当今大学生创业

圆桌派出轨讨论|圆桌讨论:空白市场的普惠金融(学生、农民和蓝领工人)

|

【www.dagaqi.com--当今大学生创业】

  10月30日,在中国大饭店举办了“2015普惠金融CRO全球峰会”,当天下午进行了以“大数据风控的商业价值”为主题的论坛讨论,由中国人民大学信息学院副院长文继荣主持,玖富风控总监刘波、信而富风险政策副总裁吕宇良、马上消费金融股份有限公司首席数据官刘志军、分期乐&桔子理财首席风控官刘年华、投哪网CEO吴显勇5位作为嘉宾,就“空白市场的普惠金融(学生、农民和蓝领工人)”问题,进行了了相关讨论。

  具体内容如下:

  文继荣:

  大家下午好,今天很高兴在这里做一个圆桌讨论,关于空白市场的普惠金融。空白市场,我们今天主要针对的是农民、学生、城市蓝领关于普惠金融的主题,我先做一个自我介绍,我叫文继荣,我是来自中国人民大学。我之前在微软研究院工作了14年,主要一直从事大数据方面的研究工作。两年前到了人民大学,担任了人民大学社会科学的学校,我在这个学校里面主要从事大数据和社会科学,包括金融方面做一个结合,这方面的研究和产业化的工作。

  10月30日,在中国大饭店举办了“2015普惠金融CRO全球峰会”,当天下午进行了以“大数据风控的商业价值”为主题的论坛讨论,由中国人民大学信息学院副院长文继荣主持,玖富风控总监刘波、信而富风险政策副总裁吕宇良、马上消费金融股份有限公司首席数据官刘志军、分期乐&桔子理财首席风控官刘年华、投哪网CEO吴显勇5位作为嘉宾,就“空白市场的普惠金融(学生、农民和蓝领工人)”问题,进行了了相关讨论。

  具体内容如下:

  文继荣:

  大家下午好,今天很高兴在这里做一个圆桌讨论,关于空白市场的普惠金融。空白市场,我们今天主要针对的是农民、学生、城市蓝领关于普惠金融的主题,我先做一个自我介绍,我叫文继荣,我是来自中国人民大学。我之前在微软研究院工作了14年,主要一直从事大数据方面的研究工作。两年前到了人民大学,担任了人民大学社会科学的学校,我在这个学校里面主要从事大数据和社会科学,包括金融方面做一个结合,这方面的研究和产业化的工作。

  今天很高兴来到这里,对我来说也是个学习的机会。

  先介绍一下今天圆桌会议的嘉宾,刘波刘总是玖富风控总监。吕宇良吕总信而富风险政策副总裁,分期乐&桔子理财首席风控官刘年华,刘志军是马上消费金融股份有司首席数据官,吴总是投哪网的CEO。

  今天我们讨论过程中间,还是会根据大家的发言过程,做一些灵活的。

  银行的传统机构有一些嫌贫爱富,只有一些农村信用社、农商银行,才能进入农村四、五线的小城市。学生这个群体也是,学生们很难借到钱,这是目前的一个现状。在过去一段时间,像学生、农民、蓝领一直是被以往的空白市场,有一些问题问一下嘉宾,大家认为这么一块市场长期被金融机构所忽略呢?

  另外一点,是什么原因让我们现在开始重视这块市场?这块市场到底有多大?请各位嘉宾来分享一下自己的想法。

  刘志军:

  农民、学生和蓝领,大家为什么不愿意做?就我个人的一些看法,认为他们可能一个是没有收入,或者收入不稳定,或者收入不高。不是有一种说法,把钱借给有钱的人,而不是把钱借给没钱的人,这是大家的一些想法。

  这些人是不是就没有金融服务的需求呢?确实有,那就看这个行业怎么做这个事情?信用政策怎么制定?这当然是一个很大的课题。德国诺贝尔奖斯里兰卡做得很好,帮助了很多需要帮助的人。

  文继荣:

  还有嘉宾吗?

