在消费金融蓬勃发展的今天，科技驱动贯穿着从营销、获客、审批、放款、回访及催收的全过程。面对庞大的需求、日趋严格的监管，在追求发展的同时，如何构建一个良性、可持续性的风险防控业态，是消费金融机构可持续发展和提高核心竞争力的根本。
风控作为消费金融的生存命脉，也是互联网金融行业稳健、安全发展的关键。业界各家消费金融机构积极投身风控能力建设、深钻风控技术、自研风控系统、提升自主风控能力，助力企业走上“快车道”。
当前各家消费金融机构纷纷发力风控领域科技创新与应用，多家消费金融独角兽涌现，如蚂蚁金服、微众银行、马上消费金融等，笔者今天就马上消费金融（以下简称“马上金融”）这只低调的独角兽进行深度挖掘与解秘。
马上金融作为消费金融领域的科技创新企业，在大数据智能风控领域一直秉承“数据+风控+金融”的管理模式，高度重视在技术方面的投入，构建自主风控能力；在了解场景、用户和业务的基础上，利用大数据和人工智能等技术构建风控模型，贯穿贷前准入、反欺诈，贷中评级授信、额度管理、交易跟踪，贷后风险分类、风险预警、催收管理等全流程。据了解，由马上金融自主研发的风控系统家族--luma，结合灵活工作流引擎和决策规则引擎，整合客户多维海量数据，通过大数据挖掘技术对客户申请数据、行为数据、社交数据等进行挖掘分析，描绘客户风险画像并进行风险量化，真正做到了“见微知著，风险先知”。
马上金融luma风控系统家族是如何支撑“大数据+智能”风控的？
马上金融以数据为驱动的智能风控的核心优势主要体现在三个方面：一是海量内外部数据源的有效整合与对接；二是基于数据源构造变量，建立信贷全生命周期的风控规则和模型；三是创建支撑智能、高效决策的自主风控系统。数据是基础、规则和模型是引擎、风控系统是支撑平台，三者相辅相成共同作用，帮助马上金融建立灵活、快速、高效的贷前预测、贷中监控、贷后管理的全生命周期风险管理，打造企业级风险管理体系的同时降低风险，提升运营水平。
（一）“海量+全面”的分析数据
基于互联网大数据的多维数据源整合，为智能风控决策奠定数据基础
数据对于审批至关重要，中国的个人征信数据存在三大痛点：一是各类征信数据分布在各个不同的主体机构中，各家数据来源方式不同，数据的可靠性、稳定性存在较大差异；二是这些数据未能统一征集和标准化处理，数据质量参差不齐；三是机制的缺失使得各家征信机构在数据源头圈地，形成“数据孤岛”，影响行业整体水平提升。
马上金融拥有亿万级数据源，除了直连央行征信外，也对接公安、公积金社保、芝麻信用等数十个外部数据源，以及自建数据源。利用先进的大数据处理技术，对不同的数据源进行关联处理和有效整合，从多维度完善了用户的身份信息、信贷信息、消费信息、社交信息、行为信息等数据源，提高了数据利用率，有效地解决了客户无信贷记录或信贷数据不充分的问题。在审批过程中并行调用这些数据服务，实现毫秒级实时数据获取、大量非结构化数据和舆情数据快速加工，丰富外部数据的同时为构建大数据风控模型和实现自动审批决策提供了强有力的数据基础。
在外部数据源系统建设方面，马上金融自主研发了统一数据接入系统，满足数据源接入需求，通过多厂商数据源集中化管理，实现外部数据源接口标准化、服务监控精细化，加快外部数据源的接入速度，为智能风控决策奠定数据基础。
（二）“灵活迭代+科学有效”的风控策略与数据模型
可灵活调整、持续迭代的风控策略
为应对市场变化、客群变化，提高客户响应速率，在审批决策中灵活调整规则和模型显得尤为重要。需要对规则和模型进行持续迭代，以降低逾期率、提高审批通过率，解决金融风控面临的核心问题。马上金融逐步形成规则、模型相辅相成的审批策略，制定了上百个决策流、上万个决策策略，以高效响应业务风控需求。此外，可以根据模型更迭需要在变量池对已有变量进行重新组合，丰富入模变量类型，提升模型优化效率，助力规则与模型的高效持续迭代，进而完善智能化大数据风控审批系统体系。
建立科学有效的、基于信贷全生命周期的大数据风控模型
以央行征信数据为基础，但又不局限于央行征信数据，深度挖掘客户的信贷数据、消费数据、行为数据，结合数据统计特性和专家经验，基于这些数据，马上金融已实现10w+风险变量的构造开发，同时将先进的大数据建模方法（如集成学习、增强学习、深度学习等）与消费金融的具体业务相结合，构建并完善贷前、贷中、贷后全生命周期风控模型（如反欺诈模型、信用评分、还款能力评分、客户行为评分、催后预测等模型），对客户的信用风险和欺诈风险进行精确评估。目前马上金融已经开发完成上百个数据模型，这些风险模型对数据的积累，深刻促进了对客户的全面了解，有利于有效防范客户信用风险和欺诈风险。
依托模型实验室，运筹风险于帷幄
模型实验室平台作为马上金融风险计量体系的基础设施，是保障风险计量工具规范性、提高模型开发效率的平台。建模效率得到了极大提高，主要体现在数据准备模式变更、减少建模程序代码编写、模型开发用户之间的交互、模型评估、审批、发布及监控的线上模式、知识经验分享机制设计等环节。通过建立模型实验室，可以有效控制模型风险、提高模型研发效率、实现知识积累、全面安全监控。例如，模型风险一般来源于建模方法论不正确、数据清洗错误等多个环节。模型实...