烧钱拼用户，财大气粗的中国式互联网金融

【编者按】美国作为一流强国，在 互联网 金融 领域一直走在世界前列，充分了解美国的发展路径，比较差异的基础上，取其精华，去其糟粕，对于我们自己的发展是有利而无害的。科技改变金融，数据开拓眼界，这点毋庸置疑。

本文首发于爱分析精选，作者爱分析ifenxi；由亿欧编辑，供行业人士参考。

---

老任，是我们 智能信贷 公司的科学决策副总裁，在美国Capital One工作了很是多年，一直在做Decision Science。最近他接受了华尔街日报的专栏采访，记者对消费金融的中美差异非常感兴趣，于是老任就给对方科普了一下带有“中国特色”常识与现实。下面我就给大家整理了几段比较有料的采访内容。

金融不是说量做的大，最后就一定能跑赢，但互联网不是，互联网是玩杠杆的，钱是投资人的钱或者说是资金方的钱，把钱烧了，把用户数做上来就可以。美国不敢这么玩，为什么？他们真正经历过金融危机

我从美国回到中国，最大一个感受是，中国的互联网真是比美国激进太多，烧钱跑规模成了行业惯例，不管收入不管盈利，烧钱把用户量做上去就算赢了。就是 互联网金融 这个行业，也经常能看到在用户量和交易量上惊人的现象。

但是我虽然在一个互联网金融公司，但我的看法可能不那么“互联网”。在我看来，金融的逻辑和互联网不一样。

第一，是行业逻辑不一样。

金融并不是赢家通吃的行业。互联网都是寡头统治，阿里统治电商，腾讯统治社交。但是金融不是这个逻辑。金融是一个经营风险的业务，当所有的规模都集中在一起时，风险也就集中在了一起。

且不说你自己能不能玩的下去，政府就不会袖手旁观。大而不倒，早晚政府会接手，这在美国都有先例，他们可是见识过真正金融危机的，何况中国。

现代金融历史几百年，也没有哪个国家出现金融的绝对集中。有人说中国以前有这种现象，改革开放前只有一个中国人民银行包揽一切，但那是国家的业务，跟市场没关系。

我们去到陆家嘴去看一下，招商银行旁边是汇丰，汇丰旁边是渣打，渣打旁边是花旗，不存在一个寡头统治。金融是十几万亿甚至上百万亿级的市场，所以永远不要去追逐在这个市场里边占50%以上的份额，我认为不可能的，这个市场大到足够容得下众多玩家。

第二，是业务逻辑不一样。

金融它是很强调边际效应的业务，金融的“边际化”对应就是“规模化”，然而规模化往往就是用来形容互联网这个行业。从这也能看出互联网金融还是偏重金融一些，不靠做量。

因为金融不是说量做的大，最后就一定能跑赢，金融本来就不是做量的，更别说为了做量而放宽风险的控制。

拿我们信贷行业来说，控制逾期的方式其实就两种，一个是做分子，一个是做分母。所谓的做分子就是把你真正坏账的部分压下去。

而做分母就是说坏账不断的增长同时，加大贷款的数量，体量大了让优质贷款为劣质贷款买单，短期也是可以把坏账率往下降的。

但我们更愿意选择前者，因为一旦采用做分母模式的话，就进入了一个被动的周期，被动的追求数量就会被动放弃质量。

为了做大分母让更多人获得贷款，就要被动的放宽风控审核条件，边际被动放宽，风险也会越来越控不住的。

所以我们更愿意做的是，在可控的范围之内，获取最大用户量。

中国的征信体系才刚刚建立，有效的信用数据还不全面，不像美国以及拥有了很成熟的信用体系和征信体系。

在这种情况下，面对有信贷需求的用户，我们不会像传统金融机构一样，只做简单的风险控制，把大量的潜在用户拒之门外，而是通过我们的算法对计算出用户的风险偏好，提供动态的授信决策。

风险偏好决定了风险的可控范围，只要风险在可控的范围之内，我们就可以最大化的获取用户，产生最大化的价值。即使对待一个风险偏高的用户，我们也会有自己的界定，不会一刀切似的拒绝。

