上圖為百融金服CEO張韶峰（圖片來源：新浪財經 顧國愛 攝）

　　新浪財經訊“第十二屆中國國際金融論壇”于2015年10月22-23日在上海浦東喜來登由由酒店召開。本次論壇主題為：經濟新常態時期的金融改革與金融服務。百融金服CEO張韶峰出席并演講。

　　在中國我們所面臨的問題，是大部分老百姓沒有享受到信貸服務。中國人民銀行征信中心可用數據3億人，占我國14億人口的百分之二十幾，也就是說還有百分之七十幾的人沒有信用記錄。在這種征信體系還不健全不完善的情況下，要實現普惠金融就必須借助大數據的力量。

　　以下為演講實錄：

　　張韶峰：我給大家分享第一個部分的內容：大數據會在幾方面影響金融行業發展。首先，營銷在信貸行業、保險行業實際上跟風險相關。普通消費者你只是找到什么人喜歡你的產品，金融有逆選擇的問題，不是說你喜歡他，他就喜歡你。最終可以基于風險定價，根據不同的消費者，不同的小微企業設計不同的信貸產品、保險產品，以及理財產品，設計適合的定價。核心就是幫助金融機構解決信息不對稱的問題。如果信息本身不對稱，那他可能就會虧錢。

　　關于大數據，實際上行業里面談了很多，大數據的核心還是價值要大。金融行業老愛說一句話，我們銀行不缺數據，實際上銀行只有最終的交易數據，金融只是結果，你為什么要錢，要結婚、買房子、買保險、要出國留學，這些上游數據并不掌握在金融機構手里，所以實際上金融機構應該從別的行業去獲取數據。不同行業的數據交叉融合創造的價值比簡單行業的疊加要大。單一維度的數據疊加只是加法效益。

　　再一個，數據必須要在公司內部，行業之間，甚至跨行業流動起來，這是大數據的兩點核心價值。剛才提到過就是大數據的外部性，如果只有你公司內部的數據，就算把內部所有數據都整合了，也稱不上大數據。為什么今天阿里巴巴[微博]騰訊他們都可以做金融？因為核心是掌握了金融的上游、消費，或者是生產經營數據。

　　第二個，我給大家匯報的是如何利用互聯網數據和線下傳統的數據進行融合的金融建模，以及有什么樣的使用效果。分三個部分：傳統金融機構的風險建模思路、線上、線下的大數據建模思路以及實踐效果。

　　傳統金融機構的風險建模思路是什么？全世界，尤其是銀行的建模思路基本上起源于65年前，過去你這個人借了什么錢，借了多少錢，有沒有逾期；房屋按揭貸款的記錄有沒有還錢，什么時候還；你的杠桿，花費，每個月花1萬，其中8千是借來的，杠桿非常高。然后是壞賬，徹底沒還錢。利用這些數據來做建模，預判你下次借的錢會不會歸還，歸還多少，什么時候歸還。這個方法的前提是什么？假設我是銀行的話，那么就需要取得你在金融機構的信用記錄，以前是否有過借貸行為，是否按時還款，有借有還，再借不難，通過這些數據預測你下次借錢難不難還。

　　問題來了，假設沒有在銀行借過錢怎么辦？原始的數據都沒有，也就是說巧婦難為無米之炊，就是這個道理。如果我們要建立一個函數，這個函數就是Y(還款違約概率) = F(X1， X2，…，Xn)，F是所謂的模型。傳統金融機構建模的基數無論是Y，還是X，金融機構內部的事情都可以采集到。每個X和Y的相關性比較強，個數比較少，一般10到15個左右的強變量，很少有超過20個。

　　在中國我們面臨的問題，甚至我認為很多發展中國家都有這個問題，那就是大部分老百姓沒有享受過信貸服務。中國人民銀行征信中心一共吸收了中國大概3億人的信用記錄，99%的數據來自于銀行。一個是信用卡，一個是房貸，還有少部分其他的。其他還有5萬人是剛剛辦房貸、信用卡，你還看不出到底是好，還是壞。真正可用數據也就2.5億人，占14億人口的百分之二十幾，也就是說還有百分之七十幾的人沒有信用記錄。

