汽车金融战国时代之——“数据驱动”由“数据思维”来驱动

【编者按】在买方市场环境下，企业只有具有利差层竞争力还有可以不亏损，不论是行业新进入者、还是行业原住民，应该开始考虑如何搭建利差层竞争力，数据驱动是企业达到利差层竞争力的唯一途径， 数据思维 是企业落地数据驱动的最重要的影响因素。

本文转载自平心静语，原作者陈平；由亿欧编辑，仅供行业内人士参考。

汽车金融行业进入“生与死”战国时代，退市已经成为了行业的热门词汇之一。在新的市场环境下，企业也许应该慎重思考“我是谁”、“我想成为谁”以及“我选择哪条路”这三个哲学层面的问题，从底层逻辑开始反思我们对汽车金融行业的理解，找出一条通往美好未来的康庄大道。

我是谁？由企业主体和市场环境两个部分组成。企业对这两个部分的理解和认可，是企业做所有重要决策的基点。例如，2015年，不论企业背景如何，只要有资金可以开展业务，企业盈利的可能性都是很大的。2019年，不论企业背景如何，不以利差层竞争力理念开展工作，企业盈利的可能性都不高。2018年，有些持有 金融牌照 或者资本金成本低的企业，野心勃勃地进入市场，经过一段时间的业务发展，发现“金融牌照”、“资金成本低”都不是企业的核心竞争力。 这是必然的情况，资源变现能力大小与市场竞争环境强弱成反比，即市场竞争小、资源变现可能性大，反之亦然。

我想成为谁？这个问题在汽车金融行业里似乎不是个问题，大家一致想法是成为行业龙头。“我想成为谁”是建立在“我是谁”理解的基础上，不是所有企业都具备成为行业龙头企业的社会资源和人力储备，千年“老二”只需要跟着走就可以“吃香的喝辣的”，性价比可能更高哦。理论上，“做强”是企业自身可以控制的，“做大”则受很多市场因素的限制。“我想成为谁”应该比“我是谁”更重要，原因大体有二，一方面它决定了哪些工作必须做，哪些工作可以不用做，另一方面它决定了必须工作的前后顺序。

选择哪条道路？汽车金融行业进入战国时代之后，各家公司基于对“我是谁”和“我想成为谁”的理解，实施了各种各样的“变法”，销售直营、AI风控、IT驱动、自建渠道，不胜枚举。从汽车金融五层竞争力的角度来观察（具体内容参见《汽车金融进入战国时代之——数据驱动的五层竞争力》），准备不充足的利差层竞争力只能“半推半就”的出来见“公婆”了，利差层竞争力的基础是数据驱动，工具是风险定价（具体内容参见《汽车金融进入战国时代之——数据驱动的汽融产品设计》）。

“数据驱动”可以简单分解为“数据资产”和“数据能力”两个部分，“数据资产”可以拆分为“数据硬资产”（是指数据资产的规模）和“数据软资产”（是指数据分析的结论）；“数据能力”可以拆分为“数据硬能力”（是指掌握多少统计方法和工具）和“数据软能力”（是指数据分析人员的结构和人数）。 “数据硬资产”与业务发展没有任何必然联系，例如行业有些公司业务规模很大，发展却越来越艰难。“数据硬资产”只有通过“数据能力”才能转化为“数据软资产”，它会对业务发展有直接影响，例如从一家公司指标库中的指标类别、指标数量和指标质量可以判断出这家公司的业务现状和发展潜能。“数据硬资产”转为为“数据软资产”过程中，“数据思维”是“数据资产”和“数据能力”的土壤，直接影响业务发展，所以说，“数据思维”是目前汽车金融行业的核心竞争力。

大家对“数据思维”的理解和定义各不相同，一种极端的解释是，数据可以客观反映事物状况，完全可以代替人，例如人对一件物品重量的描述可以说“很重、很轻、还可以”，数据会指出这件物品重20.11公斤；另一种极端的解释是，人具有演绎、推导、总结、归纳等能力，数据驱动仅仅是一种强化人这些能力的工具，与财务管理工具的作用一样。“特征提取的过程其实就是将业务知识和行业经验转化为数学公式的过程，是人的智慧和模型能力进行结合的交汇点”，这是我笔记里的一句话，认为“数据思维”既不是无所不能的“上帝”，也不是“冷冰冰”的工具， 数据思维是努力实现“数据驱动与业务发展”的完美结合的过程。