  刘年华:

  说一下学生市场,分期乐的模式是电商加平台,我们有自己的消费场景,提供金融服务,给到愿意在我们消费场景中产生一些金融服务的学生。大家都做过学生,在校期间你有时间,然后你有消费的需求,坦白说你没有钱。你父母现在是一千块钱左右,我读书的时候,大国每个月给我两、三百块钱,但是我有各种各样的需求。打个比方我到假期去旅行,一次性要支付2000块钱。这么大的金额,对我每个月200块钱的收入,挺难支付的。我们抓住了这些痛点,在数码类,在教育培训类,帮助一些学生可能想得到一些专业的教育,那这些教育,你可能一下子支付大笔的资金,通过这样的场景做切入,提供一些金融分期服务,能够让他在现在比较少,每月承担还款能力的前提下,能够提前地进行消费,这是我们分期乐开始做的一个切入点。

  学生市场是一个非常大的市场,因为中国绝大多数的白领,我们一直在说,大概70%到80%的白领,来源多是这批大学生。当然也有少数的一些没有读过大学,最后也能成为中坚力量,我们就是抓住这个切入点,学生在校园里面,提前做好服务,做好我们的产品,产生用户黏性。等到毕业之后,成为我们比较忠实的用户,这个是分期乐做学生业务的初衷。

  吴显勇:

  我认为这种学生,包括蓝领、农民,这样的一些群体为什么是金融行业不愿意去碰,或者相对空白的一些领域?它根本的原因还在于,我们讲金融这个行业,它本身的经济属性,驱利的经济属性。跟我们需要服务的金融群体,本身它的还款能力、收入能力之间存在着不对应,有很大的关系。

  一直以来,金融行业跟我们整个道德顺利这块是不能很好地去融合。比如说最穷的人,最需要钱的人,可能它也是最没有收入的人,他们需要这样的金融服务。但是对金融机构来讲,它要健康地存活下去,发展下去,它必须要用收益去覆盖它的风险,就必须要对这样的一些群体,有更高的价格。本来这些群体就是收入偏低的人群,这方面不能很好地解决,没有更好的方案去解决这方面的问题,所以使得这样的群体比较难从非公益性的金融机构,来获取相应的金融服务。

  这种问题其实是长期存在的,不只是在中国,我想在其他国家都是存在的。除了我们讲金融机构提供相应的金融服务之外,还有一些非营利性的组织,一些政府机构,应该提供相应的金融服务,去扶持这样的一些领域,这样的一些群体,谢谢!

  吕宇良:

  我想最后再补充一下,我们认为为什么传统的银行不去触及?还有一个原因是中国征信体系的缺失上面。我们知道像在发达的欧美市场,它的征信体系能够覆盖80%的人群。而中国的情况我们有40亿人口,我们央行的征信应该能覆盖8亿人口。但是8亿里面真正有信贷记录的,只有2到3亿,换句话说,绝大部分的人口,其实是被中国现有的金融领域,特别是银行领域没有被纳入进来,我说的是信用这块领域。

  就像刚刚说的8亿里面,有一些其实是借款的服务,记帐服务,它不是信用服务。这是一个现状,我们绝大部分的人,包括我们说的学生、农民、蓝领工人,没有被传统机构纳入到信用服务体系里面去。传统金融机构过去的日子非常好过,有很多的利差,没有必要突破现在3亿人口,往外扩充,没有这个动力,没有这个压力,所以它只要做那些最好的人就够了,不需要去扩展,所以会造成那块不大愿意去触碰。

  文继荣:

  现在针对像学生、农民、蓝领是不一样的原来也不在我们整个的征信系统里面,我们知道这些人群其实有非常显著的特点,我们对应的一些风险控制的手段也是不一样的。各位都是在各自的公司里掌控风控部门的,那请大家也介绍一下,比如说在你们的公司里边,你们是分别针对这样的一群客户,是怎么来做的?针对他们特点来做风控的。

  刘波:

  我就从我之前的工作经历里头,从玖富来说一下这三类人群的特点,我以前在民生的时候,我们把我们现在叫做蓝领的人群,叫做一线操作工,在我们政策当中,是禁入的客户群体。为什么是禁入的客户群体?分为几个维度,第一个没有强烈,很高、很旺盛的消费意愿。其次,他的还款能力是一般的,基于这两点。每家银行发信用卡,信用卡的盈利点靠消费的手续费来赢利的,如果没有很旺盛的消费能力,还款能力也一般的情况下,为什么要给这群人去发卡?蓝领就是禁入的客户群体。

  其次学生当时的待遇,在银行是可以做的。在民生银行是可以做的。农民可能有一些相应的产品,做得确实比较少一些。

  现在玖富其实都是可以做的,我觉得对于整个现在这个市场来讲,除了传统银行之外,我们第三方的金融机构,除了蓝领这块可能相对弱一些,学生跟农民的市场现在做得非常火热了,特别是学生这块,已经变成香饽饽了,争抢非常激烈的一块客户群体了。

  刘志军:

