TMT观察网_独特视角观察TMT行业

經常聽到一個關于借錢的民間“哲理”：借急不借窮。對于銀行來說也是一樣，只會把貸款借給確認有還款能力和還款意愿的人。

那么，像銀行這樣的金融機構是如何判斷申請者的還款能力的呢？

銀行在審批貸款之前，必然會查詢人行征信報告，根據申請人的信貸記錄判斷是否批準貸款。

然而，像人行征信報告這類傳統的信用體系并不能覆蓋所有人。

根據2014年底披露的數據，央行征信中心有效覆蓋了8.6億人信息，但僅有3.5億人擁有信貸記錄。也就是說，在中國約有10億人沒有有效的征信記錄。

即便是在征信覆蓋率很高的美國，也有很多人沒有符合要求的征信記錄，這些人往往也申請不到信用卡，那么，當他們有資金需求的時候，只能求助親朋或者借高利貸了。

在這樣的背景下，谷歌公司前CIO Douglas Merrill于2009年在洛杉磯創辦了互聯網金融公司ZestFinance，公司使命是為每一個人創造公平而且透明的信用信息，進而幫助他們實現享受正常金融服務的權利。

ZestFinance原名ZestCash，創立初期的主營業務是通過小額貸款平臺提供放貸服務。

與一般小額貸款平臺不同的是，ZestFinance的研發團隊主要由數學家和計算機科學家組成，自研了基于機器學習的大數據分析技術進行信貸審批的能力。為更好履行公司使命，Douglas Merrill后來將公司更名為ZestFinance并專注于向其他金融機構輸出其信用評估能力，為難以獲得傳統金融服務的個人創造可用的信用，降低他們的借貸成本。

目前ZestFinance在主推其專用于信用評估的機器學習平臺ZAML，用戶可以在這個平臺上進行數據集成、數據清洗和模型訓練，并且ZAML還提供了機器學習模型解釋的能力，大大降低了業務人員使用和評估復雜模型的技術門檻。此外，ZestFinance還基于ZAML對外提供信貸審批和反洗錢等服務。

下面，我們針對ZAML的幾個主要特征進行介紹。

（1）數據的非常規化

次貸危機之后，美國消費貸款的壞賬率逐年下降并基本穩定在不到2%的水平。在這樣的前提下，金融機構想要通過降低壞賬率來提升凈利潤是非常困難的。想要增加放貸收入，只能通過提升審批通過率并維持較低的壞賬率。正如前文所提到的，原本沒有通過貸款審批的用戶通常缺乏有效的信用證明，那就需要利用其他非傳統的數據來重塑信貸審批過程。

ZestFinance最被外界津津樂道的是采用了許多“弱”數據構建信用模型，在一般人看來，這類數據很難和還款能力及還款意愿扯上關系，但ZestFinance還是從弱數據中捕捉到了有效信息。

例如，一個人在填表時喜歡用大寫還是小寫就是一個弱數據，ZestFinance識別出喜歡全部用大寫字母的人違約率更高。此外，用戶在網上提交貸款申請時是否閱讀說明文件也可以說明一些問題，完全不看文件的用戶可能風險意識較弱，或者壓根不關心違約后果。

在催收場景下，ZestFinance還會將用戶的搬家次數納入評估模型。ZestFinance發現學生在畢業之后搬家次數越多，那么還款意愿就越低；相對地，搬家的距離和還款意愿之間沒有明顯的關聯。

ZestFinance的模型也結合了場景化的行為數據進行信用評估，據Merrill透露，如果一個人經常在工作日的白天到商店購物，那此人很可能處于失業中；而如果一個人是午休時間購物，那很可能這是一個勤奮的雇員在擠時間買必需品。

（2）數據精細劃分

在申請信用卡后，只使用過一次并按時還款的用戶在傳統的信用模型中可能會被當作一個“好”用戶，而ZestFinance認為這類用戶并不能為銀行帶來利潤，因此需要與真正能帶來高利潤的用戶進行區分。

還有一個例子，ZestFinance認為衡量一個人的收入高低并不說明其還款能力，還需要將收入減去支出的凈收入加上地理因素，才能對還款產生預測能力。他們就是這樣通過融合多個變量，為用戶賦予更準確的標簽。

（3）模型解釋能力

目前很多金融機構的信用模型還是采用相對簡單的邏輯回歸或決策樹，先進的機器學習模型例如深度學習還沒有得到廣泛的應用。其主要原因在于機器學習模型如同一個黑箱（參見下圖），業務人員無法對預測結果進行理解和解釋。而很多場景下需要對拒貸原因進行回溯，因此金融機構只能對先進的機器學習模型望而卻步了。    

針對這個問題，ZAML為用戶打開了機器學習模型這個黑箱。對于每一筆貸款申請，ZAML都會對各個變量的重要程度進行評估和排序，可以直觀判斷出拒貸原因。 

在構建模型的時候，ZAML能識別出一些潛在的建模錯誤和合規性問題，降低了建模的技術門檻。此外，ZestFinance還可以做到將模型輸出結果無縫映射到現有系統的拒貸原因編碼，這些機器學習模型對業務人員來說是完全透明。

就當前而言，國內包括螞蟻金服、蘇寧金服等很多互聯網金融公司都在機器學習和大數據風控上構建自己的能力，相信機器學習在信用風險建模領域的應用也將持續受到廣泛關注。

來源：蘇寧財富資訊     作者：倪偉淵