MBA评论：焦可|如何从技术角度看待金融科技的新机会

以下是现场演讲实录：

各位嘉宾、各位老师、各位同学：大家下午好!

非常高兴回到母校，我就是清华的学生，我是98届计算机系的学生。所以，我还是一个蛮理工科、技术的背景，我不知道在座有多少是学技术或者学理工出身的，能举下手吗?我看还是不少的。所以，今天我的分享更多来自于从技术角度我们怎么看待这一次新消费金融，包括金融科技大的机会。

在看到这个标题的时候，其实新金融模式背后的技术变革，我不知道从大家的角度看，哪个词是最重要的，因为每个人的视角不同。有人说，金融一定是最重要的，有人说技术变革一定是最重要的。

其实坦率来讲，从我们实践来看，最重要的一件事情是在背后，技术是什么?技术是一个锤子，如果没有金融这个钉子的话实际上技术是没有太多用武之地的。对于我们这个业务来讲，必须做到一件事情，事先深入的了解金融、了解实际的产业是怎样的运作方式。

我们先看一下中国整个消费信贷的市场：

这页PPT，左边讲的是中国消费金融、消费信贷市场的增速，这个增速坦率的讲实际从我们的感受来讲比这个还要更快，因为我毕业的时候大家还经常会讲要储蓄、存钱买房，但现在好像存钱也买不起房了，所以现在的年轻人很多都变成了月光族，但是很多年轻人消费没有计划性，所以变成了“月光也不够族”。所以，这个趋势在我们看来是非常快速的在增长。

右边这张图体现了什么呢?右边这张图体现了我们整个金融信贷里面跟美国结构性的差异。在美国我们可以看到，他的家庭负债率是非常高的，是国内的家庭负债率一倍以上。但是，可以看到中国的企业负债率是非常高的。这意味着什么呢?意味着其实中国的家庭、中国的个人信贷里面有非常大的加杠杆的空间。这页PPT告诉我们什么呢?告诉我们在整个消费金融市场里面，有一种非常健康而且增速非常快的需求。

但是，我们再看下一张图，这是供给，欧美这样的发达金融国家，他的整个金融覆盖度，特别是信贷覆盖度，可以达到非常高的水平，可以达到70-80%以上，而且剩下的20-30%里面也有些其它的金融服务为他们服务。但是国内的情况显然要比他们差很多，我们看到中国的银行、小贷公司能够服务到的整个的个人信贷需求，只占所有的信贷需求和所有人口里面的15-20%，这意味着什么?

1、意味着有很多人应该被服务没有被服务到，其实我们可以想像，传统金融领域更多的是什么样的金融呢?更多的是挑肥拣瘦的金融、是个锦上添花的金融，但是真正的应该金融做的事情，我们想达到普惠的话，应该做到什么?雪中送炭。所以，中国有很多人是处在雪中的。

2、我们也跟很多欧美的金融科技公司交流，真正交流起来你们会发现他们非常羡慕我们，因为中国有个巨大的市场可以让我们去挖掘、训练我们的模型，这是在欧美、在世界任何一个角度里面，除了东南亚，其它角落里面我们看不到的一些机会。

这页讲的是需求旺盛、供给不足，背后的原因是什么?为什么传统金融不符合?这里面我们画了一座冰山，如果大家有人去过信用卡或者做过传统信贷的话，大家可以了解这个手续，一般情况下都会让你提交几个或者十几个材料，比如说工资流水、工作证明、社保、人民银行的征信报告，等等。但是我们知道，中国有多人是没有这些材料的，比如私企他们发现金，他们可能没有社保，比如年轻人在银行的征信报告是白户，是没有记录的，这些人基本就不符合传统金融机构的审美。

但是我们相信什么?我们相信每个人就像一座冰山一样，有的人水面上的部分多一些，这样我们看的很清楚。但是一定有些人水面下还是有很大的一些数据。面对我们的课题就是，我能否去挖掘这些水面之下的价值?然后我从而为他们提供服务，这就是摆在我们面前实际的钉子。

