原標題：同盾科技AaaS 「智能分析即服務」 到底是什麼？附案例解析
2017年11月15日第八屆財新峰會上同盾科技創始人、董事長蔣韜首提「智能分析即服務」(Analysis as a Service，AaaS)理念。這一全新理念被首次提出後，時間已經推移了近一年，近日，《金卡生活》在研究同盾科技在銀行信貸業務全生命周期實踐的風控解決方案中發現，「智能分析即服務」理念之樹已然在實務應用中深層紮根。
AaaS即，利用人工智慧工具和大數據技術，在包括信貸風險、交易欺詐、營銷作弊、客戶價值、投資和運營等多種細分金融場景中，面向不同的行業，包括金融、網際網路、保險、新零售，在不同的應用領域給客戶提供數據分析的能力。也就是通過AI+大數據雙輪驅動，提供場景化的智能分析服務。
下面用3個案例從不同視角來全面解析AaaS 「智能分析即服務」，在銀行信貸業務全生命周期中的具體落地。
【案例1】同盾科技聯合A銀行直銷銀行實施反欺詐
A銀行直銷銀行向同盾科技發出訴求，對用戶帳戶進行安全保護，同時降低被「黑產」製造者攻擊的概率。
基於A銀行直銷銀行圍繞設備標識、IP畫像、登陸時間三個方面制定了風控規則的前提，同盾科技採取設備「指紋」對風險設備行為實時防衛，將交易接入決策引擎，通過近百條規則在用戶註冊環節對虛假及惡意註冊等行為進行防控;在提現、綁卡環節，對用戶資金安全保護;而在充值環節，對薅「羊毛」風險防控;在信息修改環節，對用戶帳戶安全保護，防止關鍵信息被篡改。《金卡生活》選取2018年1-3月期間數據，作為聯合反欺詐樣本觀察期。
從事件維度分析，同盾科技API(Application Programming Interface,應用程式編程接口)審核率，即反欺詐規則命中率排名前三的事件分別是提現、註冊及充值。通過進一步分析，命中數量最多的是代理IP、設備標識獲取異常及設備短時間內註冊次數過多。這些現象對應的則是典型的網際網路欺詐行為，如薅「羊毛」、盜刷。API拒絕率越高，代表事件的風險程度越高。對A銀行直銷銀行風險事件發生最高的註冊環節，同盾科技API拒絕等於為該銀行防範了風險。由於部分綁卡交易A銀行直銷銀行未調用同盾科技的設備「指紋」服務，導致該事件API設備「指紋」獲取率過低。下表的數據分析表明API設備「指紋」保持了極高的響應水準(表1)。
表1 A銀行直銷銀行反欺詐按事件類型統計情況
來源 | 同盾科技 制表 | 王孔平
從應用類型維度分析，命中反欺詐規則最高是手機網頁，達到86.1%，表明此為慣用途徑，其次才是安卓系統、iOS系統。而API拒絕率普遍不高，非要「矮子堆裡拔高」的話，安卓系統排首位。同樣，由於部分交易A銀行直銷銀行未調用同盾科技的設備「指紋」服務，致使手機網頁端設備「指紋」獲取率低(表2)。
表2 A銀行直銷銀行反欺詐按應用類型統計情況
來源 | 同盾科技 制表 | 王孔平
樣本觀察期API接口200ms響應率在99%以上，500ms響應率在99.9%以上。由此可見，A銀行直銷銀行採取嚴控註冊關的措施，儘可能將欺詐分子堵截在門外。
【案例2】同盾科技聯合C銀行信用卡中心建立在線消費貸產品申請自動化風控模型
除自有渠道獲客之外，C銀行信用卡中心通過某唄引流，開啟了「網際網路銀行」模式，與同盾科技共建在線消費貸產品申請自動化風控模型。《金卡生活》選取模型上線後四個月，即2017年12月至2018年3月，作為樣本觀察期。
