前不久，智能信贷服务商读秒CEO周静在一次会议上曾提到，读秒的智能审核速度非常快，用户在线上输入信息后，10秒内就能得到授信结果。
大家都比较好奇，读秒是如何做到的？见闻君今天就来为大家揭开这个谜。
先简单介绍一下读秒，读秒是6月成立的一家公司，其发展速度非常快，成立之初每日处理贷款申请仅几十笔，到目前每日处理贷款申请达3万多笔，截止8月，读秒已经覆盖全国269个城市，申请用户超过340万人次，目前每月申请用户约70万人次。
据了解，读秒有三种业务模式，包括个人版读秒、企业版读秒、POWERED BY DUMIAO（读秒驱动）。目前已与安盛、康德乐、乐视、去哪儿、携程、58同城等十多家企业达成合作。
如果你观察过信贷行业，你会发现，无论是线上的还是线下的公司，都会提到一个词“放款快”，但真正能做到放款快的少之又少。
据市场公开资料统计，互联网信贷平台大多宣传“5分钟”或“当天”审批。而传统银行信贷审批程序更复杂，需要经过触客申请、预审、材料递交、录入、运营、终审等，整个流程动辄2周。（如下图）
读秒 vs 传统信贷流程
为何读秒能在10秒内搞定？读秒在接收用户提交数据后，10秒内发生了什么？
其实整个流程很简明清晰。以用户A为例，A通过前端页面提交身份信息、信用卡、手机号等简单数据，便开始进入了10秒的过程。
首先， A从前端提供的信息将进入读秒数据湖中。
读秒数据湖有来自40多个数据源的数据，加上A提供的数据，将组成一个与A相关的数据集合。这个阶段，“数据集合A”将通过一些简单“规则”对数据进行初步清洗和筛选。
为了提升清洗效率，这些“规则”不是复杂模型，通常会设置的非常简单，比如年龄必须大于20岁，芝麻分高于600分等要求，在这些规则下，读秒迅速剔除了无还款能力的学生以及信用过低的人群。只有通过基本规则的申请人，才会进入下一步数据处理模型。
“大数据风控的壁垒不在于数据的数量，”周静说，读秒的40多个数据源中很多都是大家都在使用的数据，比如芝麻信用、运营商数据等，对数据的精细管理和挖掘才是大数据风控的难点和壁垒。
数据处理模型是第三个环节，也是大数据风控技术中所谓的黑箱环节。
其中包含多种模型，比如反欺诈模型、盈利模型、用户行为模型等。读秒提取100个主要变量，进行交叉验证，形成500多个主要维度去建模分析，读秒通过数据挖掘、特征提取、机器学习等技术对这些数据进行数据筛选、提取、处理，形成相应的评分。
举例来说，用户填写的“收入水平”为变量A，“工作地点”为变量B，申请时IP地址的“所处区域”为变量C。
从A+B的维度来看，倘若用户填写的A月收入有数万元，B却显示在某个偏远山区的修车厂工作，我们或许应该怀疑用户隐瞒收入。
若从B+C的维度来看，倘若B变量显示用户工作地点在北京，C却显示申请时IP地址在云南，或者频繁更换IP地址去申请，我们或许应该考虑金融欺诈的风险。
若结合A+B+C的维度来看，若B变量显示客户在北京国贸工作，A变量显示月入10000元，IP地址、申请地点都在北京，通过三个变量数据的交叉验证，可以初步推断申请人是常住北京的中等收入白领。
数据的使用决定了风控水平的高低，大数据风控的意义也在此体现。倘若再在以上，增加更多变量，用更多维度去看数据的重叠和交叉，更加能验证出数据的可靠性。
最后，基于用户信用行为，各项模型会综合做出评分，根据评分高低，每个客户得到不同的授信结果（可贷金额、期限、利率）。
“速度、体验、风控需要得到平衡。”周静说，在很多情况下，一味强调强风控会导致需求数据过多，授信速度不够快，用户需要提交更多资料，用户体验也难以提高，“这些相互掣肘的因素必须不断磨合优化，达到最佳的收益与风险比。”
喜欢我就关注我吧~（微信搜iconfin）