  我根据我以前的经验来谈谈我的看法。马上消费金融是一个消费金融公司,我们要做的是一个大数据公司,公司是一个互联网公司,我们刚开办是一个创业公司。我们要做成什么样?作为信贷的消费金融公司,为所有的消费者提供服务,不会排除任何一个人群。我们的产品是针对各人群来设计的。做就是靠我们的数据来驱动,靠我们的模型,我们的分类,在数据繁杂、维度高的情况下,就是要靠大数据的技术手段,用先进的分析手段来实现这个。

  为什么我们这么有信心可以做到这一点呢?这个也是跟我以前的工作经验有关的,刚开始是一家非常小的,就做次贷的一个产品,它从那儿起家,做到这样的规模。在任何一个市场只要做得好,你可以盈利。尽管是次贷市场,尽管大银行都愿意做的,尤其是传统大银行根本不愿意碰的领域,它还能细分市场,还能开发针对这个市场细分人群的产品,他们能够做成功。什么办法?基于信息的策略。

  不管是学生这个市场,还是农民这个市场,还是蓝领这个市场,不仅他们需要服务,也是有利力图的,这一块看做得怎么样,不是说市场无利可图,而是我们自己失败。

  刘年华:

  我的目标客户群绝大多数是在校大学生,有各种各样的方案,学校学生在固定的场所,吃、住、行都是在固定的圈子里面,我们很多的策略都会在针对于这么一个固定场所展开。很多人在问,学生不是相对数据较少,没有大数据?这是一个现实。但是其实或多或少也已经有一些数据在里面。现在学生跟我们当时做学生已经不一样了,在互联网场所,在各种其他网络交易,都会留下或多或少的痕迹,这是一部分。

  我们会通过这些信息,做很多的分析模型,我们在进入我们的决策引擎做自动化审批也好,各种各样的工作都会做。并不是说完全依赖大数据,对于这些客户群来说坦白说不够。更加做得多的,把它叫做场景风控,在特定的交易场景下面,设置我们的一些流程。我们通过流程从线上、线下整个一个来进行布控。包括我们在所有的学校里面,我们会有学校的一些片区经理,高校代理,会给我们布点,会做销售也好,发传单也好,会做比较脏,比较累接触客户的工作。在接触客户的同时,他会帮我做部分风险的审核,在流程上面,帮我亲见客户。

  通过流程化的管理,我的模型数据相结合,把我们的风险降到比较合理的范围之内。所以在我们看来,线上、线下,大数据和非数据,对我来讲是同等重要的。

  吕宇良:

  其实我们知道我们这些客群有一些是活跃客群,有一些不是,对于互联网的活跃客群有很多的途径能够采集到网络上,无论在PC端,还是在移动端留下的那些蛛丝马迹,经过这些数据的采集、加工,以及更重要的是大数据的算法跟使用,其实还是能够对这部分人群做一些比较好的风险评估的,这是我们一个观点。

  另外对一些线下,刚刚提到的银行不愿意服务,因为银行认为没有必要。可是对这群人,的确我们过去信用体系对他们了解很少,我们不能依赖于这些,所以我们需要做更多资料的采集,对于这部分我们可能采集的资料,对传统银行采集要多很多。我们基于这些,一样能够拿到大数据。在这些基础之上,我们再通过各种各样的模型和算法,坦率地说,我们的自动化审批比例是非常高的,因为我们是做这个出身的,所以我们非常相信基于数据的,基于CDS的自决策系统,能够做绝大部分的审批。

  吴显勇:

  其实这一块人群,它的一个风控,最主要的方式还是要用收益去覆盖风险。根据这几个群体的一些不同,特别是像学生这样的一些群体,他有一个固定的生活、居住、学习的场所,这方面加强一些措施。

  其他通过互联网信息的趴取和获取,只能是反欺诈的手段,很难说在真正意义上去形成风险定价决定性的因素。所以说在这一方面,整个行业应该讲没有太好的办法,只能说是收益覆盖风险,根据群体的特征,去做一些更精准的反欺诈措施。

  文继荣:

  谢谢各位对这个问题的回答。下一个问题其实也是跟这个有关系,大家都提到的大数据风控这方面的。针对于农民和蓝领,现在我们的普惠金融的方式,就是跟传统农村信用社、农商银行相比,它到底在哪些方面有更大的优势?大数据风控是个主要的原因,是因为大数据,还是因为其他的什么因素?请各位阐述一下。

  刘志军:

