經(jīng)常聽到一個(gè)關(guān)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(huì)把貸款借給確認(rèn)有還款能力和還款意愿的人。

那么，像銀行這樣的金融機(jī)構(gòu)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(huì)查詢?nèi)诵姓餍艌?bào)告，根據(jù)申請人的信貸記錄判斷是否批準(zhǔn)貸款。

然而，像人行征信報(bào)告這類傳統(tǒng)的信用體系并不能覆蓋所有人。

根據(jù)2014年底披露的數(shù)據(jù)，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（參見下圖），那么，當(dāng)他們有資金需求的時(shí)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(chuàng)辦了互聯(lián)網(wǎng)金融公司ZestFinance，公司使命是為每一個(gè)人創(chuàng)造公平而且透明的信用信息，進(jìn)而幫助他們實(shí)現(xiàn)享受正常金融服務(wù)的權(quán)利。

ZestFinance原名ZestCash，創(chuàng)立初期的主營業(yè)務(wù)是通過小額貸款平臺(tái)提供放貸服務(wù)。

與一般小額貸款平臺(tái)不同的是，ZestFinance的研發(fā)團(tuán)隊(duì)主要由數(shù)學(xué)家和計(jì)算機(jī)科學(xué)家組成，自研了基于機(jī)器學(xué)習(xí)的大數(shù)據(jù)分析技術(shù)進(jìn)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(jī)構(gòu)輸出其信用評估能力，為難以獲得傳統(tǒng)金融服務(wù)的個(gè)人創(chuàng)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(jī)器學(xué)習(xí)平臺(tái)ZAML，用戶可以在這個(gè)平臺(tái)上進(jìn)行數(shù)據(jù)集成、數(shù)據(jù)清洗和模型訓(xùn)練，并且ZAML還提供了機(jī)器學(xué)習(xí)模型解釋的能力，大大降低了業(yè)務(wù)人員使用和評估復(fù)雜模型的技術(shù)門檻。此外，ZestFinance還基于ZAML對外提供信貸審批和反洗錢等服務(wù)。

下面，我們針對ZAML的幾個(gè)主要特征進(jìn)行介紹。

（1）數(shù)據(jù)的非常規(guī)化

次貸危機(jī)之后，美國消費(fèi)貸款的壞賬率逐年下降并基本穩(wěn)定在不到2%的水平。在這樣的前提下，金融機(jī)構(gòu)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(tǒng)的數(shù)據(jù)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(shù)據(jù)構(gòu)建信用模型，在一般人看來，這類數(shù)據(jù)很難和還款能力及還款意愿扯上關(guān)系，但ZestFinance還是從弱數(shù)據(jù)中捕捉到了有效信息。

例如，一個(gè)人在填表時(shí)喜歡用大寫還是小寫就是一個(gè)弱數(shù)據(jù)，ZestFinance識(shí)別出喜歡全部用大寫字母的人違約率更高。此外，用戶在網(wǎng)上提交貸款申請時(shí)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(fēng)險(xiǎn)意識(shí)較弱，或者壓根不關(guān)心違約后果。

在催收場景下，ZestFinance還會(huì)將用戶的搬家次數(shù)納入評估模型。ZestFinance發(fā)現(xiàn)學(xué)生在畢業(yè)之后搬家次數(shù)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(guān)聯(lián)。

ZestFinance的模型也結(jié)合了場景化的行為數(shù)據(jù)進(jìn)行信用評估，據(jù)Merrill透露，如果一個(gè)人經(jīng)常在工作日的白天到商店購物，那此人很可能處于失業(yè)中；而如果一個(gè)人是午休時(shí)間購物，那很可能這是一個(gè)勤奮的雇員在擠時(shí)間買必需品。

（2）數(shù)據(jù)精細(xì)劃分

在申請信用卡后，只使用過一次并按時(shí)還款的用戶在傳統(tǒng)的信用模型中可能會(huì)被當(dāng)作一個(gè)“好”用戶，而ZestFinance認(rèn)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(jìn)行區(qū)分。

還有一個(gè)例子，ZestFinance認(rèn)為衡量一個(gè)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(chǎn)生預(yù)測能力。他們就是這樣通過融合多個(gè)變量，為用戶賦予更準(zhǔn)確的標(biāo)簽。

（3）模型解釋能力

目前很多金融機(jī)構(gòu)的信用模型還是采用相對簡單的邏輯回歸或決策樹，先進(jìn)的機(jī)器學(xué)習(xí)模型例如深度學(xué)習(xí)還沒有得到廣泛的應(yīng)用。其主要原因在于機(jī)器學(xué)習(xí)模型如同一個(gè)黑箱（參見下圖），業(yè)務(wù)人員無法對預(yù)測結(jié)果進(jìn)行理解和解釋。而很多場景下需要對拒貸原因進(jìn)行回溯，因此金融機(jī)構(gòu)只能對先進(jìn)的機(jī)器學(xué)習(xí)模型望而卻步了。

針對這個(gè)問題，ZAML為用戶打開了機(jī)器學(xué)習(xí)模型這個(gè)黑箱。對于每一筆貸款申請，ZAML都會(huì)對各個(gè)變量的重要程度進(jìn)行評估和排序（參見下圖），可以直觀判斷出拒貸原因。

在構(gòu)建模型的時(shí)候，ZAML能識(shí)別出一些潛在的建模錯(cuò)誤和合規(guī)性問題，降低了建模的技術(shù)門檻。此外，ZestFinance還可以做到將模型輸出結(jié)果無縫映射到現(xiàn)有系統(tǒng)的拒貸原因編碼（參見上圖），這些機(jī)器學(xué)習(xí)模型對業(yè)務(wù)人員來說是完全透明。

就當(dāng)前而言，國內(nèi)包括螞蟻金服、蘇寧金服等很多互聯(lián)網(wǎng)金融公司都在機(jī)器學(xué)習(xí)和大數(shù)據(jù)風(fēng)控上構(gòu)建自己的能力，相信機(jī)器學(xué)習(xí)在信用風(fēng)險(xiǎn)建模領(lǐng)域的應(yīng)用也將持續(xù)受到廣泛關(guān)注。

【來源：網(wǎng)貸天眼】