　　這是咱們普惠金融的目的，要去普惠這些人，但也是它的難點，為什么呢？沒有數據啊，沒有數據就沒辦法評判風險，這是今天制約中國普惠金融發展的非常大的問題。

　　下面講講怎么去緩解這個問題，線上線下融合的大數據風險建模思路。X是不夠用的，只有3億人有那個模型中的X，還有剩下80%沒有那個X，怎么辦？有信用記錄的人意味著有信貸行為，信貸行為是個低頻行為，所有的金融行為除了支付都是低頻的。但是生活、閱讀、社交是高頻的，每天都在發生。如果把思路從一定要從金融數據、信用數據來做金融建模，拓展成是不是可以用生活數據，衣食住行、社交、閱讀、旅游這種類型的X弱變量來預測Y，可不可以？這樣就可以覆蓋大部分沒有被狹義征信報告所覆蓋的人群。

　　我們大概會用50萬個這樣的弱數量，這些數據有什么好處呢？都包含什么呢？美國有個例子，是ZestFinance兩個創始人做的。很多數據都可以服務于信貸，比如很多數據都可以服務于信貸，一個人的網頁瀏覽歷史、手機付費記錄、超市購物清單都可成為重要的參考依據，甚至在用戶填寫信貸申請表時是使用大寫字母還是小寫字母，也可以成為數據變量。這可以反映出申請者的教育程度、申請貸款的謹慎程度和還款誠意等。。

　　再就是互聯網數據，尤其是社交關系數據。還有與第三方公司合作得來的數據。指它跟一些很窄的數據源合作，這些數據源很有效，只是覆蓋的人群比較少，用這些數據來做建模。方法就是原始變量第一行，第二行是做衍生變量，第三行是合成變量，三個變量合成一個。每個模型給你一個評分，然后再把若干模型拿來做加權平均。認為每個模型都有自己的優點和缺點。然后把模型集成起來，方法效果提升比如說20、30%。我們覺得猜誰違約了，誰不違約，大約挑了70%，說這些人還OK，還有30%覺得不是很好。開卷對答案，最后的結果是什么，我們挑出的70%人，他們的違約率是我們剩下的30%，一半左右這些人都是以前很難解決的問題，比較下層的人群，或者是年齡比較小的，有線上放貸和線下放貸的。

　　他們在線上的不良率6%，線下4%。我們挑的人群不管是線上，還是線下，都是2%。所以我們說線下降到1/2，線上有它的好處，線上可以減少很多道德風險。所以各有各的好處。風險的話線上比線下要好。

　　第三，還有只在手機上放的東西，大概占1/3左右。

　　剛才講了一些數據，接下來分享一下具體的大數據風控核心思路。首先講一下欺詐風險，指你面臨的申請者，他來申請的時候一開始就是惡意的，是來騙你的錢。信用風險是指申請者剛剛申請的時候，沒有想過不還你的錢，只是最后沒錢。一般大部分騙子不會用真實的信息，很可能不是他本人。我們也發現這樣的真實欺詐行為，就騙一次。覺得我不還錢你也找不到我，這叫道德發生了問題。

　　還有要看履約能力，還款意愿，還有是不是在多家金融機構同時欠錢。然后營銷的時候怎么樣去找到那些好人，壞人最好是連廣告都不要看見。當好人看到你的廣告之后，如何進行反欺詐識別就很關鍵。是不是他已經在別的金融機構失聯了，跑路了，而你這里還沒有信息。如果是真實的人，怎么找到他，這是行業老大難的問題。在不良資產這個問題上，找不到人是關鍵。

　　如何進行欺詐風險防范呢？首先就是核實身份的準確性。傳統的身份識別包含身份證號、軍人證等等。姓名和身份證號對不對得上，如果對不上，基本上認為是騙子。這里有兩種情況，一種是比較傻，再一個比較懶，隨便性，但還真的有，申請表上的姓名和身份證號一查不是同個人。

