1月9日下午，及时雨小贷CEO尹君出席由上海市互联网金融行业协会和石投金融联合主办的“科技推动创新 深耕小微金融”为主题的2017小微金融科技论坛并发表重要演讲。 

    

    各位来宾，大家下午好！今天大咖云集，很高兴有这样一个机会和大家做一些分享。其实及时雨和石投金融的整个风控逻辑是一脉相承的，我想先就FINTECH以及目前小微金融的发展和大家做一些分享。 

    一、科技金融的全球纵览 

    

    我们今天的题目叫“科技推动创新”，在各领域，科技都在推动我们做改变、做创新。如果不变，你可能要面临被淘汰。

    我们说FINTECH，看一些数据，左边是中国市场，右边是美国市场，其实中国在FINTECH的发展比起美国，起步也没有晚很多。虽然发展历程不长，但是最近这两三年已经有1000多家公司，有200多亿融资的规模，应该说这个市场现在已经非常火热了。

    二、科技金融的三种主要类型

    在这样一个风口的市场当中，我们主要聚焦的是哪些大的领域和板块？

    第一个是我们自己很熟悉的金融信贷领域。在美国它有很多标杆型的成熟企业，科技在信贷当中的运用，主要的体现方式是提供了算法模型，我们去评价客户，为客户进行风险定价，不再采用传统的信贷的方式，而基于传统的信贷方式用机器帮我们做运算，通过算法模型来做。

    第二个是智能投顾领域。作为一家平台，我更了解客户的需求，更理解你是什么样的风险偏好，或者愿意接受高风险的资产，或者愿意接受低风险的资产。如果你可以承受更大的风险，那么我来给你匹配我非常熟悉的资产，这时候我们会通过计算机的算法给投资人解决更多简易投资的方法，给客户更适合的收益。

    第三个是非常火热的区块链领域。区块链的概念很多，举一个例子来说，运用的某一个场景是通过一些虚拟货币作为载体，可以直接跨境结算。在中国用人民币换成美元，可能通过比特币作为载体就能实现这样的结算。它不再通过国际化的清算组织来建立这样一个系统，而通过区块链形式来做清算系统。这些方方面面组成了FINTECH。

    三、基于算法模型的借贷

    今天更多想跟大家分享的，第一个是信贷领域，因为我们一直在做信贷。讲信贷，我们要看领先的市场现在是一个什么样的做法，我今天带来了一些例子。先来看Ondeck这家机构，Ondeck是美国专注做小微金融的机构，它从刚成立开始，04年就开始逐步建立自己的信用模型，在信用模型刚成立的时候，采集外部的数据，来优化它的模型。直到在04年推出了Ondeck Score之后开始规模化发展，现在差不多是20个亿的规模。

    通过这个规模化的发展我们发现它在做两件事情，第一，通过模型运用支撑规模化的发展。因为它的风险投入、销售的投入可以非常小。第二，通过规模化的发展不断来反哺模型。通过这样模型的运用它逐步和美国大型商业银行开始开展合作，目前是和JP摩根在合作。

    我们再来看第二家公司Prosper，也是美国第一家做P2P的机构，十多年的时间到目前为止规模是60亿美金，和Ondeck不同，Ondeck主要做小微企业，Prosper做个人消费，它在采集客户差不多600—700个数据的原理，来组建它的算法模型，最后给每个客户做风险定价。

    我们可以发现，在美国市场留存到现在的几家机构，它们路径有惊人的相似，就是在建立信用模型之后第一个做的事情是收缩产品线，把自己模型不支持的场景和客群理出去了。它原来也做各类的消费场景，但是它发现它的模型只适合于其中几类，所以聚焦。推出模型之后再开始放大规模，然后通过规模来反哺，现在它也逐步的开始和几家商业银行建立合作。

    四、基于算法模型的风险定价

    我们一直在说算法模型，算法模型的目的是什么？算法模型的目的是为了风险定价。但是什么叫风险定价，我觉得用最通俗的话来说，风险定价就是我们在菜市场买菜可以给一颗白菜去区分三六九等，我得知道好的菜确实好，差的菜确实差，我给一个比较合适的价格，作用于金融，同样的原理，给优质客户放贷可能不会出风险，也可以给不好的一些客户放贷，我知道一些人会出问题，但是我可以通过一个更高的定价来抵消掉这其中的不良。

