在消费金融蓬勃发展的今天，科技驱动从营销、获客、审批、借贷、回访、催收的全流程。
面对巨大的需求和日益严格的监管，如何在谋求发展的同时构建良性、可持续的风险防控业务业态，是消费金融机构持续发展、提升核心竞争力的基础。
作为消费金融的命脉，风险控制也是互联网金融行业平稳安全发展的关键。
行业内各消费金融机构积极致力于风控能力建设，钻研风控技术，开发自研风控系统，提升自主风控能力，帮助企业走上“快车道”。
目前，各消费金融机构都在注重风控领域的技术创新和应用，涌现出不少消费金融独角兽，比如蚂蚁金服、微众银行、玛莎消费金融等。
今天笔者就来说说玛莎消费金融（以下简称“Finance Now”）这家低调的独角兽进行深度探索和揭秘。
作为消费金融领域的科技创新企业，妈妈金融始终坚持“数据+”的管理模式“风控+金融”在大数据智能风控领域，在理解场景上高度重视技术投入和自主风控能力建设，以用户和业务为基础，运用大数据、人工智能等技术；智能构建涵盖贷前准入、反欺诈、贷中信用评级、限额管理、交易跟踪、贷后风险分类、风险预警、催收管理等领域的风控模型。
等待整个过程。
据了解，妈妈金融自主研发的风控系统家族Luma，结合灵活的工作流引擎和决策规则引擎，整合多维度海量客户数据，利用大数据挖掘技术分析客户应用数据，行为数据、社交数据等挖掘分析，描述客户风险画像并量化风险，真正做到“见细微处、预知风险”。
鲁玛金控风控系统家族如何支撑“大数据+智能”风控？马金融数据驱动的智能风控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；二是基于数据源构建变量，建立信用全生命周期的风险控制规则和模型；三是打造支撑智能高效决策的自主风控体系。
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，共同帮助妈魔金融建立灵活、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。
、构建企业级风险管理体系，同时降低风险、提升运营水平。
（1）“海量+综合”分析数据基于互联网大数据多维度数据源整合，为智能风控决策奠定数据基础。
数据对于批准至关重要。
我国个人信用数据存在三大痛点：一是各项信用相关数据分布在各个主要机构，各个数据来源不同，数据的可靠性和稳定性差异较大；其次，这些数据采集和标准化不统一，数据质量参差不齐；三是机制缺失，导致各征信机构在数据源头围堵，形成“数据孤岛”，影响行业整体水平的提升。
马财经拥有数十亿数据源。
除直接对接央行征信外，还对接公安、公积金社保、芝麻信用、自建数据源等数十个外部数据源。
利用先进的大数据处理技术，对不同数据源进行关联处理和有效整合，从多个维度完善用户身份信息、信用信息、消费信息、社交信息、行为信息等数据源，提高数据利用率。
，有效解决客户无信用记录或信用数据不足的问题。
这些数据服务在审批过程中并行调用，实现毫秒级的实时数据采集和大量非结构化数据、舆情数据的快速处理。
不仅丰富了外部数据，也为构建大数据风控模型、实现审批决策自动化提供了有力工具。
数据库。
在外部数据源系统建设方面，妈妈财经自主开发了统一的数据接入系统，满足数据源接入需求。
通过多厂商数据源集中管理，标准化外部数据源接口，精细化业务监控，加速外部数据访问。
源头的访问速度为智能风控决策奠定了数据基础。
（2）“灵活迭代+科学有效”的风控策略和数据模型。
风控策略可以灵活调整、不断迭代，以应对市场变化和客户群体变化，提高客户响应速度，灵活调整审批决策规则和模型。
显得尤为重要。
需要不断迭代规则和模型，降低逾期率，提高审批率，解决金融风控面临的核心问题。
妈妈金融逐步形成了规则和模型相辅相成的审批策略，制定了数百个决策流程和数万个决策策略，高效响应业务风控需求。
此外，变量池中的现有变量可以根据模型替换的需要进行重新组合，丰富进入模型的变量类型，提高模型优化效率，有利于规则和模型的高效持续迭代，从而提高模型的智能化程度。
大数据风控审批系统。
建立科学有效的基于信用全生命周期的大数据风控模型。
它以央行的信贷数据为基础，但不限于央行的信贷数据。
深度挖掘客户信用数据、消费数据、行为数据，并结合数据统计。
特点和专家经验。
基于这些数据，妈妈金融实现了10万+风险变量的结构化开发。
同时，将先进的大数据建模方法（如集成学习、强化学习、深度学习等）与消费金融具体业务相结合。
建立健全贷前、贷中、贷后全生命周期的风控模型（如反欺??诈模型、信用评分、还款能力评分、客户行为评分、贷后预测等），评估客户信用风险和欺诈风险 做出准确评估。
目前，妈妈财经已开发了数百个数据模型。
这些风险模型的数据积累，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。
宇维维操作风险管理模型实验室平台依托模型实验室，作为金融风险计量体系的基础设施。