　　大部分都能對得上是同一個人。但光查這個還沒有用，還得查手機號、QQ號、微博號，跟他是否可以對得上。如果姓名、身份對得上，留的手機號不是他本人的，家庭地址不是他本人的，那就很有可能是欺詐。他沒想過還錢啊，干嗎要留自己的真實手機號。借完錢就扔，找不到他。所以廣義的身份識別，是把今天互聯網時代，很多不同的ID合在一塊校驗看是不是同個人。

　　紅色的是手機，紫色的是電子郵件地址，綠色的是身份證號。可能在網上申請的時候同一個手機填過四個不同的身份證號，這一般不是正常的人。他的歸屬是亂碼，但是反過來一個身份證填四個手機號也是有問題的。我們用復雜的網絡來解決身份核實的老大難問題。

　　貸款申請次數與欺詐風險也有關系。這是我們的世界地圖，發現同樣一個身份的，在90天之內申請過貸款只要達到5次，他的欺詐率是別的人群的3.2倍。他可能換不同的手機號，不同的身份證號，不同的地址，實際上是一個人，或者是實際上是一伙人，有中介，就是一個團伙。

　　再看一下地址距離與欺詐風險的關系。申請家庭地址與百融庫匹配上地址的最近距離大于5公里，欺詐客戶數是距離小于5公里欺詐客戶數的3.4倍。

　　再看信用風險防范。信用風險很復雜，有很多很多的方面，剛才說有很多很多的弱變量組合在一起。例如看到有的借款人經常在網上購買游戲幣，金融機構借錢給你，希望你提高生產力，但你沒有，純粹地消耗。一定程度上說明借款人還款能力有限。還有網上喜歡看藝術類、財經類的媒體的借款人他們的不良率低一些。可能是因為他們受教育的程度比較高，隨之而來他們的收入可能也高一些。一般來講還款意愿至少是比較強的。

　　此外，一年做過一次商務艙，或者不是商務艙，但是飛行次數不少于4次的人，我們認為他的還款意愿、能力都比較強。但是這里要刨除一種特殊情況，欺詐的也有可能很有錢，還款能力沒有問題。所以我們要把欺詐排除在外，排除信用風險的問題。

　　這是一個銀行的信用風險評估模型。KS值模型。這個值越大越好，一般來說希望大于0.3，而我們做到了0.49。（注：KS值被用來評判模型區分好壞客戶的能力，是銀行界統一使用的標準。KS值越大模型越好）

　　這是百融評分模型的參考因素。首先是關鍵信息匹配數據，手機號、關鍵地址這些對防欺詐非常重要。

　　其次是穩定性數據。是不是穩定，是不是老換手機號，這樣的人說不清楚是欺詐，還是信用。有時候是信用，沒錢還了，很不穩定。

　　第三大類，商品消費偏好數據，一個月花多少錢，買什么東西，有沒有錢，長期負債消費的人還是少的。第四是媒體閱讀偏好數據，看什么書、雜志也很重要。第五是資產數據，有沒有車子、房子、掙多少錢。第六是申請信息核查數據，點線代表違約率。此外還有其他類的數據，第一大是交易類的，剛才說喜歡玩游戲、看動漫的，如果在3、4線城市生活的信用分值比較低的。為什么在線上買食品的人比較靠譜，因為他們都是有家庭的人。農民工很少買一桶油。一般不會惡意地騙你的貸款。

　　下面就是希望那些稍微小一點的金融機構能夠以比較簡便的方法來看我們前面講的東西，因為什么原因拒絕，還有欺詐和信用的問題。再一個是關于信息的保留很重要的。

　　新浪聲明：所有會議實錄均為現場速記整理，未經演講者審閱，新浪網登載此文出于傳遞更多信息之目的，并不意味著贊同其觀點或證實其描述。