  我们现在把学生、蓝领和农民这样分群,但它有它的道理,这个群一致性就没有太多的道理。蓝领工人是一个很大的群体,这个群体中同样有风险高低不一样,同样有对财务管理的能力高低不一样。学生当然不一样,考试成绩差异那么大。所谓大数据,你有什么办法?能够把这些客户群体做更多的细分,而不是当成一个整体,当成一个整体,更没法做。

  那用什么大数据?其实大数据只是一个词,就是用数据。那你收集数据,有很多很多手段来收集数据。也有很多办法来处理数据,还有更多的办法来分析和利用数据。还有很多办法来利用你分析的结果,这里面的变化是非常大的,能够产生结果的差异也非常大,很难说有用还是没用,看你具体怎么把它做下来。

  刘年华:

  在学生人群中收集了很多数据,非常同意刘总说的,数据并不是越多越好,有一些可能是一些噪音,可能会来把你决定性的因素混淆掉。

  还有一些是有用的数据,它可以用来帮你做各种各样的事情,包括定价,包括信用额度,包括期限也好,关键看你怎么样用这个数据。包括客户细分也是非常非常重要的一部分,不要说蓝领、农民工和学生,在学生里面也有很多细分客户群,外面看,每个学生好像都差不多,你好像收益也都差不多的,刚刚有一个记者在问我,说学生都没收入的,这些东西怎么看?认真想想每个学生每个月都会有一些固定收入,特别是在中国这个特殊的环境下,他每个月都有固定的生活费,我们还能提供各种各样勤工俭学的机会,现在学生的收入多样性,其实已经有非常多的不同渠道了。

  再通过一些数据的细分,客户群的一些细分,区域性的一些细分,其实基于大数据会有一些决策,再基于场景也会有决策,对于我们来说是更好地把几方结合起来,看看怎么样为我的学生服务。

  说到产品定位上面,因为我是从传统金融出来的,所以说我的强项是在金融产品。我们公司做互联网产品都是从腾讯出来的,腾讯更加抓用户的产品体验为主,抓用户的痛点为主,就是把传统金融跟腾讯抓用户体验,抓用户痛点相结合,找一些用户当前最关心的东西,通过部分大数据分析,看当前用户的痛点在哪里?怎么样把我们的金融服务切入到那个痛点,更好地为学生人群来进行服务。

  吕宇良:

  我是觉得数据对我来说越多越好,为什么呢?在零售信贷领域差不多摸爬滚打15年了,过去帮国内以及国外的一些金融机构开发的模型是几百个。对我们做分析出身的人来说,数据是越多越好的。只是说哪些有用,哪些没用,这是我们来看的。

  在大数据的时代,跟原来不一样,模型里面可能只用差不多十几个变量、二十个变量,用的方法也是非常传统。我们现在的模型里面,坦率地说,我们运行的模型里面,用的变量是成百上千,增加了更多的变量之后,我们的实际经验告诉我们,能够把模型效率显著地提升,对我们来说是数据越多越好。

  传统上从来不会关心这个申请人住的地方,家里没有窗帘,窗帘什么颜色,我可以很肯定地告诉大家,通过大数据的分析,我们发现这些东西还真的对这个人的风险评估有用的。所以我们认为,对我们来说是数据是越多越好。

  吴显勇:

  跟传统的农村信用合作社相比,互联网的金融机构在做这么三个群体的,它的风控按照本质上来讲,如果说这三个群体都还不上网,应该来讲谁都没有更好的办法去提供更好的风控措施。

  我认为就在这个领域,拼的不是说谁的风控能力更好,面对这三个群体。而应该是谁的获客成本更低。因为这三个群体,除了学生这个群体相对来讲它有一个固定的场所之外。其他的农民工、蓝领相对比较分散,获客成本是非常之高。所以在这个领域去获客,我的一个核心观点,相对传统的机构,唯一有优势的地方,我们这些互联网金融机构就在于我们跟它体制不一样,它是一种国有的,或者地方性国有的这种机制。而我们是民营的这种机制,天生就更有效率。

  除此之外,剩下两个我认为以后在运营这一块,在获客这一块要形成一个绝对性更低的成本,更高的效率只有一个字“等”,等什么呢?等他们都上网了。他们要不上网,没有形成一个网上去申请贷款一种习惯,那谁也没办法去降低这个获客的成本,谁也没办法去降低这个企业自身运营的成本。而这个成本已经显著地比风险形成的不良,带给整个企业的成本增加,已经显著得多了,所以从这个点上来讲,除了体制外没有优势了。

  文继荣:

  针对这一块市场,获客这方面的成本比风控更重要了。

  下面我可能问一个稍微技术的问题,你们在用大数据做风控的过程中间,整个大数据的风控,你们觉得哪个环节对你们来说是最困难的或者最挑战的?是数据的获取,还是数据体量的控制、清洗,还是后期分析模型的建立?以及在后面真正的应用场景,产生价值这个阶段?你们自己在这个过程中,你们因为都是实践者,你们觉得哪一部分对你来说是相对比较挑战的?

