2010年，蔣韜在硅谷出差刷的第一筆信用卡讓他記憶猶新。不是因為在硅谷，也不是因為這筆交易的額度特別大，而是他竟然收到國內銀行的來電，確認這筆操作是否由他本人完成，隨后這筆消費才被通過。要攔截這筆交易，背后一定有個強大的風控團隊，當時蔣韜還在剛起步的阿里巴巴風控部工作，除了能幫助企業減小損失，他從普通用戶的角度也發現了風控
的重要性。

　　當時為銀行服務的多是一些國外的風控機構，它們的數據來源更為廣泛，而國內的數據往往集中在金融、電商等少數領域。經常和數據打交道的蔣韜發現，如果只擁有單一領域的數據，判斷的維度有所局限，并且大多是在欺詐事件發生后才能列出黑名單。如果能搜集到全行業的數據，就有可能預判出嫌疑人。但國內的機構間數據通常不愿意共享數據，哪怕是互聯網巨頭，要收集到自身領域之外的數據也并不容易。因為其他行業的巨頭也會擔心，現在看似毫無關聯的公司，在未來很難說不會成為對手。

　　蔣韜想讓數據流動起來。假如有一家機構不做電商、信貸、P2P等，并能在所有機構間承擔風險共享風險傳遞的作用，那么價值會非常大?！斑@樣就可以打破割裂行程的數據孤島，如果各行業的數據能打通，不誠信，欺詐的行為就沒有這么容易了。而要打通這些數據，實現風險的共享，只能夠靠第三方的中立機構去完成?！笔Y韜告訴《第一財經周刊》，如果能打通全行業的數據建模，就能建立多個指標和維度，不僅可以發現諸如卡被盜刷的風險，還可以預先發現風險，提前攔截。

　　想明白了要做全行業的數據生意，2013年，他從阿里巴巴離職后創辦了同盾科技。

　　這個想法讓有著多年電商從業經驗，明了欺詐給企業帶來的困擾的吳海燕動了心。吳海燕明白，電商、互聯網金融和O2O領域，是需要反欺詐服務的重點行業。她后來成為了華創資本的管理合伙人。2013年初，互聯網金融才剛興起，國內還沒有第三方風控出現，她判斷這個事能做，于是和IDG一起，給了同盾科技千萬級的天使投資。

　　2013年成立之后，這家總部位于杭州的公司后來在不到3年間，就接入了超過5000家客戶，完成了4輪融資。目前，它主要服務金融領域，同時也涵蓋航旅、電商、游戲等多個行業客戶。

　　普通用戶可能每天都在使用它的服務，也感知不到這家做風險識別和預判機構的存在。只有接入它們后臺大數據的B端企業，才可能從每天變化的數據中去發現攔截建議的效果，繼而更好的服務用戶。根據不同場景，攔截建議不僅是在事后列出黑名單，更會在欺詐分子行騙之前，就把他們找出來。比如揪出羊毛黨，鎖定盜你卡的目標對象、挖出總是給你發送垃圾內容的供應商、鑒別電商中的虛假交易等。

　　同盾科技總部背景電視上跳動的數字，或許能更清晰地解釋這家公司目前在做什么。這塊找不到任何開關或按鈕，只能由專人登錄安全系統來打開的電視上，顯示的是一張中國地圖，若存在安全風險，在地圖上就會跳出紅色的小圓點。你能很容易地根據小紅點的數量，以及各類指標的跳動，監控當下的欺詐事件，并給出預警。不過蔣韜對這個每5分鐘刷新一次的系統并不滿意，他希望下一代的更迭能精確到實時。

　　有數據就能鑒別是誰在使壞，這聽上去很復雜的事情這就是同盾科技目前在做的大數據風控——利用跨行業多維度的數據，為企業建立風控模型，然后為它們解決信貸風險和欺詐風險。用更直白的話來說，就是用數據來分析預判你是好人還是壞人，然后告訴企業你安不安全。

　　目前推出的“智信分”系統可以識別你有多“好”，比如在申請一筆銀行貸款時，背后就有這套模型給出的建議，根據用戶行為判定信用等級，給你放貸或是拒絕?！胺雌墼p并不是將行騙者繩之以法，而是在欺詐行為發生之前就將其制止。”
蔣韜說，目前，同盾科技鑒別刷單行為的準確率已經高達90%以上。當然，這些建議僅僅是給最終放貸的機構做參考，最終的決策權在使用同盾科技服務的機構手上。

　　要做到這些，關鍵在于數據和建模，而建模的基礎是海量數據的收集。可是真正要做到基于公有云的數據收集，在同盾內部的管理團隊，糾結了一年多。

　　因為同盾創始團隊來自阿里、Paypal等大公司，不少客戶看中他們的技術能力，希望同盾能為它們做技術外包，也叫作私有云服務。比如開發一套軟件連接到客戶的數據庫中，做后臺分析。這些客戶帶著能幫助早期創業公司活下去的資金找上門，但是條件是數據不能共享，因為它們多在金融領域，對數據“共享”極為敏感。同盾科技的目標卻是打通數據做公有云平臺，因此需要海量數據建立模型來監測欺詐分子的行為，然后鑒別并抓住他們，這才是實現大數據風控的基礎。

　　蔣韜和他的管理團隊知道資金對于一個創業公司有多重要。以一個二三十人的團隊為例，最初融資到的千萬級種子輪，在半年的時間就可以燒完。有了資金，意味著可以招更多更優秀的工程師優化模型，可以有現金流，甚至估值能更高?？伤接性频姆较蚝屯芸萍枷胱龉性频姆较虮车蓝Y，并且，私有云盡管能掙錢，但是可復制性不高，每做一個項目就要投入大量的人力。

