不知道從什么時(shí)候開始，金融科技這個(gè)詞突然就在國(guó)內(nèi)火了起來(lái)。不管是現(xiàn)金貸公司、消費(fèi)金融公司還是第三方服務(wù)商，紛紛將自己叫做“金融科技公司”。似乎貼上了這四個(gè)字，融資金額就能翻幾番。

這個(gè)聽起來(lái)很高大上的詞其實(shí)是個(gè)舶來(lái)語(yǔ)——“FinTech”，也就是Finance（金融）和Technology（科技）的結(jié)合。維基百科對(duì)其的釋義為它是由一群通過(guò)科技，讓金融服務(wù)更高效的企業(yè)，構(gòu)成的一個(gè)經(jīng)濟(jì)產(chǎn)業(yè)。

藍(lán)領(lǐng)、灰領(lǐng)人群征信缺失引發(fā)“大數(shù)據(jù)”熱潮

金融科技這個(gè)詞雖然出生地不是中國(guó)，但確實(shí)是在國(guó)內(nèi)被發(fā)揚(yáng)光大的。不管是初創(chuàng)公司還是BAT這樣的巨頭，都對(duì)這個(gè)詞一見傾心。阿里巴巴甚至自己創(chuàng)造出了TechFin（科技金融）這個(gè)倒裝的新詞來(lái)自我標(biāo)榜。

聽起來(lái)很高大上的金融科技到底是個(gè)什么鬼呢？我瀏覽了幾家自稱為“金融科技公司”的網(wǎng)站，收集了他們的公司簡(jiǎn)介，可以從中看到一點(diǎn)門道。

雖然幾家公司用詞天花亂墜，但是可以看到金融科技在消費(fèi)金融領(lǐng)域的核心就是“大數(shù)據(jù)風(fēng)控”。而大數(shù)據(jù)風(fēng)控在國(guó)內(nèi)受到追捧本質(zhì)是由于國(guó)內(nèi)大量人群征信數(shù)據(jù)的缺失。

為了避免與銀行等傳統(tǒng)金融機(jī)構(gòu)正面硬懟，大量互聯(lián)網(wǎng)金融公司基本都選擇了藍(lán)領(lǐng)、學(xué)生、農(nóng)民這樣傳統(tǒng)金融機(jī)構(gòu)沒(méi)服務(wù)到的客群。

隨之而來(lái)的問(wèn)題就是這部分客群基本都沒(méi)有人行的征信報(bào)告，征信數(shù)據(jù)非常稀薄。

在缺乏強(qiáng)相關(guān)變量的情況下，金融機(jī)構(gòu)只能通過(guò)電商數(shù)據(jù)、社交數(shù)據(jù)、行為數(shù)據(jù)等等一些弱相關(guān)變量來(lái)對(duì)這部分人群進(jìn)行信用評(píng)估。

而對(duì)于擁有人行征信報(bào)告的人群來(lái)講，傳統(tǒng)金融機(jī)構(gòu)已經(jīng)能夠?qū)ζ湫庞眠M(jìn)行很好的評(píng)估，其結(jié)果也遠(yuǎn)比利用弱相關(guān)變量的大數(shù)據(jù)風(fēng)控來(lái)得精準(zhǔn)。

所以大數(shù)據(jù)風(fēng)控其實(shí)是金融機(jī)構(gòu)在國(guó)內(nèi)征信體系不健全的背景下，客群不斷下沉的無(wú)奈之舉。

用技術(shù)就能做好風(fēng)控？

消費(fèi)金融的風(fēng)控主要防范兩個(gè)方面的風(fēng)險(xiǎn)，信用風(fēng)險(xiǎn)和欺詐風(fēng)險(xiǎn)。

而風(fēng)險(xiǎn)管理包括風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)分析、風(fēng)險(xiǎn)監(jiān)控、風(fēng)險(xiǎn)應(yīng)對(duì)四個(gè)模塊。

信用風(fēng)險(xiǎn)主要指客戶的還款意愿和還款能力，也就是客戶想不想還錢、還不還得起錢。而欺詐風(fēng)險(xiǎn)的情況則更為復(fù)雜，包括身份冒用、黑產(chǎn)攻擊、個(gè)人套現(xiàn)、團(tuán)體騙貸、龐氏騙局等等多種情況。

