0
金融科技發展進入下半場，監管日趨規范嚴格，躬身入局者面臨更大的獲客與風險挑戰，業務重心從增量轉為存量經營。加強精細化運營與管理，也成了諸多老板們必備的“破局之道”。
這就好比一套嚴密精巧的機器，倘若每個齒輪都有1%的轉動不暢，天長日久累積下來，必然對整套系統的運行效率有不小的折損。
“精細化”三個字說來簡單，但十分考驗企業的技術底座是否扎實、技術能力是否足夠創新，水面之下的積累決定其精耕細作的執行力度和效果。
一個典型的情景是，有時業務系統出現異常指標，主管火急火燎派人查問題，大半夜把相關的數十個人全部拉進微信群，興師動眾，一連查了幾天甚至一兩周才找到原因。結果已經來不及挽回損失，老板氣得在辦公室里一一點名批評。
“很多公司都會經歷這種掉鏈子的時候，特別做金融方向的，0.01%的變化或許就關系著數量巨大的一筆錢。”某行業人士跟雷峰網交流說道。
金融科技公司雖然較其他行業，更早地接觸了信息化、數字化以及眾多AI前沿技術，從誕生起就在構建自身技術底座，為何精細化發展階段仍會面臨種種技術問題？
他們在創業早期的目標，自然是以找到賺錢方向為主，因此業務在不斷變化、試錯，捕捉機會，在底層技術上也更為強調“敏捷”。
但這也給企業留下了相當龐大的技術債。不論是行業巨頭，還是創業公司，技術債沒有公司可以避免。
所謂技術債，類似于金融債務，軟件開發就像是“貸款”，技術債務是它的“利息”，“利息”是需要未來額外的時間償還的。技術債的債務利息是非常高的，曾經業界有一個核算，技術債的利息大概年化利率是超過 50%。
在當下階段，企業一旦啟動“精細化”的開關，首要任務就是梳理和升級技術底座。
樂信CTO陸勇在2021年加入樂信時，交給他的是一個已經快速生長了8年的技術系統。而他的工作就是上面所提到的問題——要對這個龐大的技術系統進行升級。
這是一個不小的挑戰，就像是“翻修一棟老房子”，原有的某些結構和設計已經陳舊，不再適用于現代需求。技術系統也一樣，要把積累的架構不合理、靈活性不夠、數據斷點多的問題，進行徹底翻新和升級。
陸勇和他的技術團隊要做的事情有很多，但核心目標就一個：建設扎實穩定的技術體系 ，讓樂信實現真正的數據驅動。
樂信CEO肖文杰曾表示：想要擁抱未來的AI驅動，首先必須要做到數據驅動，扎實從底層開始做好數據治理，再到模型及量化分析工具的建設，系統化工具的建設，把整個經營體系都轉變成基于量化和數據驅動。
陸勇到來后，在打造數據驅動的技術體系方面下了不少功夫。尤為值得一提的，是他和技術團隊主導研發上線的「黎曼(Riemann)異動歸因系統」。
這個名詞聽起來很難懂，但從效果層面，它的應用實際是給樂信的風控增加了一個“高科技的穩定器 ”。
眾所周知，金融業的故障代價很大，短短數小時，損失就可能達百萬級，如果超過一天，甚至可能達到千萬級。這就促使陸勇先拿這一問題“開刀”，讓這些工程師們不再恐懼半夜接告警，擁有一個好睡眠，同時也減少公司損失。
據陸勇透露，海外早已有許多互聯網公司在研究，但異動歸因系統本身是一項壁壘極高的技術 。
首先，需要對業務的數據、運營策略的配置有全面的數據感知。如果說異動歸因系統相當于人的分析過程，那分析的原材料——來自眼耳鼻舌身的數據輸入就是前提，需要結合業務全流程來監控。
有全面的數據感知作為基礎，發現異動才成為可能。以消費金融產品的掉單率作為例子，一旦發現掉單數據超出閾值，無論是瞬時的劇變，還是長時間的陰漲陰跌，異動歸因系統就會在幾十毫秒之內發現問題，自動告警。如果沒有系統加持，僅憑人工查看數據報表，也許半天才能發現，也許根本發現不了。
定位問題之后，異動歸因系統會迅速進行兩類歸因：計算歸因，根據數據的計算血緣關系通過偏微分網絡，追尋到引起變化的某個數值異動 ；或者事件歸因，追尋到引起變化的某個策略配置。無論是哪種情況，定位清楚問題，解決也就成功了一半。