　　同盾的選擇是兩條腿走路，先把自己養活了，同時兼做數據儲備工作。這也意味著它的數據收集之路并不容易。蔣韜和創始團隊沒有放棄公有云，它和私有云同時開發。

　　團隊最初的訂單幾乎都來自蔣韜的朋友圈。靠著朋友介紹，同盾科技做了不少私有云軟件外包。不過迫于無奈的生存也無意中鍛煉出了研發團隊的戰斗力。最初的幾筆訂單，從技術產出、上線到客戶認可，幫助團隊完成了最初商業上的閉環，團隊也學會了去和現在依然是主要客戶的金融機構打交道。另一方面蔣韜也承認，如果一開始沒有私有云，客戶很難對同盾有信任感。2013年10月成立的同盾最初只有不到6人的團隊，5個月后這個數據擴大到了近40人。

　　“免費”和“見效慢”是那時的關鍵詞，只能從測試優化模型，通過時間積累數據，因此出現在蔣韜口中最多的詞成了“優化”和“積累”。他把同盾科技的風控分為三大塊：名單、異常分析和交叉驗證。名單即最初的基礎數據，基本只能靠網上公開抓取，比如把法院的公開信息列入數據庫，比如通過瀏覽器來跟蹤鼠標的軌跡和分析鍵盤的鍵入偏好等，這相對容易追蹤。最難的是交叉驗證，雪球需要滾起來才能變大，意味著只有接入數據的機構足夠多，效果才能好。

　　“如果現在的效果是10，早期可能只有1，所以我們都是免費給公司安裝使用。”蔣韜說，盡管早期的客戶也并不愿意開放數據，不過在熟人+免費的雙管道下，還是有公司愿意嘗試。

　　有了數據后，接下來就丟給機器去學習?！澳阋膊恢榔墼p分子會干些什么，不知道具體的欺詐模式是怎么樣的，只能從一大堆用戶行為數據中去分析。”蔣韜說。輸入各種變量和維度，比如地點、登錄的時間、所用的終端、刷卡的金額后，建模人員就能教會機器發現異常。以一個盜卡的模型為例，它的細分變量多達3000個。發現異常后，機器根據建模的維度綜合打分，最后判斷是否存在風險。數據的增長和團隊研發能力的增強，讓揪出欺詐分子的概率增加，誤判優質客戶的概率減少。

　　直到簽下第一家大客戶捷信后，同盾科技才第一次有了底氣。當時為了說服這家總部在捷克，注冊在天津，中國首批持牌機構之一的消費金融公司，蔣韜的團隊花了10個月。

　　“測，只能硬測”，蔣韜回憶，整個過程就是不斷地測試調整，最后看測試的效果說話。目前，同盾科技和螞蟻金服一起，是捷信在中國的戰略合作伙伴。所謂測試，就是把同盾科技給出的風控結果和捷信自有風控的結果去對比，看預判和誤判的成功率。比如判定結果為“拒絕貸款”的客戶，在另一套模型中通過了貸款，并且在約定時間內還款正常，就是一個誤判的結果。把同盾科技的數據模型和捷信的模型比對，如果預判和誤判相減后的數字能夠帶來更多正向的收益，就是一個好的效果。

　　“捷信的風控其實已經做得非常好了。但我們的數據模型不是去跑贏他們，而是相互補充，有交集但是絕不交叉。這就是聯防和協防的價值”。蔣韜說。

　　簽下大客戶，其他客戶的拓展就容易多了，更多公司愿意嘗試同盾的服務。和之前一樣，同盾也是讓他們先測試，看效果付費。得益于2015年互聯網金融的集中爆發，同盾科技在這一年的銷售數據翻了近7倍。蔣韜認為他們選擇同盾科技的原因是，風控和反欺詐的服務讓和用戶貼身的普惠金融變得更便宜，能解決人員成本和征信成本居高不下的難題。

　　客戶和數據的積累也進一步提升了效果的準確度。同類型的公司在不同的業務中，模型的建立也不同。比如汽車金融，買一手車是消費分期，二手車就是抵押貸款，并且每個客戶要求的數據審批率都不同。汽車金融公司的審批率原先的自動化率只有月30%，其余都要靠人力審批，在不斷修正數據后，現在可以提高到50%?！澳闶紫纫暹@個行業業務的流程，甚至成為專業人士，才能根據反饋去建立模型?！笔Y韜說。

　　作為一名創業者，蔣韜自己感受到更多的是同盾科技的慢和糾結，他對同盾科技的發展速度并不滿意。不過吳海燕認為“同盾發展得非常順利”。今年4月，同盾科技又獲得由尚珹資本領投、元禾重元跟投的3200萬B+輪融資，距離上一輪3000萬美元的B輪融資還不足一年，并且前期的啟明創投、寬帶資本、華創資本、IDG資本、線性資本等投資方均再次參與。

　　今年，蔣韜的目標是在5千家客戶的基礎上，在未來的3年內每年保持3-5倍的高速增長。在他看來，未來的發展空間還很大。畢竟，金融的核心是風控。把風控降低1-2個點，對于金融機構的獲利相差甚大，而風控的核心是數據和建模分析。有了基礎數據的積累后，同盾的效果才會更好。

　　源自：第一財經周刊 http://www.cbnweek.com/v/article?id=23627