我们接下来要讲，在我们的公司、在我们的业务里面，是怎么解决这个问题的。我可以先做个倒叙，先剧透一下我们现在的情况。现在，我们每个月会审核通过超过200万笔的消费信贷，也就意味着我们每个月会服务200万人的信贷需求。大家可以想像，传统的金融是什么概念?传统的一个银行网点，可能一个月下来服务几百个人，几百笔需求，但是通过我们一个月可以达到200万的量级，但更美妙的一点是我们在整个200万过程当中是没有任何人的，不需要人工接入。

而比这个更美妙的一件事情是，我们所有的这些东西不依赖传统金融的经验，不依赖老司机告诉我们什么是好用户、什么是坏用户，我们整个的这个模型全是由一帮来自BAT或者一些其它互联网公司的高级工程师研发出来的模型。

讲到这个问题，可能大家有点儿晕，讲到人工智能，我估计有一半以上还不是技术背景的。我先讲一个最简单的问题，如果大家能理解这个问题的话就能理解我们是怎么做的。传统的图像学里面有一个很大的问题，就是说怎么样在一堆动物的图片里面找到猫的图片。传统的，如果我在大学时期解决这个问题的话，我一定会写一个规则引擎，就是这个纹理的东西是猫，尖耳朵、长尾巴，它头上没有一个字说就是猫。但是我们知道，这样写下来的话整个引擎的效果会非常差。就像我们传统的金融风控是一样的，我们在写一个规则引擎，但实际上Google在解决这个问题的时候不是这样做的，它实际上使用的是我不再告诉模型库什么特征决定了这是猫或者不是猫，而是说我把几百万张猫的图片和几百万张不是猫的图片绕扔到我的模型里面去训练，让机器自己去学习。

这些问题跟我们实际在风控里面所碰到的问题是一样的，我们也把我们这个月产生的200万笔的放款，在下个月的表现带回到我们的模型里，这时候有人还了、有人没有还，这是猫和非猫，我们解决的问题是同样的方法。

我们自己打造了一个风控引擎，就是我们的I.C.E.风控引擎，这个引擎就是由人工智能的三个最主要的部分组成的。它可以做到什么?传统银行我们用十几个特征来判断一个人的信用，而我们用1200个基础特征，加入组合特征最后超过10万的量级。我们传统的模型可能一年或者半年才迭代一次，而我们每个月模型的迭代次数会超过100次，而且我们同时会有100多个模型在线上跑。

我们常规去审核一个申请的速度只需要8秒钟，同时我们在做一个全量的特征样本优化的时候，现在只需要15分钟，这是一个完全不同于传统金融风控的逻辑。

我们实际发现，在机器跟人比起来，机器更适合做大规模数据定量的计算。同时发现，计算比人更加稳定、更加受主观因素的影响，机器学习的速度远快于人，而且机器更容易抵御反欺诈，因为人会有道德风险，它会猜你的模型，会知道你是怎么做的，会买通你的人，或者他会试你。而当你用1200份的时候，你比如一张桌子，它有四条腿，切掉一条会倒掉，当你有1200条腿的时候，切掉一条腿对它没有任何影响。而且，机器毋庸置疑它的审核速度会更快，所以我们的业务是春节、十一都可以放假回家，但是机器在正常的运作。

所以，实际上我们可以看到在这个业务里面，机器的效果比人的效果，我们做过一个横向的对比，我们的审核通过率大概是人工(有人介入)模型的一倍，但是我们的逾期率仅仅是行业平均水平的60%。也就是说，机器跑的又快、又好，这是很难得的一个事情。

最后一页我想讲的是，我在这里有个心得，互联网进走了很长时间，但是其实我们感觉之前的事情更多的是我们在解决渠道的问题、效率的问题，就像任何一个行业一样，最开始进入的时候，往往都是通过渠道、效率解决，但我们认为真正的金融下半场才刚刚开始，金融下半场真正重要的一定是技术，要通过技术去赋能，通过技术解决传统金融所无法解决的问题，这样新的金融才有机会，这样我觉得技术流才能找到和钉子碰到那一刻产生的火花。