很多人认为，风控工程师们只需要精通数学和技术，就能搭建起完美的风控系统。而由于计算机精于计算，编程语言更是计算机原生的沟通语言，因此他们认为风控一职会很快被AI取代。
但在我看来，风控是一门技术，更是一门艺术。未来很长时间内，风控这一职业只能由人类主导。下面我分几个方面讲。
一、前瞻性是风控的试金石
在计算机出现之后的一段时间，我们习惯于利用计算机来处理数据，生成模型、策略，这对风控的前瞻性原则产生了冲击。
但风控本质是保障业务在合规的情况下能可持续发展。这要求风控必须向前看，也要求风控在很长的时间内保持稳定。而现阶段的AI强在海量数据的分析整合归纳。需要明确的是，一切数据都是采集于已发生的历史事件，这导致机器学习很难以预见未来。
要打造具有前瞻性的风控系统，很大程度上依靠工程师的经验与脑洞，但也有一些套路：
1，明确业务目标，风控最终目的是为了业务正常开展，因此在构建风控策略和模型之前，首先要明确的是我们要达到什么目标，解决一个什么业务问题。目标决定了如何验证风控系统的有效性，也决定了我们要在什么人，哪些时间段去选择数据。
2，尽量使用有以下三大要素的数据：
1）代表性：大多数的风控模型都是用在获客环节，那我们在建模事所用的数据需要针对接下来几个月，从特定渠道的获客人群的特征。例如从客户端和从支付宝获取的用户，特征是完全不同的；
2）稳定性：特征数据所指向的特征一旦发生改变，风控也就随之失效。为了让系统能在长时间内保持有效，必须保证数据指向的稳定性。
3）可使用性：这一点常被忽略。举个例子，在Capital One的时候，我们在一次数据分析后，发现一些和电话号码相关的信息在风控当中非常的有用。但在事后发现，依据这一数据搭建的策略在真实环境中完全不能用。原因在于，我们在获客阶段不会获取用户的手机号，这导致策略输出的结果全都是missing。
3，在搭建风控系统时，很多数据可能是缺失的。这个时候，我们要有测试的概念。具体的过程是谨慎设计测试方案，在保证风险可控的情况下做小流量的测试，快速迭代模型直至系统稳定。
二、全局观必不可少
许多机构可能认为风控只在获客环节产生影响，但实际上，风控牵一发而动全身。你一旦将坏的用户引入到产品，可能会影响资金安全，影响催收，反过来口碑的下降又会影响获客。
为了实现全局观，我们可以从以下三个要素进行考虑：
1.客户群。
在新的业务或新的产品上线之前，应该先考虑用户群的特征，我们的产品是针对B端还是C端，受众的画像、偏好、属性都是什么？
2.业务模式/场景。
我们的业务是无抵押现金贷、信用卡还是分期分期，这些业务的风险点都不一样。
3.外部环境因素/宏观因素。
我国的现金贷刚刚起步，往往会忽视这一重要的因素。而对于难以理解人类社会运行规律的人工智能来说，这一要素更是难以运用在风控技术中。
目前看来，外部宏观因素包括社会就业情况、利率、多头借贷率、监管程度。这些都会在很大程度上影响金融产品的风控数据。
为了应对极端的外部环境情况，我们将压力测试作为常规化手段。我们会考察在比较良好的环境下我们的风险状况，然后在利率翻倍或者多头借贷率之前加一个系数，再来看风险是否可承受。
三、破除常规的洞察力是风控工程师的基本素质
好的风控人要勇于接受挑战及自我挑战，这样才能快速纠错，洞察先机。这一能力需要对消费者行为的深刻洞察，对其心理的全面解读，目前的人工智能尚不具备这一能力。
中国的风控往往集中在逾期坏账控制这一个点。但更多的时候我们需要采取换角度思考的方式，发掘更多的消费者价值。举例来说，某些用户可能出现破产，我们通常认为这样的用户是非优质的，但这些破产用户中的一部分，之前都是比较成功的企业家，个人素质很高。在破产导致信用体系崩塌后，他们急需重新建立自己的信用体系，他们的风险反而会更高。
现在的金融往往喜欢一刀切，而缺少了这种洞察后的人性关怀。这种人性关怀会让客户的体验更好，通过率和申请会增加，又不会降低风控的能力。
当然，风控还有许多其他的层面会体现其艺术性，如既要求简洁又要求有效，充满各种隐藏的规律可以提高效率，这些都是人工智能在近期难以实现的。
作者：粘旻环，趣店集团首席风控官
来源：中国经营报
