当一位男性借款人提交了借款信息，若发现在这个人通讯记录中，发现近三个月他的前十位频繁联系人中，有四位是女性；他近半年在淘宝上多次购买情趣用品；他提交的常驻地是北京，可是信用卡的花费多在深圳和上海。十秒钟内，机器人会自动为这个用户打一个“高欺诈风险”的标签。

2014年创立爱钱进前，我在私募股权投资行业工作了多年，投资过包括银行、小贷公司、担保公司在内的很多传统金融机构，正是这些工作经历，让我看到了传统金融机构可以很好地覆盖到个人层面的金融服务，有了进行互联网金融创业的初衷，也明白了风控是悬在金融行业头顶的达摩克利斯之剑。

此前2-3年的时间里，P2P行业经历了所谓“野蛮生长”，但自2014年下半年开始，坏账集中爆发，能否健康地生存下去，大家更关心。

爱钱进创立之初，并没有沿袭互联网的屌丝创业路线，我们的团队带了丰厚的资金入场，在公司的数据库系统上进行了大手笔的投入。虽然爱钱进的风控模式系线上与线下相结合，但我们深知风控的核心在于积累数据，要把客户数据都抓取过来，把客户特征按照数据库的规则来进库，然后对这些数据进行分析和建模，让机器逐渐学会判断这些借款人的风险。爱钱进也是国内在机器人风控上走的最远的平台。

得益于风控识别这一核心定价能力，爱钱进在上线3个月内就实现了盈利。截至目前，爱钱进未让投资人承受过任何损失。2014年逾期90天坏账率为0.5%，虽然行业尚未有统一的逾期计算方法，但爱钱进的逾期率远远低于一个金融机构最低承受能力。

常有朋友挑战我说，大家做风控，都要依靠数据平台完成，为什么爱钱进的风控，可以被上升为机器人风控。我常举一个识别“渣男”的例子说明。对于一个借款人是否存在欺诈，P2P平台通常是通过将借款人信息与黑名单信息（自己积累及从第三方取得）对照来完成的，程序上是一条直线。而在爱钱进的反欺诈模型是动态的，比如说当一位男性借款人提交了借款信息，机器人会在经过用户的授权后，调集他的近三千项社会变量属性，以分子级还原借款人社会形象，比如说三类主要信息——个人通讯记录，个人淘宝记录，以及信用卡关联的邮箱的帐户，若这个人通讯记录中，发现近三个月他的前十位频繁联系人中，有四位是女性；他近半年在淘宝上多次购买情趣用品；他提交的常驻地是北京，可是信用卡的花费多在深圳和上海。机器人会自动为这个用户打一个“高欺诈风险”的标签，因为我们此前的数据积累验证，有类似匹配性的人，私生活会很乱，也会因此认为他的欺诈风险比较高。而他居住地与信用卡消费地的偏离，也会让他的欺诈风险陡然上升，因为他提供的数据可能是经过包装的。机器人是通过多数据连接，在十秒钟内得出一个高欺诈风险的结论。

当一位男性借款人提交了借款信息，若发现在这个人通讯记录中，发现近三个月他的前十位频繁联系人中，有四位是女性；他近半年在淘宝上多次购买情趣用品；他提交的常驻地是北京，可是信用卡的花费多在深圳和上海。十秒钟内，机器人会自动为这个用户打一个“高欺诈风险”的标签。

2014年创立爱钱进前，我在私募股权投资行业工作了多年，投资过包括银行、小贷公司、担保公司在内的很多传统金融机构，正是这些工作经历，让我看到了传统金融机构可以很好地覆盖到个人层面的金融服务，有了进行互联网金融创业的初衷，也明白了风控是悬在金融行业头顶的达摩克利斯之剑。

此前2-3年的时间里，P2P行业经历了所谓“野蛮生长”，但自2014年下半年开始，坏账集中爆发，能否健康地生存下去，大家更关心。

爱钱进创立之初，并没有沿袭互联网的屌丝创业路线，我们的团队带了丰厚的资金入场，在公司的数据库系统上进行了大手笔的投入。虽然爱钱进的风控模式系线上与线下相结合，但我们深知风控的核心在于积累数据，要把客户数据都抓取过来，把客户特征按照数据库的规则来进库，然后对这些数据进行分析和建模，让机器逐渐学会判断这些借款人的风险。爱钱进也是国内在机器人风控上走的最远的平台。

得益于风控识别这一核心定价能力，爱钱进在上线3个月内就实现了盈利。截至目前，爱钱进未让投资人承受过任何损失。2014年逾期90天坏账率为0.5%，虽然行业尚未有统一的逾期计算方法，但爱钱进的逾期率远远低于一个金融机构最低承受能力。

常有朋友挑战我说，大家做风控，都要依靠数据平台完成，为什么爱钱进的风控，可以被上升为机器人风控。我常举一个识别“渣男”的例子说明。对于一个借款人是否存在欺诈，P2P平台通常是通过将借款人信息与黑名单信息（自己积累及从第三方取得）对照来完成的，程序上是一条直线。而在爱钱进的反欺诈模型是动态的，比如说当一位男性借款人提交了借款信息，机器人会在经过用户的授权后，调集他的近三千项社会变量属性，以分子级还原借款人社会形象，比如说三类主要信息——个人通讯记录，个人淘宝记录，以及信用卡关联的邮箱的帐户，若这个人通讯记录中，发现近三个月他的前十位频繁联系人中，有四位是女性；他近半年在淘宝上多次购买情趣用品；他提交的常驻地是北京，可是信用卡的花费多在深圳和上海。机器人会自动为这个用户打一个“高欺诈风险”的标签，因为我们此前的数据积累验证，有类似匹配性的人，私生活会很乱，也会因此认为他的欺诈风险比较高。而他居住地与信用卡消费地的偏离，也会让他的欺诈风险陡然上升，因为他提供的数据可能是经过包装的。机器人是通过多数据连接，在十秒钟内得出一个高欺诈风险的结论。