目前，陸勇還正帶領團隊實現后一半，從定位問題到解決問題的閉環：在異動歸因系統之后加上自動修復系統。只要是由運營、經營策略配置引起的異動，歸因系統定位后，修復系統可以自動調整策略，消除異動，讓系統正常運行。這相當于給業務配置了24小時在線的護衛，有任何風吹草動都可以迅速發現，迅速調整。陸勇把技術分為兩類：一類是基建類技術，可以參考標準的解決方案, 采購第三方解決方案，還有一類技術并不是可以買來的，它是必須在一個個業務場景反復打磨，讓技術滲透到毛細血管，長到業務里面才能夠見到生產力。
異動歸因系統就屬于后者，研發過程是需要花長時間、重精力。據陸勇透露，樂信在這上面投入已有兩年時間。而如今，歸因系統初步過了技術臨界點。
“現在樂信80%技術告警異動系統能自動分析處理，余下20%的問題才需要人工輔助。”陸勇說道。
不論是異動歸因系統，還是AB測試、QE測試，這都是長在數據之上的系統。數據完備性、及時性、準確性是影響系統能否發揮最大效能的前提。
沒有數據的支撐，就像是你買了一部頂級豪車，但卻發現油箱中沒油一樣，發動不了。
陸勇也深諳此道。他在加入樂信之前，在海外工作已有十余年，2003年，陸勇加入微軟，并在其西雅圖總部擔任軟件工程師達十年之久，其后他加入臉書（Facebook）擔任高級軟件工程師。2014年，陸勇回國加入新浪微博任廣告部總經理，此后相繼在51Talk、新浪移動和平安人壽擔任首席技術官 。
陸勇加入樂信后，技術團隊先是花了大力氣做了樂信內部的數字化治理工作，研究清楚數據是怎么產生的，數據之間的計算關系、不同數據在業務上的意義；也要研究數據如何加工得出結果，以及加工中途一旦出現問題，怎么排查成因、確定造成的影響。
“數據的收集、清洗、加工，聽起來這是一項非常不sexy、也很耗時的工作。”陸勇說，但這也是最重要的工作之一，公司一旦把存量關系梳理完后，增量關系可以“自動、快速、及時地，以非常小的代價”更新到業務模型里面來。
這就是典型的飛輪效應，一開始，你必須使很大的力氣，一圈一圈反復地推，每轉一圈都很費力，但是每一圈的努力都不會白費，飛輪會轉動得越來越快。
不過，數據治理確實是一項龐大的工作。“我們源數據的數據量是25PB以上，我們一共有100萬以上的字段。”
這個數據量還是讓陸勇頗感吃驚，根據他的經驗判斷，這已經比較接近一個中型 To C社交平臺公司的量級了。
除了數據量大之外，實際上在數據收集工作上，陸勇也表示遇到了不少難點。
因為和大多數公司一樣，樂信早期數據也是跟著業務跑，等到真正要梳理時，數據基本點狀式散落在各個業務部門。但這還只是第一步。弄清楚各個數據之間的血緣關系，這才是團隊最核心的目的。
如果把底層數據比作一座城市，那么數據血緣就相當于城市的人口普查，厘清了整個城市的人口關系。
經過兩年多的努力，樂信已經有大概40萬以上的計算關系。機器可以從這40萬數據計算關系里面，自動提煉金融復雜業務模型，比如說信貸業務、消費金融業務的核心模型。
據了解，現在樂信有大概近3萬個計算任務，主要來源于10萬張以上的數據表，服務1600多個運營指標和600多個主要的經營指標。
而今年，樂信技術團隊又嘗試構建了圖靈(Turing)決策仿真系統。以往，外部發生變化，平臺可能需要上新策略，但一旦策略不當，那整個成本是比較昂貴的。
因為有了真實世界的豐富數據血緣關系，那可以在此基礎上構建一個數據仿真測試，提前模擬宏觀環境、行業環境、消費者環境可能發生的變化，將這些變量“扔進”仿真系統，讓業務先做一場“模擬考”，方便業務人員了解外部變化可能對業務產生的影響。例如一個撮合匹配的優化策略, 原來實際上線測試幾個月可能會耗費高額的成本, 現在通過圖靈仿真系統, 90秒內就可以得到置信度非常高的結果。
回頭看陸勇來到樂信的這兩年多時間，也是樂信朝精細化、數字化、智能化再深一步的兩年：
