朱君：各位来宾很高兴有机会跟大家分享一下买单侠在风控管理上的探索，首先介绍一下买单侠的业务：我们目标客群是一群18-35岁的蓝领工人，我们的目标是做一个长期的生意，从年龄段来看，有信用卡覆盖的人占了少数，大部分处于白色区域没有被金融很好服务的人群，他们的人群是类似于右上角三累人，例如富士康的工人流水线上作业的，还有餐厅的服务员，还有一类是营业员，还有一大类像运营中心的运营人员客服人员电销人员等，这些人员占这个年龄层的绝大多数。我们接触下来发现他们有独特的特点，他们通常消费比较冲动，消费观念非常的超前，蓝领工人一个月收入三四千块，短短一个礼拜之内就把一两千块钱都用了，剩下的就节衣缩食，他们爱面子，非常适应借贷这个事，也不觉得丢人，有这样的公司服务我们是好事。这个是中国大量的需求所面临的问题，他们相对于学生来说有自己的造血能力有工作有稳定的收入，虽然收入没有那么多，但是至少是稳定的收入。很重要的一点非常注重体验，我们发现这些人手机上玩的APP，非常在乎第一感觉，觉得很爽很好玩就玩下去了，如果觉得不适合自己马上就没有兴趣了，这些人非常的缺乏耐性。如果你的服务流程好就可以很好的吸引他们，如果你的体验差一点他们马上就不要你了，这些人刻画出来的特征很大程度影响我们的产品设计和风控流程的搭建。

　　因为这个特点我们在风控上面对这样一群人有一些独特的问题，我列举了最大的差异：第一这个业务是真实场景的消费，一定是线下客户买3C类产品的时候触碰到他，通常做线下业务的信贷的契合率达到百分之七十和八十，线上由于完全是你看不到客户主动申请，所以它背后的逆项选择问题非常的严重。100个客户线上大部分是坏人，线下是真实买手机的要刷脸出境的，这是我风控控制的第一道关。第二个比较大的特点，这些人数据比较薄，前面两位嘉宾都提到这些人没有被人行覆盖没有太多征信的数据，这就考虑做资产端公司的能力，怎么对数据相对比较薄的人有一定的识别能力。下面这张图三根柱子红色是坏人，绿色是好人，当我的流程非常烦琐好人是没有耐性的，坏人无所谓他还会来，当你的流程非常的复杂，对于好人来说都走光了，他没有任何的耐性，对于坏人来说无所谓，如果你的体验不能做到足够好，你抢不到客户，同时可能吸引更多的坏人赶走更多的好人。所以我们必须注重客户的体验，这三个场景特色导致我们审核流和产品设计非常量身订作才能解决这个问题。

　　我们选择的解决方案是用数据驱动的场景化风控。这是业务的申请模式，我们的申请大概分三个客户端，一个是客户的C端，一个是销售员也有一个客户端，店里的营业员也有客户端，营业员出二维码客户扫码，然后进行辅助申请和风控，客户在APP上填写资料，然后提交资料，后台进行自动化审核的过程，结论出来是4分钟左右，整合完直接打款到客户的银行卡，客户刷卡购机。这是我们现有的运作模式，我拿其中几个例子说一下，这个二维码有非常短有效期的控制，控制交易一定发生在线下，A营业员和B营业员出的码不一样，能精确的锁定到哪个出了这个单，这个风险把控一定是把控到线下的。客户要填写的东西并不多的，这个人群很多信息是无效的，比如说学历，都是大专以下，收入差不多就是三四千以内，当这些信息无效的时候我们索性不收集了。除了填写信息以外我们更看重它填写过程中的信息，之所以在APP里面填写，包括分析拖拉，我们可以像放电影一样重放一下，背后是大量的行为数据的积累，这些数据通过验证发现它比填写上来的信息好坏区分度更明显，它是一个人真实的流露。

