读秒CEO周静：智能信贷是如何使用大数据的？

近20年跨国银行风险管理经验，全面负责个人及中小企业金融产品设计及风险控制；曾在美国第一资本（Capital One）就职8年，历任产品、市场、风控高级经理。2006年回到中国，在渣打银行就职9年，创立渣打银行零售风险管理团队，任渣打中国零售银行首席风险官，管理超过50亿美元的信贷资产。

近年来，智能信贷正在成为消费金融和科技金融的先锋力量。作为最早一批投身智能信贷的从业者，我看到传统信贷便捷度、质量、效率的不足，也一直相信金融技术可以驱动信贷行业。随着人们习惯了用数字化的方式（如手机移动端）去处理生活的一切所需，纯数字化的智能信贷条件成熟，正在成为中国消费金融的主力军。

智能信贷是指一种纯线上全自动智能化的信贷模式，有别于传统信贷的是，智能信贷的所有流程都在线上完成，从风控、授信到贷后管理均由系统自动完成。除了对模型的调整，人工不会干预信贷的流程。智能信贷具有极速、简便、边际成本递减、适配线上线下多种场景等优势。

2014年底我加入PINTEC集团，创立读秒。结合20载的行业经验，我们逐渐对于行业的发展趋势有了更深刻的认识。在我看来，一款真正的智能信贷，其对数据的应用需要贯穿获客、风控、贷后等全流程，进行数字化管理、精细化运营。

运用数据比拥有数据更重要

中国信贷行业有两个迷思。其一是认为中国的信用数据匮乏。我深入了解美国和中国的征信与风控，与美国相比，中国的信用数据并不稀缺，来源也非常多，关键是如何使用。可以说智能信贷的壁垒早已不是数据量的大或多，而是如何精确地、科学地运用数据。

科技金融公司能够对接到的数据源大部分是如银行、电商、运营商、社交媒体等公开数据。这些数据已经能够很好地覆盖中国消费者，并能展现绝大多数人的信用情况，获取的难度也不高。

这些数据的数量并不代表着大数据风控的质量，在获取数据后，我们需要提取百余个主要变量、进行交叉验证、形成近千个维度去建模分析，才算充分利用大数据做风控。

比如用户填写的“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。

此外，用户的行为数据也可以很好地用以鉴别金融欺诈。我们也通过运营数据统计出一些规律：比如在凌晨3点左右申请贷款的用户，信用风险更高——很多欺诈者对智能信贷不熟悉，错误地以为凌晨无信贷员审批，或许是防御薄弱的突破口；此外，在申请现金贷时，多次修改填写资料的用户可能存在信息造假——因为普通人通常不会频繁记错自己的私人信息。这些独特的用户行为数据一定程度上也能甄别风险，反应用户信用。

中国市场上的另一个迷思，是对“大数据”和“社交数据”的迷信。比如十分倚重巨头体系内数据的权重，或者打造“朋友圈影响力”、“职业偏好”“模拟人类大脑”等特殊维度，并以此为主要风控模型等。我曾经有十多年的经验都在与风控打交道，在我看来，智能信贷的风控更多的是将传统信贷的风控流程数字化、智能化，而并没有改变传统风控的基本规则，传统风控需要考量的借贷者收入、风险、还款意愿等一系列指标仍然是核心数据。上述做法可能能从某个侧面反映了信用水平，但并不能以偏概全替代所有数据。

如何选择变量？如何组合？如何测算？单项的评分结果占用户信用评分的权重多少？什么情况会触动欺诈模型？这些都需要技术和金融团队不断打磨和优化，优秀地运用数据才能最大程度让数据说话，才能全面展现用户信用并作出授信决策。

智能信贷的取胜之道在于精细化运营

金融圈中流行一句玩笑，“最好的风控就是不给任何人借一分钱”。

风控是重要的，但这样孤立的看待风险在商业上无法自立。智能信贷不仅仅是风控一个方面。智能信贷是一整套体系，风控只是其中一环，只有在客户挖掘、风险定价、贷后用户行为预测、催收、复贷策略等各个方面都进行精细化的运营，才有可能在商业上取胜。

在信贷业务的起点“获客”阶段，智能信贷公司会以用户画像为基础，在众多的客户中锁定最有价值的用户，在筛选有效用户时，一定程度上也保障了客户转化率和用户产生的价值。

圈定用户后，“定价”环节也需要精细化运营，不同信用水平的用户需要差异化的定价。粗略而言，借贷人群可以用“风险水平”和“借贷频率”划分为四个象限。显然“低风险高频率”的用户是理想客户，但若在收益能够覆盖损失的情况下，“较高风险高频率”和“低风险低频率”申请者也可以带来很好的收入。

贷后环节也是重要的一环。在贷前、贷中过程中，需要通过用户行为数据进行信贷情况监测评估。一般来说，当客户逾期时，系统已经预测出了催收成本与收益，并从中推算出应该使用的催收方式，催收频率，从而优化催收资源的配置。在复贷策略上，还需要分析已有客户的还款行为、重复消费等行为数据，并针对性地给予优质客户不同产品的交叉营销，深度挖掘优质客户价值，精准运营。

智能信贷利用各大数据的精细化运营，给予用户全流程管理，提高服务质量和效率。整套流程才是智能信贷的商业取胜点。

智能信贷终将由专业公司主导

在美国，fintech领域的知名公司都是以金融技术为主导的高科技公司。智能信贷行业需要极强的技术壁垒和专业性，还需要专注地用实践去打磨，而这些品质往往是专业的公司才能达到的。

中国的消费金融还在起步阶段，风口之下许多追求“大而全”的公司愿意自己动手，半路出家切入消费金融市场。金融的复杂性、专业性决定了其难以成为任何公司的副业。

传统行业的公司可能最终仍然以服务线下为最优选择，做电商起家的公司可能也会保持“交易”为第一要务，都难以长久专注于金融与金融技术，倘若顺着风口而行，或许能走一段时间，但终究会因为金融和科技的高门槛被拒之门外。

金融是看重边际效应的行业。相比而言，专业的智能信贷公司往往以技术为核心。聚焦技术的、适配性强的开放体系能更好地降低边际成本，联手各行各业做大做强。

第二次工业革命时引入标准化生产车间，人们不再需要从头至尾完成整个流程的工作，有了各自分工，从而大大提升工作效率。随着时代的发展，这样的分工正在走向更尖端的领域。未来的行业正朝着越来越精细的方向走，高精尖的环节也将被模块化，专业的公司做专业的事，让每一块运营都最高效率。

相关阅读

PINTEC公布“三体战略”发展路线图 推出新服务品牌