深圳2019年11月13日 /美通社/ -- 11月13日，由中国商务部、科技部、工信部、国家发改委、农业农村部、国家知识产权局、中国科学院、中国工程院等部委和深圳市人民政府共同举办的第二十一届中国国际高新技术成果交易会（简称“高交会”）在深圳会展中心举办。本届高交会以“共建活力湾区、携手开放创新”为主题。通过运用人工智能等先进技术，招联消费金融有限公司（下称“招联金融”）携手中国科学院深圳先进技术研究院创新打造的三项金融风控“硬科技”在新一代信息技术专业展台亮相。
在国内科技类展会中，无论是规模上，还是影响力上，高交会均享有“中国科技第一展”之称。本届高交会包括国家高新技术展、综合展、专业展、分会场四个部分。其中，专业展包含12个领域，主要展示新一代信息技术、节能环保、光电显示、智慧城市、先进制造、航空航天等战略性新兴产业及未来产业的先进产品和技术。
在高交会现场，招联金融工作人员向观众介绍了本次参展的三项“硬科技”，分别是沃信用分、反欺诈GPS渔网与机器学习应用和基于图谱技术的关联网络智能风控。这些均是基于人工智能等先进技术应用到消费金融风控体系的关键环节，进一步提升客户信用价值、降低客户交易成本，帮助客户体验更为合理便捷的消费金融服务。
沃信用分：客户在“通信+金融”领域的通行证
众所周知，每个人除了拥有居民身份证以外，参与经济活动也有一个“经济身份证”，即中国人民银行（简称“央行”）的个人征信报告。个人从事经济与金融活动相关的信用状况将被记录到“经济身份证”，而良好的征信记录将使得客户在申请金融机构贷款产品时更容易获得通过。因此，个人征信报告也被看成客户能否参与金融活动的“通行证”。
有数据显示，目前央行征信采集信息人群约有9.9亿人，有贷记录仅有5.3亿人；超过46%的人群缺失信用记录，“经济身份证”信息空白。这意味着征信空白人群将无法获得参与经济活动的“通行证”，也无法享受合理的金融服务。
为此，招联金融与母公司中国联通合作，通过金融科技创新手段，打造了一套针对联通客户的“沃信用分”价值评分体系，为近1亿的联通客户参与金融活动提供了重要“通行证”。在具体应用中，客户可根据自身信用评估情况，通过预授信模式，享受联通在线上线下各类场景中提供的消费金融服务和体验，包括现金分期、手机分期、话费充值等。
沃信用分是国内消费金融公司首创，不仅丰富和创新互联网大数据征信模式，弥补了传统央行征信的不足，还进一步帮助完善了社会信用基础设施，释放了更多的消费潜力，促进居民消费升级。
反欺诈GPS渔网：拦截“坏人”的“天网”
俗话说，天网恢恢，疏而不漏，作恶多端的坏人难逃法网的制裁。在消费金融领域，招联金融通过科技创新打造的反欺诈GPS渔网与机器学习应用，便是风控领域拦截“坏人”的一张“天网”，能够有效防范和降低欺诈案件发生。
它的主要原理是以客户GPS信息、行为数据、客户画像以及已认定的各类欺诈客户为数据基础，通过GPS网格划分和运用机器学习模型等先进手段，实时聚类并识别、筛选欺诈案件发生位置，从而对高风险区域进行精确管控，最终有效拦截欺诈团伙。
该创新案例经历了从跑批到实时应用、从静态到动态的两个阶段。如果把“渔网”应用之前的风险识别比作快速火车，需要至少1天时间跑批识别；应用之后的风险识别就像搭乘大数据时代的高铁，可实现对“坏人”欺诈行为精准防控、快速智能拦截，目前已达到毫秒级追踪锁定。
从反欺诈环节的应用效果看，这一创新案例不仅能够识别贷前贷中高风险人员，而且在业务场景应用中如鱼得水，使得客户在手指滑动间完成风险评测，做到了极致体验。
图谱风控技术：甄别诈骗团伙的“火眼金睛”
图谱形如蜘蛛织网，是一种基于图的数据结构，由亿万级顶点及边，并结合千万级客户标签组成，高筑起一座坚固的“围墙”。图谱技术是跨领域应用于反欺诈一种技术，运用社交关系网络由点及面，把肉眼和规则无法识别出来的诈骗团伙一一甄别出来。
图谱风控技术在多个领域进行创新。其中，在系统创新上，构建了消费金融行业内首个成熟的企业级图谱，能满足多个在线业务毫秒级实时查询的要求，其可视化工具已成为日常风险案件排查的一大“利器”；在反欺诈领域创新上，成功应用于实时风控规则和实时风控模型之中，对团伙欺诈等欺诈场景进行了准确的识别；在算法创新上，构建马尔科夫统计模型，应用机器学习算法，实现谱图技术与机器学习技术的创新结合，能按照风险级别进行客群划分，匹配不同级别的风控方案。
从应用效果看，图谱风控技术应用在客户生命周期的各个环节，包括贷前客户授信审批、贷中提现和交易、贷后催收回款、线下辅助排查等，能够管控客户的全流程事件风险，管控客户触及点在亿次级别以上，可拦截85%以上的关联团伙欺诈。
正是因为有了这些“硬科技”，才使得客户既能便捷体验招联金融提供的消费金融产品和服务，又能做到安全放心。从招联金融披露的最新数据看，在欺诈风险发生水平上，其已把欺诈风险控制在百万分之一以内，即0.01个BP；100万个贷款申请中，大概只有1单发生风险概率，远低于行业平均水平。