　　通常做线下业务很大风控是交给前端销售员做的，有了销售端的APP可以控制行为通过交互，比如说蓝领工厂遇到一些问题，比如工人是富士康是做几路班车是一个人来的还是两个人来，是怎么知道有这个公司的，这些或多或少反映一些问题。这些弱变量客户是无感知的，传统的做线下的机构这些信息并没有采集下来，我们通过APP和销售交互，销售做表单一样进行问题填写和执行，这些变量采集到后台，我的决策系统就能拿到更多更复杂的纬度数据。客户填写的东西比传统机构更少的信息，但是我们后台拿到了更多的数据，当我们业务不停扩张的时候不太依赖于人的经验，这是我们设计审核流非常重要的前提。然后这些信息进入到打分系统，进行打分和决策，决策引擎前有一个外包团队，我们把所有的信审团队也作成流水性的作业，通过工艺的设计去打一个电话验证申请人的真实性，或者查一个身份证查询他的信息，我们把任务拆借的非常细非常琐碎，每个审核员拿其中一小块模块做深加工的事，这个审核流做非常多的事情，但是时间非常快，我们现在做到4分钟左右的时间。

　　如何进行很好的反欺诈，客户的数据在这一点上不能相信，反欺诈的工作一向是道高一尺魔高一丈的过程，怎么进行很好的反欺诈？第一采集更多的背后数据，而不是它包装来的数据，申请表的信息没有太大意义，我们针对性采集行为数据，这是传统的申请表，在拖拉金额的时候，拖拉的快慢其实反映一个人的心理，这个行为背后有一定的效应。这是我们真实的案例，我们研究了欺诈客户的行为，他们的模式都是非常一致直接拖到这里，他们经过中介集中式的培训过拉着车来集中骗贷。我们要求客户拍一些照片，但是有的客户拍照的时候陀螺仪没有竖起来，因为它是直接把大量照片存储了。前面提到抱团的应用，我们应用到审核流程中，每一个客户进来通过手机号相关的联系人瞬间进入一个团，当客户新进来的时候有5个人，过往有3个人黑名单，那么对于后来的人甄别非常有效，好人与好人抱团，坏人与坏人抱团，因为中介准备一些客户信息进行包装，它为了降低成本不可能一个人准备很多电话，有几个电话串着用，通过抱团行为可以发现电话串着用，这样拉高了它的欺诈成本。第三个是动态申请表，我们的申请表单不是大表单而是一页一页翻页的过程，我的审核要你提交上来才能做，当你翻页的时候其实已经调用后台的一些决策了，你申请表没有填写完的时候我已经对你的渠道和个人身份的好坏有一个大致划分了，这时候对坏人要求填东西时候再填一些，可能要求你填五六个联系人，如果你是坏人了可以被更多的信息加入黑名单，结合抱团的技术使更多的人抱在一起，有可能被我发现更大的团伙在作案。当我们上线动态申请表那一天，发现很多人取消单子的取消率爆增，因为它是中介包装过要骗贷的，发现怎么又填写四个联系人了，所以就取消了。我们利用看不见的数据跟我们的流程做深度定制，应用于反欺诈的案例。

　　从总的方法论来说，我们做资产端公司面临征信体系不完善，数据不厚的情况，其实我们的外部数据越来越多，参与者越来越多，讨厌我们做资产端的是什么能力，是对这个信息的整合能地，我们在填写时候表面上看到的只是申请信息这一点数据，其实我们囊括了消费行为等更多看不见的数据，经过统计申请表数据有限但是后台采集的数据可以上万。这是第一步，关键能力在于第二步就是对数据加工的能力，爱模型层面有客户的特征模型，有渠道风险的模型，这些模型对一个人某一个方面的考量，可以用到任何纬度的数据，这些模型是稳定的，是不会随着数据源的变化而变化的。通过这个模型可以应用到我整个决策端，其实在催收策略的时候都可以应用，在客户进行放贷以后有APP贷后的行为轨迹有没有访问你的微信，还款是自己还的还是我们扣的，这些贷后的动作都是对它后续是否逾期进行更精准的判断。这样我们在催收记录的时候就会差异化的对待，通过数据到模型到最终决策优化整个方法论。我们团队本身也对大数据建模进行一定的研究，通过大数据进行整合以及直接预测和判断，这套在我们的体系中挑战我们现有带有经验性质的模型。我觉得个能力在行业内高速发展和进行下去的关键：第一个是不断学习快速迭代的能力，第二个是对数据的理解和对业务量身订作的能力。这是我的一点分享，谢谢大家！