下图通过公式的方式，描述了一家企业的 数据驱动能力 ，它包括“数据思维”、“数据能力”和“数据资产”三部分构成。“数据思维”取值可正可负，“数据能力”和“数据资产”取值都可以从零到正无穷。“数据思维”如果是负值，“数据能力”越强、“数据资产”越大，企业数据驱动能力对企业业务发展负面影响越严重，例如有些互联网公司在汽车金融行业“走了麦城”；如果“数据能力”为零，“数据资产”规模再大，对业务发展不会有任何帮助，例如行业有些企业，资产规模数一数二，业务发展却日益艰难；“数据资产”可以分为企业自有数据资产（包括数据硬资产和数据软资产）和外部数据资产（数据硬资产是其他公司的，数据软资产可以通过某种形式合作获得）。

下面简要介绍几个我与朋友讨论的“数据思维”的案例。

数据规模不达到一定体量，数据分析没有意义。理论上，数据规模越大，分析效果越好。那么数据体量达到多少可以做分析呢？统计抽样理论就是用小样本指标来描述整体状况，如在医院抽血验病，我们希望越少越好吧？业务体量最大的企业，发展最好吗？按照这样的逻辑，可以推导出所有行业都会被一家企业所垄断！“数据驱动”的核心竞争力是“数据思维”，如数据资产也可以分为“规模”（是指客户数量的大小）和“质量”（是指客户衡量维度的多寡，或者是业务解释的丰富度），有些同行具有大量客户数据，但是只有为数不多的有效指标，业务解释丰富度很差，让人叹息啊。

30+（不论是动态还是静态）指标是无法衡量资产质量（这个指标是怎么成为行业通用标准的呢？）。有些企业管理层在内部会议上，也只有这个指标来考核资产质量和审核人员能力。统计有三个功能，一是描述现状、二是逻辑推导、三是预测未来。衡量资产质量的描述性指标可以使用账龄分析等指标（30+可以用来美好资产质量，可以骗骗投资人等外行，千万别骗自己）； 逻辑推导的例子如转化率，某个SP转化率越高，资产质量越好；预测型指标的多寡完完全全代表一家金融公司的管理能力， 例如对每个月放款进行预测（预测36期之后的损失率），并不断优化预测方法和指标，可以推导中同一类客群的信用风险的变化情况，也可以依据这类数据，调整客户群体分类或者优化信用评分卡。在同一类客群上，使用相同的指标，就可以观察到客群每月信用风险的变化趋势。

风险定价等同于信用风险管理。信用风险是金融产品定价的基础（具体内容参见《汽车金融进入战国时代——数据驱动的信用风险管理》），除此还要考虑欺诈损失的权重（具体内容参见《汽车金融进入战国时代——数据驱动的欺诈风险管理》）。在买方市场环境下，以消费者为中心的准入风险管理是企业最重要的工作，它影响了每类客群的信用风险和欺诈风险的表现（具体内容参见《汽车金融进入战国时代——数据驱动的准入风险管理》）。可以说，风险定价是由消费者调研部门、策略管理部门、欺诈管理部门和信用风险管理部门协调完成（具体内容参见《汽车金融进入战国时代——数据驱动的汽融风险定价》）。

我们公司有BI系统，所以我们业务能力很棒。BI系统仅仅是一个指标展示平台，更快捷、更美观、更友好地展示了贵司认为重要的指标，使用BI系统不会提升业务能力，有可能会提升业务效率。我问过同一家公司的不同部门人员，如何定义和理解某某指标，他们的回答有时会有差异，指标定义不同，意味着A认为的1米和B认为的1米有差异，指标理解不同，意味着1米对A来说有点长、对B来说有点短。公司在引入BI体系前，应该好好梳理一下公司在用的指标，统一大家对指标的定义和理解，对指标进行分级、分类管理，对员工开发指标是坚持“必要性、有效性”的原则，避免“统计表格越来越多，看表的人越来越少”的现象，这会让“表哥表姐”们很是受挫，听说一位表哥竟然转岗成为一名销售人员。

最后说一点，统计意义与业务意义是两个不同的概念，它们的差异不小于人与猿的不同，如果这两类数据“张冠李戴”，即使有再多的数据分析人员，也不会帮助业务持续健康发展，在有些公司，反而加快了业务恶化的速度。按照我的理解，数据能力建设速度和规模受到了“业务意义”的制约，企业数据能力建设过程中，应该先简后繁，不需要也不必要一开始就引入“高大上”的数据能力。

具有协调层竞争力的企业退市的时间快于我的预测，市场环境变化速度远快于行业大多数人的想法（我是为数不多对“协调层竞争力”保持悲观的人，3月写得文章，认为协调层会在2、3年内逐步退市，很多朋友对此提出了尖锐的批评，比《AFC都是纸老虎》还猛烈）。金融企业想要持续盈利，利差层竞争力是最低要求， 建设数据驱动能力是利差层竞争力的必经之路，路上的指南针是“数据思维”。3-5年后，不具备利差层竞争力的企业都会离开汽车金融的万亿市场。

本文已标注来源和出处，版权归原作者所有，如有侵权，请联系我们。