比如我们会用风险定价的方式给他一个比较高的贷款利率或者是比较低的借贷额度。如果他的几次信贷记录都非常良好，那在之后的运营过程中，我们会动态调整他的授信额度或者贷款利息，从而增加用户粘性。反过来，如果用户在还款过程中表现出了风险比较高，经常不还款，我们也会冻结他的额度。

中国的数据太分散了，没有像美国三大征信局这样的信用库，于是我们引入跟金融不是强相关的弱变量

我回来中国工作第二个感受是，我们国家消费金融行业从来不缺少思维活跃的人，这是好事也是坏事，思维越活跃，骗局就越多，对我们做数据的人来说，每一天都有新挑战。

中国的央行征信体系虽然已经覆盖近8亿人，但基本上只对金融机构开放，比如银行、小金公司和小贷公司。虽然极大程度的保护了用户信息，但是对于我们做数据决策，没有数据支撑还是太难了。在美国的话，拿我以前在Capital One的经验举例。Capital One做的是主流消费信贷，主要接入的是三大信用局数据来做零售信贷业务。三大信用局对美国的主流人群基本上就可以覆盖了。

在中国也有一些机构自称是在提供一个行业的解决方案。声称是搜集到了各个行业主动给予的黑名单，然后这个机构进行整合并且建立一个“联防联控”的解决方案，有点儿像美国征信据局干的事。

比如以前我们在Capital One给一个用户发了信用卡，但是他屡次逾期最终账户被注销，那我们就会把这个的信用情况交给美国征信局，那他在其他机构再申请贷款的时候，机构就可以从征信局查到他的这些不良记录，可能就会不再房贷给他。

但是在中国，这些信息的整合还不是政府行为，很多时候很多一些比较小的机构，没有监管，就很有可能让没有职业操守的机构钻了空子。比如这些小机构会自行上传一些黑名单上去批的也没办法验真。

如果这些在假的黑名单中的用户在别家想要申请贷款自然申请不到，就只能去找这个这个黑机构了。

没有征信局，没有靠谱的民间联盟怎么办？这也是中国一个非常大的特点，除了传统的征信数据以外，我们运用一些所谓的弱变量，弱变量就是说它不是跟你收入多少、或者你的银行信用卡额度多少这些金融数据强相关的。而是非常散的一些数据，包括征信数据，消费记录、通信数据或者社交数据等等。

在中国在用户授权的前提下，我们会接入银联的消费，通信数据，社交数据以及电商的消费记录数据等等。比如说和场景类的平台合作，比如像携程、去哪儿，他们会有一些用户在他们平台上消费的记录，这些消费记录其实是对做风险是非常有用的

它可以解读出很多信息，比如从时间和交易次数这纬度来判断这是不是个忠实客户；其次，是这个客户的消费能力，比如是不是经常出行，是商业出行还是个人出行呢？出行时候坐的是经济舱还是商务仓呢？这些数据间的关联就可以判断出一个人的收入情况和消费能力。

跟蚂蚁金服的芝麻信用合作，实际上是获取了支付宝的数据。这对B端小企业主，它可以看到电商的流水和负债；对C端消费者，可以判断C端用户的消费行为能力。这种数据在美国就不太可能会有，除非Amazon自己做，但它好像也没在做。

社交数据，对这个领域获取的数据就目前来看还是以有趣的探索为主，现在社交网络都是实名登记，从手机号就可以看到用户是不是微博用户或者是不是知乎用户，他们有多少粉丝，原创与转发有多少号召力。

像美国有很多基于Twitter来做数据的，甚至有人是通过关注Twitter内容炒股的，但社交数据目前至少在中国，这些也还只是一个有趣的方向，有效数据比重很少，效果不明显，花大力气研究事倍功半，前文也说了，金融还是一个讲赚钱的业务，烧钱烧脑只能选一个。