曾擔(dān)任百度金融CRO的王勁講過(guò)，在美國(guó)欺詐跟信用風(fēng)險(xiǎn)相比，基本上是1：5的概念，但是在中國(guó)完全反過(guò)來(lái)了。欺詐可以說(shuō)是中國(guó)特色主義的風(fēng)控問(wèn)題了。

除此之外，國(guó)內(nèi)的消費(fèi)金融行業(yè)特別是現(xiàn)金貸行業(yè)還面臨著多頭借貸的問(wèn)題。這個(gè)用戶可能暫時(shí)還得起從你這里借的1000塊錢，但他在不斷的擼口子，已經(jīng)背負(fù)了十幾萬(wàn)的債務(wù)，實(shí)際上是還不起錢的。

那么科技到底在風(fēng)控里起了什么作用呢？我們就拿最火的機(jī)器學(xué)習(xí)和人臉識(shí)別來(lái)舉例吧。

機(jī)器學(xué)習(xí)work的使用前提：數(shù)據(jù)需要足夠多，足夠厚

在傳統(tǒng)的信用卡申請(qǐng)流程中，銀行會(huì)根據(jù)用戶收入穩(wěn)定性和償債能力審核打分，最常見的用于信用評(píng)分的模型就是邏輯回歸。

但前文也說(shuō)到，在強(qiáng)相關(guān)變量缺失的情況下，互金機(jī)構(gòu)不得不引入大量的弱相關(guān)變量來(lái)對(duì)用戶打分。

在數(shù)據(jù)量過(guò)多的情況下，基于機(jī)器學(xué)習(xí)的模型優(yōu)勢(shì)就凸顯出來(lái)了。相比傳統(tǒng)模型只能通過(guò)若干個(gè)變量進(jìn)行建模，機(jī)器學(xué)習(xí)模型可以引入成千上萬(wàn)的變量。

但從原理上來(lái)講，機(jī)器學(xué)習(xí)和傳統(tǒng)的邏輯回歸模型并無(wú)本質(zhì)區(qū)別。

像BAT這樣數(shù)據(jù)量足夠大數(shù)據(jù)足夠厚的公司，用機(jī)器學(xué)習(xí)來(lái)做模型才是靠譜的。而本身連數(shù)據(jù)都少的可憐、尚且處在需要外部數(shù)據(jù)支持的創(chuàng)業(yè)小公司，又談何機(jī)器學(xué)習(xí)模型呢？

而且雖然在變量過(guò)多的情況下，機(jī)器學(xué)習(xí)模型在一些指標(biāo)上的表現(xiàn)可能比傳統(tǒng)風(fēng)控模型更好，迭代速度更快，但同時(shí)也存在它的弊端。

比如在穩(wěn)定性、可解釋性上機(jī)器學(xué)習(xí)都不如傳統(tǒng)的風(fēng)控模型。

人臉識(shí)別：只能解決單點(diǎn)效率問(wèn)題

另一項(xiàng)大熱的人臉識(shí)別技術(shù)則一般應(yīng)用于貸前反欺詐驗(yàn)真環(huán)節(jié)，通過(guò)人臉識(shí)別能夠快速有效的判斷用戶是否為本人。

這種工作其實(shí)人工也可以做，相信看過(guò)最強(qiáng)大腦的都記得那群比百度人工智能識(shí)別人臉還要精準(zhǔn)快速的“天才”們。而機(jī)器的優(yōu)勢(shì)就在于效率。

但是風(fēng)險(xiǎn)管理面臨的問(wèn)題是非常復(fù)雜而多樣的。就拿身份欺詐來(lái)講，不少辦分期甚至是現(xiàn)金貸的用戶是被中介騙來(lái)的，因此他的身份信息都是真的，但借款意愿是假的。這種情況下人臉識(shí)別顯然就沒(méi)什么用了。

所以人臉識(shí)別只能解決“單點(diǎn)效率”問(wèn)題，在這一個(gè)環(huán)節(jié)上降本增效。

這也是絕大多數(shù)科技手段的問(wèn)題。這些科技手段有用嗎？當(dāng)然有用。

在風(fēng)控的某些環(huán)節(jié)中，技術(shù)手段無(wú)疑可以有效地降低成本提升效率。但想依靠技術(shù)手段就做好風(fēng)控那是不可能的。

就算拋開大數(shù)據(jù)的相關(guān)性和穩(wěn)定性來(lái)說(shuō)，它也只是一個(gè)風(fēng)險(xiǎn)評(píng)估而已，只是風(fēng)險(xiǎn)管理的一小塊。