    这是美国的一家P2P公司他实现风险定价之后的一个结果。首先它给客户形成七档分类，最高的是AA，最差的是HR，七档分类得分越高资信越小，每一个客群所对应借贷利率完全不一样，最差的客户有31%的借贷利率，最好的客户只有6.8%，而不良率也是不同的，最差的客户有17.1%的不良率。最后一档就是最后两者给投资人最后得到的净收益，这就是风险定价带来的结果。

    所以我们从路径和风险定价的结果可以知道，对于一家小微企业风险的建立和判断，第一，算法模型是未来的发展方向，第二，一定要去实现这样的风险定价。

    五、IRM智能风险控制系统

    下面我要和大家分享一下我们建立的IRM风控智能的管理系统。这是一张管理系统的流程图，它有点像工业2.0的一个流水线，从获客、资料采集到最后的贷后管理。首先当一个客户进入平台之后，我们先通过一些移动端的工具来做数据采集，我们有合作机构也有终端的客户，他们可以通过这样的工具来报送业务，最后形成一些结构化的数据，进入到我们的反欺诈系统。

    反欺诈系统工作原理是通过一些外部数据的采集，给基础的数据做一些初步的筛选和评价，先知道这些人群是否适合进入到工作流程的后一端，以及需要增补什么样的信息，然后是数据采集和整个算法模型的应用。在整个数据采集模块当中，我们会针对小微企业采集几百个数据，这些数据获得之后通过一些OCR的技术和人工录入补充的方法，形成最后的结构化结果。它是为我们这套IRM智能风险评估系统最后评分的打分环节而服务。

    所有数据通过这个结构化的处理之后，最后就会形成一个IRM数据，给客户ABCD四档分类，最后得出一个结论，告诉我们的审批人员，这个客户是优质的、次级的或者稍差的，然后决定这个客户是否可贷，可贷额度是多少。

    整个流程结束之后，我们会有一个数据的管理模块，它对于风险评价的模型进行反哺，不管是优质还是劣质，采用它的数据对于模型进行优化直到最后的贷后模式，这是整个IRM工作的流水线。建这样流水线的原因，是为了让整个数据在客户入场之后没有断档，他可以比较顺畅地从贷前到贷后，而尽可能减少人工干预成分。从目前的结果来看，我们对于每一个客户都可以给他做打分的评级，大部分的打分评级已经运用到我们成熟的产品线当中，在不断的迭代产品线的得分最后会给我们的审批做一个参考。

    基于这个流程，我摘取一些主要的内容跟大家做一些展开的分享。这是互联网端获客所运用的移动端的收单工具，不管是客户还是机构，在上面会录入一些基础的信息，甚至会提到一些简单的资料，这些工作将由客户完成。这些资料的采集，通过移动端来实现可以大大提高效率，减少线下的方式来获得信息，一旦通过线上抓取这些基础的客户信息之后，马上反欺诈的系统就可以发挥它的工作原理。

    现在市场当中的大数据的征信公司非常多，应该说有几百家，其实通过我们的经验在当中做了大量的摘选，有一些数据很好，但是不一定适合我们运用，有一些数据看起来很美，但是可能它就没有用。比如说我们现在在接入评分也做了接口，我们会利用芝麻评分和数据算法的模型不断做匹配度的关联，可能芝麻评分的结果很好，但是对于模型的运用可能非常有限。

    数据的采集，针对小微企业的经营者我们会采集100个数据，这些数据大部分都能够形成结构化的数据，而它流水报税的一些基础数据我们目前采用的还是人工的方法进行辅助和干预。同时我们团队有20年的金融服务经验，行业的经验和一些历史的数据会在这个系统当中进行留存，形成整个数据采集的过程。