聯合模型具備貸前信用審批「三化」，即流程化、自動化和標準化。流程化評估用戶信用並甄別「壞」用戶，自動化評估用戶的還款意願及能力，標準化評估用戶的行為偏好、負面及負債信息等。同時，該模型具備「三個能力」，即在貸中海量交易中迅速發現風險的能力，貸後監控核驗用戶異常信貸表現並預警失信的能力，在風控新方法、新工具、新路徑面前快速匹配的能力。
《金卡生活》觀察到，放置「同盾雲」端的聯合模型其實只做了兩件事。一是針對某唄系統風控模型、C銀行信用卡中心風控模型「雙通過」引流來的用戶，進行自動化信用審核，從而給出決策建議。二是針對某唄系統風控模型通過，C銀行信用卡中心風控模型拒絕的用戶，通過專家調優、三方核試驗之後，進入聯合模型深度挖掘，最後進入C銀行信用卡中心模型融合，繼而提高通過率。「刪繁就簡三秋樹,領異標新二月花」，這款聯合模型頗具鄭板橋簡約風韻。
C銀行信用卡中心從同盾科技API累計調用量120萬次，日最高調用量60000次。聯合模型在自動化風控方面當之無愧成為「鐵將軍」，把關成效顯著，總體自動通過率達90%，自動拒絕率僅10%。其中，反欺詐通過率96%，三方核驗通過率93%。在樣本觀察期間，C銀行信用卡中心發放在線消費貸產品超過100萬筆，其逾期率控制在千分之一以下(表5)。
表5 C銀行信用卡中心在線消費貸產品申請自動化風控模型表現
來源 | 同盾科技 制表 | 王孔平
貸中階段：低風險調額、提升用戶需求增長
第一，如何實施低風險額度調整?「行為風險評分卡」「收益卡」「響應卡」三者相權與考量的火候至關重要。
在滿足用戶信用需求，控制銀行風險的前提下，對信用卡額度調升和調降。
一是鎖定調額對象。根據「三卡」，即基於持卡用戶的徵信數據及多平臺借貸數據，評估其風險的「行為風險評分卡」;基於持卡用戶歷史的還款行為數據，預測未來利息及佣金等收入的「收益卡」;基於持卡用戶的他行卡額度及消費行為數據，判斷是否響應調額的「響應卡」。相應預測結果選擇低風險、高收益、易響應的持卡用戶作為額度調升對象;相反，高風險、低收益、慢響應的持卡用戶作為額度調降對象。
圖6風險收益象限圖
來源 | 同盾科技 優化 | 王孔平
二是「二次」定額。根據「收入負債資產」，即基於銀行、同盾科技經濟能力評估、第三方數據，判斷持卡用戶的收入變化;基於銀行、同盾科技、徵信數據，評估持卡用戶的負債變化;基於銀行、同盾科技線上資產變動評估、第三方數據，評估持卡用戶的資產變化，從而綜合評估持卡用戶當前的收入負債比值、資產新增，以此對其重新定額。
三是符合風險敞口要求。基於銀行風險敞口(Risk exposure，因債務人違約行為導致可能承受風險的信貸餘額)要求，確定當前額度調整空間，以此滿足單個擬調持卡用戶的額度。當調整額度空間有限時，則優先滿足「收益」「響應」期望最大的用戶。
【案例3】同盾科技聯合F銀行、G銀行、H銀行開展智能催收
F銀行對逾期10天用戶採取智能催收，提出三大需求：第一針對忘記還款的用戶，起到提醒作用;第二過濾不需要人工坐席催收的用戶，減少人工負擔;第三提高產品智能化，儘可能減少人工幹預。
《金卡生活》獲取了同盾科技在F銀行實施智能催收的測試樣本，其接通率(表5)高於人工坐席催收，逾期回款在15-20%之間，同時釋放了大量的催收人力。
表5 F銀行智能催收測試效果
此外，G銀行信用卡中心M1(Months，月，未還款的第二個帳單日到第二次帳單的最後還款日之間)帳齡持卡用戶智能催收，平均接通率為56%，逾期回收高出傳統催收的15%。H銀行消費金融M1帳齡用戶智能催收，平均接通率為47%，接通率及逾期回收率都高於人工催收。