2021年，先重點做樂信的數據治理工作，而后又啟動了異動歸因系統、AB測試、QE測試的研發工作；
再到2022年，在底層數據治理有一定成效后，就開始涉足業務端，將貸前、貸中、貸后的策略模型做集群，通過集群，以此達到全局最優、最大化的效率；
再到今年，又開始著手LexinGPT、決策仿真系統的研發，朝著智能2.0邁入。
這些技術不斷向前邁進的背后，其實反映的是樂信一直踐行的理念：用科技的力量，讓金融更為普惠。
而這一理念，樂信已堅持了十年。
2013年，當時市場上有上億的個人消費金融需求得不到滿足，于是樂信CEO肖文杰下海創業，帶領團隊推出了分期樂。
彼時，中國的信用體系起步比較晚。線上借貸這模式在當時無疑是很冒險的。但肖文杰和團隊卻認為，借助技術手段，去評估一個人的信用，這是可行的。鷹眼、蟲洞技術系統也都在這個時間節點誕生。
鷹眼主要是為解決傳統金融機構對信用缺失人群的風控難題。當用戶在分期樂商城購買一件商品時，其互聯網電商行為數據、人臉識別機器指紋驗證以及外部征信數據合作方提供的數據等等都主動會進入到鷹眼引擎中。有了這些大數據，運用機器學習手段，鷹眼引擎就能對該用戶的還款能力、還款意愿、負債信息、穩定性、負面信息作出評估，并自動完成即時預警、攔截以及分析部署等功能。
而蟲洞技術則是海量資產的匹配問題。蟲洞會根據資產狀況進行分級、定價，按照不同資金方的資產要求，通過規則和算法進行智能篩選、在線自動撮合，讓分期樂商城生成的訂單能夠秒級匹配到合適的資金方，成功率在93%以上，單筆訂單的IT成本降到了不到傳統金融機構的十分之一。
前端資金配置和后端風控雖然都有技術支持，但樂信技術創新也并未止步于此。2016年，人工智能AlphaGo戰勝世界圍棋冠軍李世石后，全球引爆了新一輪的AI熱潮。
樂信也開始邁開了腿，探索AI在消費金融領域的應用。整個2017-2021年，AI成為了樂信技術體系中的重要關鍵詞。
在這期間，樂信上線了人工智能實驗室（AI Lab），同時也成立了樂信區塊鏈實驗室（Blockchain Lab），探索區塊鏈在小微消費金融領域的落地應用。
2019年，樂信發布了一系列用于消費金融的AI工具“全家桶”，包括：LBS風險評估、收貨地址聚類分析、用戶行為序列分析、輿情分析等等。
再到今年，大模型引爆全球，引發行業大地震，樂信很快加入戰局，開始思考如何將樂信技術朝著智能化2.0邁入。所謂智能化2.0，最核心的應用就是大模型，用大模型去滲透改造每一個經營環節。目前樂信的LexinGPT已經在內部工作中發揮了重要作用。
陸勇對雷峰網(公眾號：雷峰網)表示，LexinGPT的應用，樂信在客服、電銷、私域運營和催收機器人方面顯著提升了傳統人工坐席的效率，同時以LexinGPT大模型為核心開始重構幾乎每一個運營、研發、測試、數據分析、設計，以及后臺職能環節的工作流、知識流和通訊流。
樂信的10年技術創新之旅展現了一個企業的持續進化。從起步發展期的大數據風控和資產匹配，到深入發展期的AI和區塊鏈技術全鏈條應用，再到整體技術的精細化發展，樂信在技術創新方面不斷前進。
在這個過程中，樂信取得了一系列顯著成就，促成了貸款總額達近10000億元，服務了1.99億用戶。這些數字反映了技術創新所帶來的實際影響，但也讓我們看到了樂信10年來的不懈努力。
這十年，其實也正是金融科技從激烈廝殺，到大浪淘沙，再到穩步前行的十年。
曾有人這樣總結世間的一切競爭：越適合生命生長的地方，競爭就越激烈；不適合生命生長的地方，對于自身生命力的要求就會特別高。沒有絕對的優勢，也沒有絕對的劣勢，無論何時何地，生存最大的挑戰還是自己。
而在這漫長旅程里，行業滄海桑田，樂信也逐漸磨練自身，從稚嫩走向成熟，長成了新模樣。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
