这家公司成立于2013年10月，2015年7月公司通过大数据和人工智能技术开发的风控系统正式上线，2015年10月单月贷款量突破千笔，2016年1月单月贷款量突破万笔，4月单月突破10万笔，12月单月贷款量超过100万笔。这家公司并非互联网行业的领军者，也不是消费金融行业的老兵，公司成立之初的主营业务是信贷产品搜索引擎，后又变身为信贷产品的供应商，专攻线上小额贷款；这家公司在一年多以前几近资金枯竭而难以为继，一年后却华丽转身，业务发展风生水起。这家公司是用钱宝。
用钱宝最吸引业界眼球的是其高效的业务处理能力。单月线上贷款审批笔数超过100万笔，意味着不论工作日还是非工作日，每天要处理3万多笔业务，平均不到3秒就完成一笔贷款。这种业务处理效率是任何一家商业银行可望而不可即的。
用钱宝的这种业务处理能力依托于其自主开发的风控系统。由于用钱宝是一家提供线上小额贷款的互联网公司，其面向的主要客户是那些没有信用卡，也没有被传统银行金融服务所覆盖的白领、职场新人、操作工人、服务行业从业者等。因此，用钱宝对客户的甄别方式与传统银行业关注强特征信息，比如房产、收入、公积金、社保缴存、逾期记录等，有很大不同。采用强特征信息进行授信审批的方式虽然对客户的判断更简单，可靠度也较高，但能够提供强特征信息的客户人群毕竟很有限，而且用于验证强特征信息的尽职调查成本也很高，因此，在仍采用依托强特征信息进行授信审批和风险控制的银行中，每月完成100万笔贷款业务几乎是不可能完成的任务。
但用钱宝的风控体系基于大数据和人工智能技术建立，通过申请人大量的弱特征信息，如通话时间、上网浏览页面、手机电量、活动范围等，对申请人进行风险识别和贷款审批。弱特征信息的信息量很大，对于做搜索引擎起家的用钱宝来说，获取大量的申请人个人信息（弱特征信息）并非难事。但这些弱特征信息最大的问题就是与客户还款意愿、还款能力等潜在风险的关联度并不高。用钱宝的数据团队在做数据挖掘时发现了很多数据特征，比如，表现出很强的手机单向通话特征的人，贷款违约的概率比通话方式呼入与呼出比较均衡的人高4%-5%；手机电量一般保持在50%以上的人，贷款违约的概率要比50%以下的人低2-3个百分点。虽然单一维度的弱特征信息对客户判断的意义不大，但如果这样的数据维度有成千上万个，综合成千上万个维度的特征得出的对客户风险的判断，这样的判断的准确性和可靠程度便远超过传统的基于几个强特征信息对客户进行风险识别的准确性和可靠程度。用钱宝的风控系统便是大量的弱特征维度汇总使用的结果，而且随着数据来源越来越多，用钱宝可挖掘的数据维度也越来越多，再加上随着业务规模扩大对数据算法的不断改进，用钱宝的风控系统将不断实现自我迭代，从而使系统效率和可靠性不断提高。
当然，用钱宝的未来也并非一片光明，这还要看用钱宝的数据挖掘和算法修正情况。随着业务规模的扩大，基础数据量越来越多，这一方面会增加用钱宝可以挖掘的数据维度，增加对贷款申请人的了解程度。但另一方面，更多的数据维度也同时意味着干扰因素也越来越多，不同数据维度的特征甚至存在互相矛盾之处。系统算法的修正进度能否跟上数据维度的增加速度，直接影响风险系统的准确性和可靠程度。极端情况下，不当算法导致的系统偏离甚至会使用钱宝的贷款违约率暴增。