    有了这些数据之后，风控模型干什么活？大家都知道我们有还原报表和交叉验证的方法，去年我们没有做更多的加法，而在做更多的减法。因为在海量的数据源背后很难对于客户进行模型的算法，所以我们在所有的纬度当中去抽象去模拟评审脑中的想法，精炼最关键的几个纬度。比如我们认为还原报表它的资产负债率的指标非常重要，我们就以它作为评分卡当中一个很重要的权重，占一定的分值。而通过一段时间经验的分析，我们主动去采集客户的信息，所还原的资产负债率会比真实情况低一些，常识资产负债率还可以的公司，资产数据偏多；而负债数据偏少，我们就把这个指标做一个修正，它会作为我们很重要的一个权重。

    有了关键的权重之后我们就知道在哪里做加法哪里做减法，小微企业最难的是它的个体化和数据的不完全，我们要判断一家小企业，可能我们都知道它的存货很重要，应收帐款很重要，成本很重要，但是你可能很难在每家企业都拿到这三个纬度很完备的信息。比如说一家企业说是有库存，但是没有库存清单你无法去判断它到底有多少的库存量化，我们通过大量的数据做验证之后就会发现，关注这家企业的库存在100万、200万，还是300万，对于模型整个的关联度偏弱。因此我们让评审现场去弱化这个关系，我知道客户在哪里有库存，这样进行，每个客户都可以节约两到三个小时的工作时间。这样的例子还有很多。

    再比如我们通过交叉验证来对应应收。应收帐款对于一家小企业来说很重要，但是很多人搞不清楚真正的应收帐款在哪里，搞不清楚的我们就通过行业的数据积累来做评价。根据上市公司的若干数据以及行业积累的数据，我们对于客户主贷人的口述做匹配，他告诉我的结算方式和经营特征得符合我对他了解的常识。哪怕他没有任何的资料佐证，因为这个常识的匹配我们能够解决所有客户应收帐款的多和少以及账期的长短。如果你有资料更好，我们的数据会更健全，他的打分会更高，如果没有资料，你必须要通过还原报表和交叉验证。这样的推动之下，评审工作就大大提高了工作效率并且节约了时间。

    所以，模型的建立是在给我们做规则的梳理，做更多经验数据的总结，做更多的减法。而它出来的四档分类从实际的工作来看，也非常符合我们对客户本身从经验上的判断和认识。进一步可以推动整个流程流水线自动化的运作以及我们在去为更多客户服务的规模化的问题。

    所有数据都会进入到这个数据化的模块当中，这个数据化的模块对于我们前面的模型做反哺，其实我们一直比较苦恼的是不良率相对偏低。因为对于整个数据来说，差客户对于你的风险定价很重要，知道差客户是什么样才能够决定不良率怎么控制，所以我们采购了大量的外部数据。同时我们和一些同行、机构在合作，将他们的一些优质和不良结果的数据拿来在我们的算法模型当中进行验证，最后来看评价的纬度可不可以再做优化。

    贷后管理模块，大家对于贷后常规认识应该很熟悉。我们需要一个月或两个月对于客户进行一次回访，我需要线下进行一些强交互的沟通来知道你经营情况好不好。但是实际上规模化之后，一个客户经理可能一年只能管理二三十个客户，我们就通过一些第三方的数据对贷后做一些补充。在必要的场景会对客户的账户进行锁定和跟踪，他的账户所有的出款和大额的收款，都会以数据的方式推送给我们，我给这个客户提供了一个三个月的短期贷款，他告诉我有一笔30万会在两个月回收，这笔款进入他账户之后我第一时间就可以知道，我未必对他的账户进行强监管，但是通过贷后的手段就减少了人工在当中参与的成分，大大提高了效率，同时这个信息的及时获取又让我们整个机制运作起来很安全。

    六、科技金融未来的布局

    IRM系统已经在我们内部开始上线使用产生的效果非常好，再往前走一步来说，信息一定是分享的，经济也一定是分享的。

    不管是整个IRM系统的流水线，还是经过我们人工筛选再到客户算法模型，我相信在未来一定会有更多的机会和同行分享在小微企业征信识别、数据处理等方面的进步。也期待未来能够为我们的合作伙伴提供更多的帮助。

    我今天简单和大家分享这些，谢谢！