  吴显勇:

  我认为在大数据风控过程当中,面临最主要的问题还是数据获取的问题。因为数据的获取,首先是没有来源,或者来源非常有限。

  第二一个,数据本身它存在一个去伪存真的过程,数据本身这个真假去判定,也是很耗费工夫。

  但是这个角度上来讲,数据的获取成为问题,接下来数据的分析、处理,我觉得如果连数据的基础都不完善,上面的路还很远。大数据到来之后,很多东西都白费了,你做的东西可能以偏概全,不是在真实数据的环境,不是在全面数据的基础之上,作出很多的分析和判断,很可能对我们实际的风险定价,没有起到它想象中应该有的作用。

  所以我们才会看到很多做大数据风控的,会得出很多有意思的结论。你说窗帘的颜色跟这个用户的信用能力有多大的联系?如果得出这种强关联,只是有关联关系,不代表有因果关系。你这个关联关系找出来之后,我就要问他背后到底是什么因果关系?如果解释不出来一个很强的因果关系在里面?我认为你这个大数据分析,在这一块是不是需要探讨一下?是不是因为数据本身的不全面,或者数据本身的瑕疵,虽然通过回归、分析、统计得出的结论,可能跟我们当初预想的会有一些偏差。因为你做定价,影响这个用户最终定价结果的,肯定跟它定价最核心的数据,比如说他的信用记录,他的支付能力,他的资产能力,应该是这些最核心的数据,才是影响一个用户风险定价最核心的因素。

  如果说跟这个没关系,跟其他的产生了强关联,没法用因果关系解释的时候,这是不是数据本身出了问题?从这个点我们往前走,分析大数据,我们认为最大的一个问题在什么地方?就数据本身是残缺的,是非常不全面的,是片面的,它都不是做金融风险定价的核心数据,所以在这一块的分析,只能起到一个辅助的作用。没办法真正意义对风险定价起到一个决定性的作用。

  吕宇良:

  觉得挑战在两个方面,一个是数据的真实性,我们知道做数据有一句很经典的话,如果数据的质量不好的话,出来的东西也是垃圾,垃圾进、垃圾处。的确,我们需要去检查我们的数据。但是另外一个更重要的是说,我们可以多方来源的,尽可能获取更多来源的数据,做更多的交叉比对,经过这些,能够求证,帮助我们来甄别真伪,第一个是准确性。

  另外一个是完整性,说实话,过去采集的信息实在太有限了。包括我们在做信用评估,我们非常强调一个5CES,这其实代表六个方面的因素,S代表这个人的稳定性。

  举个例子,有没有窗帘?窗帘什么颜色?为什么有用呢?那是因为代表这个人不同的品位,代表什么东西呢?代表这个人的品质。当然它不是强关联的关系,强关联的关系不在这里。我们现在要解决的是那片蓝海空白市场的问题。在这块市场上面,人行征信等等这一类的信息缺失,没有强相关的变量存在。

  举个例子,白天我们能看到星星吗?看不见,因为太阳在那里,星星根本就看不见,晚上能看到星星,是因为太阳下去了,如果把变量组合起来,还是能取得很好效果的。

  另外还有一个展望,说实话,你刚刚谈到完整性,其实我们注意到,国务院刚颁布了一个大数据的战略规划。看了那个是很欢欣鼓舞的,我们知道过去很多政府部门的信息,很好的信息,它是割裂的,孤立的,是封闭的,不会对外开放的。在这个上面,其实它有明确的战略规划,所以我们认为前途是光明的,道路是曲折的。

  刘年华:

  从数据角度上来说,我的看法跟前两位一样,获取是最难的,后面提取、分析只是个技术活,只要是技术活,一定是能够把它做掉。数据在哪里?它的信息是不是我需要的信息?我所需要的信息是不是含在这里面?这个相对来说我们做学生市场,是面临的一个难题。

  我们也在考虑各种各样的风险定价,但是我们有考核分析,高风险定价,在竞争很激烈的市场里面并不是很有效的。很多时候,你说是因为做风险来说,我考虑更多的是最大化,我要涵盖掉我的违约成本、运营成本,看能帮公司赚多少钱。如果说简单的打个比方坏帐率是2个点,定价在20%,资金成本是多少?最后算出来有多少利润。今天坏帐到5个点,提高三个点的价格,是不是能把它涵盖掉呢?不是这样,今天可以到5个点,超过门槛值的,随时随地这个值可以到8个点,9个点。未来客户的改变,本质性的改变,你进入人群的不一样,会导致你对未来有些东西并不太可预测。