在 大数据 的时代下，尤其中国的信用体系才刚刚建立，数据一定是比较稀疏分散的，我们有上千纬度的数据和上万个纬度可以用户的评定，对每一个真实用户做有效信息判定，就好像受孕一样难。

每一个用户带着上万条的信用数据进来，有效数据并且受用的可能就是受孕的那极少部分，大部分还是缺失的，或者查不到。想想怀孕多难就知道了，所以在数据总量大，有效多的情况下，我们要对这种比较稀疏的数据有一个处理能力。

实际上我们整天的工作就是在跟各种各样的数据打交道，但这个过程中要像一个狐狸一样有着敏锐的感官，很多时候去建立一些新鲜的事情，新鲜的纬度，可能我们选出来的维度有90%或者80%都是最后没有太大的决定性的作用。

但是我们其实都会花很多时间把特征放到模型里面评估，最终就是看它跟风险有没有关联度，或者跟我们所要的这个指标有没有关联度，如果一旦有关联度，我们就认为它是个很好的变量，如果没有关联度的话，那就重头再来，这个过程很好听，叫迭代。

我们的用户的90%以上都来自于移动端，这在美国是不敢想象的，防止移动端骗贷是新的挑战

我们的用户的90%以上都来自于移动端，这在美国是不敢想象的。因为他们申请贷款的方式基本上还是通过PC机，甚至是填写纸质的申请资料。从这个角度来说，在中国，在用户授权的前提下，我们可以抓取更多用户的行为信息。

比如说你的手机开着定位系统，就可以获取你的位置信息，最主要还是能获取你的手机的独特“指纹”。这个“指纹”不是iPhone解锁的那个指纹，而是指手机独一无二的特征，比如说它的设备唯一识别号、MAC地址、IP地址等等，用来判断信贷请求是不是通过代理，也就是VPN申请的，他有没有伪装过他的IP地址等等。

抓取行为信息有什么作用呢？通过抓取用户手机的“指纹”信息可以判断用户是不是换过手机了，当然用户换手机不一定代表是个坏事，有可能是手机坏了丢了或者型号更新换了一个新的。

但是会把“指纹”变更作为我们风险识别的一个指标，进入到风险测评的模型。如果频繁的换手机我们会认为是个太正常的情况。还有一种风险测评的模型，我们会判断同一个手机是不是申请了多次贷款，像个中介一样，实为在替别人在贷款。

比如说一台手机，这个手机他一下申请了100笔贷款，不同的人，不同的姓名身份证号。这就属于骗贷了。

中国现在有很多这种黑色产业链，他们每天工作就是骗贷。一个人同时兼顾几百台手机在不同的平台上贷款。

我们发现设备“指纹”对付欺诈是非常有用的。同一个设备同一天是否申请了多笔借款；或者同一台设备为不同的人申请借款，这些都是以往审批通过在PC申请和纸质的申请表申请贷款所遇不到的问题。

对申请者手机地理位置异样的抓取，比如说你一下子在北京，一下子又到了纽约，这就很有可能判断你开了VPN。通过我们算法就可以对一些高危的行为进行管控，也会对用户进行预警与告警，从反欺诈的角度来说是一个非常好的防范。

既然 AI 先生来了，就让咱们家那些个骡子啊马啊，那些个大牲口都歇了吧

我从美国回来，还有第三个感受就是，中国市场太喜欢“蹭热度”了。

一个阿法狗的亮相，AI神话了，仿佛可以把所有积攒的数据往里一扔，然后就能幻化出一个神奇的结果，而且这个结果都是美好的，也是我们正想要的。其实做过数据的人就知道，输出质量是由输入质量决定的，并没有一个超强大脑，把所有东西放进去，出来就是好东西。

Garbage in,garbage out，是计算机科学和数学中很常见的概念，输出质量是由输入质量决定的。举例来说，如果一个数学方程表达不当，答案就不太可能正确。同样地，如果不正确的数据输入到一个程序，输出的就可能是无用信息。

