1. 興起之初，風(fēng)控滯后

 

　　2013年互聯(lián)網(wǎng)金融興起伊始，P-2P、小貸等非銀類金融機構(gòu)多是作為傳統(tǒng)金融的補充，起到毛細血管的作用，讓金融的血液覆蓋到小微企業(yè)主和個人。起初的產(chǎn)品形態(tài)和審批流程也多是線下產(chǎn)品的線上化，只是額度更低、限制條件更寬松、期限和還款方式更靈活。但是在風(fēng)控環(huán)節(jié)卻并沒有發(fā)展出更行之有效的手段，仍是延續(xù)銀行的做法：以央行征信報告為主要數(shù)據(jù)源，以專家經(jīng)驗或?qū)＜乙?guī)則為評判策略。同時再加上在內(nèi)控等管理執(zhí)行層面上遠沒有銀行規(guī)范，因此最終導(dǎo)致行業(yè)總體的逾期率和壞賬率遠超銀行。市場先行，風(fēng)控滯后，風(fēng)控成為影響互聯(lián)網(wǎng)金融發(fā)展的瓶頸。

 

　　2. 數(shù)據(jù)入場，創(chuàng)新乏力

 

　　2015年初，央行釋放出了個人征信市場化的信號，一些直接或間接掌握數(shù)據(jù)源的公司紛紛成立征信子公司。經(jīng)過一年多的篩選和驗證，“大數(shù)據(jù)”開始逐漸被互聯(lián)網(wǎng)金融行業(yè)的風(fēng)控人員所接受，有幾類數(shù)據(jù)被證實可以做為征信報告的有效補充，比如：移動設(shè)備信息用于識別身份冒用，黑名單灰名單用于識別多頭負債，位置信息用于評估穩(wěn)定性，頁面行為分析用于識別欺詐，消費記錄用于評估可支配收入水平，社交關(guān)系用于評估信用行為等。

 

　　在此階段，各個征信公司提供的 “大數(shù)據(jù)風(fēng)控”產(chǎn)品仍停留在較為初級的“數(shù)據(jù)”層面，信用評分等深加工產(chǎn)品并未得到金融機構(gòu)的廣泛認可。數(shù)據(jù)本質(zhì)上是一種資源，這類征信公司間的競爭是資源的競爭。有些征信公司掌控 、有效的數(shù)據(jù)資源，坐擁市場。另外一些征信公司雖然利用先發(fā)優(yōu)勢，打通了上下游生態(tài)鏈，但卻很容易被上游數(shù)據(jù)源繞過，岌岌可危。新興市場在一定程度上會遵從發(fā)展規(guī)律，往往會從最初的粗礦型資源競爭轉(zhuǎn)換為精細化的技術(shù)水平或管理水平上的競爭。

 

　　大數(shù)據(jù)的內(nèi)涵遠不止是數(shù)據(jù)資源，在互聯(lián)網(wǎng)金融領(lǐng)域仍有很大的挖掘空間，在管理上它是一種商業(yè)思維的拓展，在技術(shù)上它是一種科研范式的創(chuàng)新。大數(shù)據(jù)除了數(shù)據(jù)量大之外，更強調(diào)數(shù)據(jù)的完備性、異構(gòu)性、弱相關(guān)，復(fù)雜的規(guī)律隱藏在長尾的弱變量及其相互的關(guān)聯(lián)關(guān)系之中。而線性模型雖然表達能力有限，且受制于多重共線性的制約，但是現(xiàn)階段依然是風(fēng)控建模的主流技術(shù)，稍大規(guī)模的互聯(lián)網(wǎng)金融機構(gòu)更傾向于引入傳統(tǒng)金融機構(gòu)中有評分卡建模經(jīng)驗的專家，然后將大數(shù)據(jù)的新酒裝進過去經(jīng)過十幾年打磨的小數(shù)據(jù)建模方法論的舊瓶子里。

 

　　3. 風(fēng)控場景化，技術(shù)需深耕

 

　　2016年消費金融爆發(fā)，場景的巨大差別導(dǎo)致對風(fēng)控要求的巨大差別。有些場景幾乎重新定義了風(fēng)控，對審批實時性和策略調(diào)整及時性要求高、對風(fēng)控成本敏感，對準確率卻可以適度放松。這對小微規(guī)模的消費金融公司來講無論在風(fēng)控團隊的搭建還是在IT系統(tǒng)的開發(fā)上都是一種考驗。這種情況下對征信公司而言，一方面，未做深加工的數(shù)據(jù)客戶不能處理;另一方面，通用評分仍不能滿足其個性化需求。風(fēng)控場景化的趨勢將迫使一部分征信公司回歸征信的技術(shù)本源。筆者相信：金融產(chǎn)品雖有很大程度的商業(yè)屬性，但征信本質(zhì)上還是技術(shù)屬性，而且征信技術(shù)不會永遠停留在淺層的數(shù)據(jù)層面。一些關(guān)鍵技術(shù)的突破可能加速征信公司市場地位的形成，比如：如何為長尾的小微型金融公司提供低成本一站式的風(fēng)控解決方案并持續(xù)快速響應(yīng)業(yè)務(wù)變化?如何在小樣本的監(jiān)督下，通過遷移學(xué)習(xí)增強已有模型的場景泛化能力?如何利用圖數(shù)據(jù)庫技術(shù)，提高欺詐識別的覆蓋度和系統(tǒng)查詢效率?如何使用區(qū)塊鏈技術(shù)促進數(shù)據(jù)源的互聯(lián)互通?如何使得已有的基礎(chǔ)模型具備在線學(xué)習(xí)能力?

 

　　現(xiàn)階段的征信市場也許仍談不上高深的人工智能技術(shù)，數(shù)據(jù)源的打通、整合仍會持續(xù)一段時間，但數(shù)據(jù)源的差異一定會一步步的抹平，這一階段的速度仍難以預(yù)期，可能三五年，也可能更快。屆時，金融公司回歸商業(yè)模式，數(shù)據(jù)公司回歸資源整合，征信公司回歸技術(shù)品牌，或許這三類公司間的界線會變得模糊，有些公司具備多種身份，但場景化的風(fēng)控技術(shù)經(jīng)驗必將會成為征信公司的核心競爭力。筆者所在的人人信就是在這種思路下面向消費金融公司提供“風(fēng)控+”服務(wù)，即：風(fēng)控咨詢+數(shù)據(jù)整合+場景獲客+資金渠道。