  我是相信大数据可以做部分预测,但我并不相信大数据能够做全部的预测,因为中国现在我觉得这个市场环境,其实和发达国家不一样,那是一个非常成熟的环境,有很多历史的数据在里面,有很多历史经验在里面,在一个很稳定的增长过程中,我是可以看到,的确我的部分获取数据,可以预测未来。

  但中国是一个快速发展的社会环境,我今天可能进入了北、上、广、深,明天跑到西藏去了,你在不停地进入新的客户群或新的市场的话,盲目依赖于过去大数据做的各种各样分析,这些结果,对你的决策都会有影响。

  对我来说,现阶段特别是在数据还比较缺乏的情况下,我更加多的愿意用流程化跟制度性控制,能够弥补数据缺失这方面的一些缺点。同时我在做一些数据的搜集工作,等到数据搜集工作和流程化齐头并进,能够更好地服务我的大数据,通过大数据能够做更加多的决策,现在做到的只是这样的。

  刘志军:

  刚才几位嘉宾说得挺好的,说说我的看法。我们目前用数据来做模型,做决策,其实困难点是每一个地方?其实有先后顺序的不一样,大小的不一样,感觉到最基本的一点,我们的数据最基本的基础建设没有完成。只要完成了那个基础建设,不能说现在的条件非常好,因为美国是花了一百多年的时间,完成这样的基础建设。我们要在很快的时间内完成很困难。

  基础建设没有完成,那在现有的条件下,大家尽量地做好。要尽量做好的话,其实每个公司自己在搭建自己的基础建设,基础建设会有千差万别,会很不一样,对数据的处理也可能不一样,很多公司都希望原始的数据,希望自己处理能放心一点,这就是一个困难点。

  还有一点,也是对数据的质量和数据的覆盖都有疑问。我说困难是每一个地方,是不是这样的困难下不能做事?不是这样,可以做。有些规则是属于一目了然,但是不是很稳定呢?这要靠检验。更精细的话,会更困难一点,靠大家积累数据来做这件事情,积累的数据越多,可能越精确。

  同时面临两重问题,一个是市场在快速的变化,你积累的数据,等你积累下来以后市场又变化了,这又是面临的困难。

  还有一个你进入细分市场,你进入另外一个市场有没有这个数据?我说困难到处都是,确实是这样。对我们来说,我们愿意想做的是什么呢?我跟所有能够合作的伙伴都合作。我对今天上午OLA那个非常赞同,更多的数据合作,这样有更多的数据覆盖。我们逐渐能够设立一些数据的标准,能够达到共识,这才是一个方向。不是说某一个公司想的,钻一个角落里把这个整清楚了,不可能。在这样一个快速发展的情况下,不可能自己在一个角落里把它整清楚,这是做不到的。真正要解决这个问题,是整个行业怎么样形成共识来发展。

  刘波:

  我有一点点不太一样的观点,我不认为数据获取是一个难度,通常所说的大数据,这个数据多大才算大呢?是几十万条算大?还是几百万条算大?最关键点获取的信息,对它的真实性或有效性质疑的话,可以去验证。

  之后关键难点在哪儿呢?是在于数据来了之后,数据引入到我们的模型当中的偏好。因为数据本身是动态,不是静态的,导致我们后期,就算是引入大数据,还要不断地调整,根据政策或者行情变化也好。

  文继荣:

  因为大数据这是一个很长的链条,各个地方都有挑战性,接下来这个问题,可能我个人也想请教各位,比较感兴趣的问题。尤其是以后搞大数据,我们叫数据分析家美国预计会缺口到100万左右的缺口,我觉得中国自己感觉也差不多是这个数量级,接下来的十年,需要这么多人才?