就像阿法狗一样，阿法狗大家只看到了它跟李世石打仗的那一面，阿法狗下棋本身其实是Google Real-Time上百工程师在随时调整阿法狗的算法，所以阿法狗并不是一个电脑坐在你对面，是算法还有调整算法的工程师。

在中国，信用体系才刚刚建立，央行的征信体系虽然覆盖了近8亿，但是面对14亿人民，从百分比来看就是还有近40%没有覆盖。而且数据来源分散，每一个来源的数据又单一。

这些很分散、有独特的中国市场特征的数据，我们需要通过一个有逻辑的方式接入进去。就像Real-Time，Fast data秒级对所有的数据进行响应，这是科技。回到对数据的运用这个问题上，我们需要去强调一种关注问题本身，解决问题，而不是打造酷炫的大脑外壳。真正去静下心做数据特征挖掘，整理数据，然后做一个比较好的模型，比什么都强。

但有时候，不是说科技打败了很多人类的东西，而是自动化打败了很多人类的东西，自动化不是做了一个人类做不了的东西，而是他把人类能做的事情用非常非常快的方法做了。

比如我们现在做的智能信贷系统，可以做到十秒钟授信，没有任何人工的干预，全部实现自动化，我们可以接很多单，几百万、几千万单都没问题。

这是在传统的银行是不可想象的，因为银行是有人工成本的。审批员他就是成本，而且他得正常休息，双休日不上班的，节假日也不上班。

就像春节就是个很好的例子，其实春节之前人们对现金或者说资金的需求是很大的，但是恰巧那个时候银行很多人，尤其工作和老家不在一个地方的都会提前休假了。这个时候就会呈现出一种需求与资源不对等的现象：我急着用钱，你却休息了。

而我们所做的就是通过大数据和科学决策的方法将这个过程自动化了，自动化直接的效果就是将边际成本是慢慢降下来了。就像我们的一些分期产品，即使是几十块一单的商品我们都可以不考虑人工成本的去进行审批。

就算突然有一天我们的接单量一下子增加三倍，那也只需要去扩容我的机器或者说满足系统能支持这么大的一个峰值就可以了，不需要增加三倍的人。

我举这个例子，不是要黑高科技，我一直都对“科技改变世界”饱有敬畏心的，前沿的科技会打开我们很多思路与壁垒，但与其强行“热度”，不如在自己从事的行业或者工作内容上精耕深挖。

比如以前我们在Capital One工作的时候，数据在已有的系统里已经被挖掘很深了，却依然在做精细化挖掘。我们在用信用局的数据的同时也跟FICO（美国有一个评分机构）合作，它的分数我们也进行比较，我们可能就是比FICO做了一个小小的算法优化，可能只提高5%，但也是在已有的数据基础上挖的很深了。

而现在中国市场还没做到挖的很深，就玩起了花板子。中国是市场驱动，中国现在市场非常大，跟美国相比，美国是商业驱动，他们可能会觉得有些数据，比如社交数据，有意思，但不会真的用，为什么，因为商业需求不强。

美国的数据很多都是在征信体系内已经覆盖了，而且它信用卡的覆盖人群已经到了70%，基本上大部分人拥有完善的信用历史，你用一些社交数据玩一些花，没什么决定性的意义。不会因为你在Twitter上有很多赞就给你很多贷款。

我们正在经历一个新体系的建立过程，那一定是一个井喷的阶段，这是我们的优势。我们现在有很多数据，以前没有用过的数据，量大的惊人，比如像电商、社交的场景数据，银联的消费、电话的通信记录，以及移动终端的“指纹”数据。

但是有效数据挖掘、精细的处理肯定是弱项，但会是未来的方向。未来，在中国肯定会做的越来越精细，就是把我们有效数据挖掘做的更深，就像我们现在做的事情一样。

科技改变金融，数据开拓眼界，这点我从没怀疑过。

本文作者爱分析，亿欧专栏作者；微信：爱分析ifenxi（添加时请注明“姓名-公司-职务”方便备注）；转载请注明作者姓名和“来源：亿欧”；文章内容系作者个人观点，不代表亿欧对观点赞同或支持。