同盾科技李伟东：“开放银行”四大挑战与“数据安全”两大拷问 | 兵器谱访谈录

调研阿是零壹财经 2019-09-04

关键词：开放银行 数据安全 四大挑战 同盾科技

开放银行是金融数字化的必然趋势，技术的进步让金融和场景的融合成为可能。

8月29日—31日，2019世界人工智能大会在上海火热召开，展示了人工智能在各行各业的落地成果。金融向来因为其相对高的数字化程度，而被认为是人工智能最佳落地的场景之一。

在人工智能大会期间，零壹财经采访了副总裁李伟东。与他聊了聊人工智能在金融科技领域的落地与趋势，开放银行当下面临的机遇与挑战，中小微企业融资平台的搭建等问题。

李伟东认为，人工智能能力将是未来企业的重要基础设施，5G网络作为新型基建的底层技术，有望带来整个信息基础设施的革命性升级。依托产业互联网平台构建的平台金融模式将会越发成为主流，秉承“技术中立性”的金融科技To B类服务将成为AI2.0时代的下一个风口。

他将金融科技公司分为三类：

一是以同盾为代表的独立第三方，提供专业的智能风控和分析决策服务，致力于成为金融和场景的连接器，并在此基础上搭建一个有助于科技提供方、场景方和金融机构的生态；
二是以互金业务起家的公司，在当前的监管环境下，带着资产和相应场景下形成的获客能力、风控能力进行对外输出；
三是以巨头为代表的超级流量入口，目前也在转型科技输出。

当前金融科技行业的差异化竞争，体现在企业的不同能力之上，而这种能力的形成与企业服务的客群、产品和场景有着紧密的关联。

2018年被称为开放银行元年，BATJ大打技术开放牌，至今，9家银行系金融科技子公司已走向了“开放银行”的前线。

作为银行圈的“老人”，李伟东认为：开放银行是金融数字化的必然趋势，技术的进步让金融和场景的融合成为可能，落到商业的本质上来看“开放银行”则是一种平台化的商业模式。

基于这三个背景，李伟东指出了当前开放银行面临的四大挑战：

首先是，银行的数字化转型仍在进行时，存贷汇付这些基础的功能在银行的系统里面，需要打通数据和系统，实现标准化。只有这样，才能用API、SDK等方式跟商业生态去对接。

其次作为新生事物，监管上对于开放银行缺乏明确的指引和规范。进一步的，银行业作为强监管行业，其组织架构、企业文化和审慎经营的基因，在缺乏规范的基础上，开放意愿有限。

而作为一种“商业模式”，开放银行涉及到场景方、金融机构、金融科技服务商等等利益方，“到目前为止，开放银行商业变现的模式各方的理解都不太一样。”

最后，显而易见的，开放也意味着“风险敞口”的放大，“比如说数据的安全，API接口的标准都是需要我们去思考和面对的问题。到底给谁开放、开放什么、开放到什么程度？”

央行近日发布的“金融科技发展规划”指出要“构建跨行业、跨部门的风险联防联控机制，加强风险信息披露和共享”。李伟东认为，要实现这一点一定是“市场化运作但背后需要相关部门授权的。”

一个看得见的趋势是：一些地方政府正在联合金融科技公司着力打造地区数据开放平台，并将政务数据授权给指定机构做小微企业信贷试点。

“要解决小微企业融资难、融资贵的问题，首要的是要解决金融机构敢贷、能贷的问题。目前中小企业的大量数据是在政府这边的，而且是分散的。” 同盾参与了杭州余杭区的中小微企业金融服务平台建设与运营，李伟东认为对于中小微企业而言，C+B的视角是很重要的，除了对企业进行精准的信用评估，也要关注企业主个人的信用情况，而这是同盾的强项。

数据显示，同盾目前累计服务了上万家企业，在用户增长、注册、登陆、交易、支付、授信、催收等各类不同场景，每天有超过一亿次的调用量。

历来，在金融科技领域，像同盾这样需要大量数据进行分析挖掘的公司，总面临着两个关于数据的灵魂拷问：一是，银行等金融机构不会反馈贷后数据，模型的可靠性和快速迭代如何保证？二是，底层数据的干净、可靠如何保证？

李伟东从业务逻辑的层面向零壹财经回应了这两个问题：

一是，同盾的解决方案是端到端全流程的，不仅仅是贷前的风控还有贷后的智能催收，而贷后的逾期数据则通过对接合作的客户每天更新。逾期名单与逾期后已还款名单的及时更新也有助于帮助客户优化其风控模型，甚至有助于平台的客户回捞，因此合作客户也会积极主动配合共同完善数据库以及他们的风控模型。

二是，同盾所有业务的数据调用过程中，都要从源头“拿到客户授权的转授权”以保证授权链的完整，并标注对应场景。与此同时同盾有专门负责数据安全的部门，对于数据本身的追溯、加工和审核都严格遵循标准。

除保证数据源头绝对安全之外，在流转过程中，同盾将网络接入管控、终端与手机设备管控、DLP/沙盒/加密/水印/数据流转管控/文档追踪/行为与内容审计等数据管控技术有机整合，形成一个覆盖各种场景的数据防泄露体系，防范敏感数据被内部人员泄露或外来黑客窃取。

三是，同盾有专门的特征工程加工团队，基于海量大数据提取出来的互联网行为特征、信用记录、关联设备、关联关系等维度稳定性很高，预测能力很强的变量。并将这样的变量，放到机器学习的模型当中去，开发出个人行为信用风险的评分卡模型，然后判断申请人的风险情况。这是一个立体、系统的工程。

“同盾始终把数据安全作为发展的高压线，建立起一个全面、合规的数据安全治理体系，这也是同盾的立身之本。”