它是一个保证风险测量工具标准化、提高模型开发效率的平台。
建模效率大幅提升，主要体现在数据准备模式的改变、建模程序代码编写的减少、模型开发用户之间的交互、模型评估、审批、发布和监控的在线模式以及知识和经验共享机制的设计等方面等待链接。
通过建立模型实验室，可以有效控制模型风险、提高模型开发效率、实现知识积累和全面安全监测。
例如，模型风险一般源于不正确的建模方法、数据清理错误等环节。
模型实验室设计了一系列模型风险控制策略来控制模型风险。
模型实验室平台体系建立后，模型管理更加统一和规范：从模型开发模式来看，原来各团队的开发模式变成了集中开发，统一开发流程和结果输出；模型管理模式由各团队分散存储管理转变为统一模型文档存储和管理；数据准备模式从基于项目的数据存储转变为基于公司数据仓库的统一数据提取、转换、定期存储；知识积累模式从分散、不规则的积累转变为标准化、标准化的知识积累流程和知识权限控制；安全监管模式从缺乏安全管理转变为集中管理模式，实现数据和文件的安全控制。
（三）“智能+高效+灵活+自主”风控决策系统平台。
贷前审批系统独立可控、灵活快捷。
Luma审批系统是妈妈金融自主研发的基于灵活的工作流引擎和决策规则引擎的信贷审批系统。
工作流引擎将各种变量、数据源、模型转化为服务和节点，支持灵活快速构建多种不同的审批工作流程，调整审批决策节点的顺序，针对不同的消费场景和财务提供不同的审批工作产品应用。
流，针对不同的客户应用提供不同的风控策略，实现优质客户秒级审批，低质客户快速拒绝，实现千人不同的信用评级和风险定价。
同时支持审批业务流程便捷调整，审批策略持续迭代，内外部数据源快速增加，策略调整变更简单当天即可部署，提升风控审批效率同时提高用户体验。
在自动化风控决策方面，妈妈金融开发了自己的决策规则引擎，建立了变量池和规则池，支持灵活配置、A/B测试、离线效果评估和精细化监控。
系统架构方面，Luma审批系统采用分布式架构设计，支持海量客户申请订单高并发处理，最高日审批百万单，峰值处理订单/秒。
结合高性能决策规则引擎，实现审批结果秒级输出。
基于大数据的实时反欺诈和信用风险审核决策审批。
在贷款诈骗中，团伙或团伙诈骗通常会带来巨大的逾期损失，是重点防范对象。
Immediate Finance基于图技术的复杂网络可以实时识别团伙欺诈。
，将用户的身份证号、电话号码、关键行为数据等放入复杂的网络中形成用户的个人档案，并与其他用户的档案相关信息关联起来，实现毫秒级的追踪，大大提高了真实性时间反欺诈效果。
。
即时金融基于现有用户数据、外部接入数据、自建数据，以信用审批为核心，利用传统机器学习方法训练模型，自动识别用户欺诈行为并提供合理的信用额度。
目前已建立了10W+的变量特征库，以上数百个模型用于不同的数据源、产品和审批阶段。
联合应用效果显着，取得了较高的通过率和较低的逾期率。
人工智能与创新技术的自研与应用 麻麻金融作为一家金融科技公司，致力于综合利用设备指纹、IP数据技术、综合地理位置、电话号码数据等创新技术的研究与应用等，并形成了自己的黑名单。
自主开发的地理位置数据库用于反欺诈。
另外，人脸以及无论是客户本人都取得了非常好的效果，有效降低了欺诈的概率。
实现信用全生命周期管理。
即时金融围绕Luma审批系统，自主研发了Luma反欺诈深查系统、Luma存量客户管理系统、交易反欺诈系统等多个Luma家族系统。
结合贷前申请审批历史数据、贷款流程循环监控和贷后管理环节，与贷前审批和贷中监控相辅相成，形成全生命周期客户风险管理。
贷前审批流程可将可疑客户实时推送至Luma反欺诈深度调查系统，建立深度调查任务和案件，并利用机器学习聚类模型挖掘黑色中介团伙案件，触发预警循环进行，对客户进行实时贷款审核和验证。
监控发现风险，及时止损。
贷前审批系统和深度调查系统利用图技术，基于客户社会关系画像构建关联图谱。
该图谱结合了不同客户的贷后表现和社会关系的紧密程度，直观清晰地展示了新申请关联客户的风险情况。
预警提醒，不断丰富客户风险概况，准确评估客户风险。
现有客户管理系统结合贷款合同的贷后履约数据，进行分级额度管理，针对不同客户进行冻结和解冻干预账户管理，并支持全自动化、批量执行，快速高效地实施不同的贷中贷以及针对不同客户的贷后管理。
Luma家族系统连接和共享风险业务数据，通过深度调查系统将客户调查数据反馈到贷前审批和贷后管理，形成风险管理能力持续提升的良性循环。
结论：在消费金融强监管、去杠杆、回归本源的环境下，市场已经从逐底竞争进入规模与质量并重的时代，风控是整个业务的驱动力。
消费金融竞争的背后，归根结底是风控能力的打造。
与传统消费金融风控模式相比，互联网消费金融风控能力的打造应以大数据风控为基础，融合“数据+风控模型+算法”的思路，真正有效量化风险，突破难点。
加强反欺诈风险管控，在满足合规要求的同时，积极打造科技驱动的普惠金融、数据驱动的智能风控，有效防范信用风险。