  很多像我们在国内的高校也开始去成立这样的数据科学的专业,大数据专业,或者数据科学研究院,希望去着手培养这样的人才。在内部有很多激烈的讨论,有的人可能说多学数据分析、统计的东西。有的要学习计算机科学的东西,有的说更多去做算法的东西,学习数据挖掘、机器学习的。每个人都可以从自己的出发点来讲这个事情,有很多争论。我自己特别想从你们企业界,从公司的角度来看,假设你们将来有数据科学家、数据分析家的职位,需要具备什么样的技能?我想请各位嘉宾探讨一下这个问题。

  刘波:

  我们现在有很多的数据分析师,他可能也有很多华丽的背景,总体总感觉美中不足的,就是统计能力很强,分析能力很弱。理论性很强,可以做一些数据的陈列,但是如果说是对这个数据的解释和理解,他可能并没有那么深入。

  文继荣:

  掌握了很多技能,但是缺乏了。

  刘波:

  输出能力比较差一些。

  刘志军:

  其实这么几方面的能力,一个是分析的能力,不是说他懂数据,懂统计,本身就具有分析的能力,即使不懂任何数学,也可以具有分析的能力。

  第二个使用工具的能力,会不会使用工具。

  第三个是专门的知识,包括统计的知识,包括计算机数学的知识,这三方面结合,才能成为一个比较好的数学分析师或者数据科学家。

  如果他统计的能力特别强,当数学来学,不具备对实际事物的分析能力,也做不好事情。如果他用这个工具用得特别熟,只能把列表做出来,不能做分析,我说这方面都得要。这个当然是不容易的。

  要真正做好,其实是大家共同努力做的事,不是现成招一个就有了,这是我回来深切的体会,这不像招一个IT的工程师,上去就能干,现在还没到这个情况。

  刘年华:

  我非常同意刘总的说法,数据分析师、数据科学家,其实是非常综合性的一个能力。因为我原来在金融机构,相对来说可以招各种各样的人,从华尔街回来的,有分析背景的,有专业数据驱动的做金融公司,输出相当的人才。

  现在在创业型公司,你面临的选择非常窄,虽然现在是万众创业,但是一些特别好的,综合能力非常强的,能到我碗里来的基本没有。只能说找部分的,我现在做法是把我的工作切成细块,有一些经验深的人,来做总负责,做报表展示的告诉你做哪些就做哪些,如果做分析的,就专业做分析,我愿意一个一个来培养。但是一个统一的前提,就你自己要研究,自己要有研究的精神。特别是在国内来说,一般来说本科毕业生,研究的精神会稍微少一些,因为基本上还是以学课本为主,最后是毕业之后写一篇论文,自我研究,自我钻研的精神会少一些。

  在国外这方面会稍微多一些,其实这个精神对我来说是非常重要的,在各种各样的数据报表中,在风控整个的流程中,我们通过数据。因为我还有一个电商平台,在电商平台中留下的各种各样的足迹,留下各种各样的信息会做分析的,如果有些异常,你要能够体会大这是异常值,只要往这方面去想了,接下来就是做事情,可以有专业的人来做。我们现在招人,首先希望你要有一个研究的精神,你会问问题。同时你如果能够具备的一些专业统计技能也好,数学技能也好,建模技能也好,这个最好。如果这个都没有的话,只能切分开来,自己慢慢做培养,才能解决当前的问题。

  吕宇良:

  我们是觉得现有的这些人两方面差距。第一个差距是说具体的算法,这方面技能上面的一些差距。因为说实话,我们这边跟美国这边还是在这方面还是有一定差距的,为了解决这个问题,其实我们信而富在美国有自己的数据实验室的。我们会跟麻省或者斯坦福的教授来合作的。会把这些人才送到美国去培训,掌握先进的算法,回来能够用这样的算法,第一个是算法方面,这些技能上的差异。

  是不是说算法这方面,技能上面提升了就行?能不能达到要求呢?还差一个量级。就像我们看刚从国外回来的,可能那个模型分析出来很漂亮,可惜这个东西不能用。我们有一个叫业务支持的理解问题。坦率地说,我不大赞同数据科学家的做法,我比较赞同的是商务分析师,他必须要对业务有足够的了解。我们在美国的那些人,技术非常强,可是他做出来的东西不一定直接用的,一定要让他了解了我们的业务之后,做出来的东西才能真正地使用。

  吴显勇:

  我非常同意吕总的说法。其实我们去年八张征信牌照发下去之后,意味着在可以预见三到五年之内,大数据整个初步的框架体系,在中国初步的征信相对健全的体系将会建成。在那个时候呢,对大数据相应的一些人才需求,才是真正的爆发点。这样的人才在目前国内来讲非常少。

  国内的人才可能重实物,国内国企比较了解,但是相应的一些经验缺乏。国外的人才,一个一个成熟的银行体系来讲,有一、两千个这种分析模型,所以它有这样的一些经验,有这样一些先进的算法和手段,但是它容易不适应国情,不了解国情,所以做出来一些东西呢,可能不一定马上能用,这是目前这个阶段,大家普遍存在的问题。

