实操经验丰富、风险识别能力敏锐、建模能力强大及工作流程完善的企业，将拥有更高的竞争壁垒，也必将脱颖而出。