  海外留学回来有它的优势也有他的短板,国内也有他的长处,也有他的不足,这是一个普遍的困境。假以时日,我相信这些问题都能解决,只是这个缺口还是非常大,我们认为在未来的三、五年,这个缺口非常大,只有一些优秀的企业才能留住这样一些优秀的人才。

  文继荣:

  刚才各位嘉宾讲的东西对我这边非常也启发,因为我们确实现在在想这个事情,因为大学承担的责任就是要为我们各个企业,各个政府部门输送合格的人才,或者你们急需的。

  下面各位如果有什么问题也可以问。

  第一个是问一下刘年华刘总,你怎么看就去分期和分期乐的两个竞争?怎么看学生分期市场的风险?

  刘年华:

  在学生分期市场,的确我们跟去分期,现在算是最大的两家。我们觉得这个格局已经定了,其他的要再切入这个市场的机会相对来说会比较小一些。

  我们其实不怕任何竞争,因为我们在各方面的数据,在行业里面相对来说是做得比较健康,做得比较规范,产品、客服、风控、销售整个的体系,包括运营整体都比较完善。在这么一个大的市场里面,坦白说学生市场还是比较大的市场,肯定会有竞争。我们会觉得有友商的加入,一起来教育这个市场,我觉得是一件非常好的事情。因为学生这个市场,大家都还是小白,刚刚从高中进入大学一个封闭的校园,对于信用的知识点缺乏,还是需要进行再教育的。

  我们有更加多的一些分期公司,学生分期的竞争对手进来,能够加快把这个市场教育成熟,这个是非常好的地方,让大家有这样一个概念。

  像做学生分期,我们有自己独特的线上商城,因为我们的货都是从京东来的,采用京东的配送,采用京东的物流,这个是我们独一无二的优势。

  通过这个优势,能够在我的风控体系里面留下更加多的数据,有更加多的手段。分期市场不论怎么样还是一个金融市场,金融市场不是一锤子买卖,今天可以做100亿,但是我的风险是在明年、后年才爆发,到底谁活得久,就看每家企业自己的本事。

  文继荣:

  下一个问题,是刘志军刘总,马上消费金融有非常强的股东,像重庆百货、物美等等,刘总如何来利用这些资源?以及对于将来业务发展方向的影响?

  刘志军:

  谢谢这个问题,确实我们肯定会利用这些股东的资源。像重庆百货和北京物美两家有上千万的消费会员,这些会员是我们潜在的客户群。我们会对它这样的一个渠道、消费场景开发我们的产品,提供信贷服务。

  这样的模式我们希望是非常成功的,这样就可以完全复制到各个市场上去。我们是一个网上的公司,所以我们没有线下团队。但是我们的线下就是这些合作伙伴,他们消费场景,就是我们线下拓展的一个方向。而不会是建立自己的团队,不是说非常不好,按照互联网的时代非常缓慢推进的,我希望快速的推进,所以总的来说是这么一个模式,从业务上。

  更准确地说,像我前面说的,针对不同的市场,对不同的客户,做更多的细分。市场上产品都是有针对性的,我们会针对这些客户不同的行为模式、行为表现,他们的消费习性,他们的生活状况,他们的风险程度来设计不同的产品,尤其会结合到不同的渠道和场景。

  文继荣:

  下一个问题是关于移动手机做信贷,玖富是第一个提出来,WE cash针对的人群是什么样的?风险如何?如何来处理的?

  刘波:

  WE cash是针对年轻群体,实时授信的公众号,这个期间会主要抓取几个关键字段,需要你授权,读取你邮箱内的信用卡帐单信息,只抓取帐单信息,看不到你的密码,也不会去看。

  因为这个群体,一般这个产品出来之后,为什么主要的用户是年轻的群体呢?因为它主要是年轻人觉得好玩,我从微信端简单输了几个信息之后,我很想知道我的信用值多少钱。一开始一群粉丝都是以尝试的心态去注册,后期感觉到它非常便捷,所以现在的注册用户还是很多的。对年轻群体没有做具体的划分。风险依托于线上趴取的信息分析,以及信用卡帐单信息。前期遇到的问题是信息量过少的问题。

  前期还有一个问题,因为这个产品是没有一个面对面的过程。前期我们也遇到了一些伪冒的行为,后期我们通过什么样的方式去做了一些弥补呢?

  一个是现在本身WE cash获取第三方的数据源越来越多,这样补充一下我们以前数据资源比较缺乏的问题。

  其次,后来我们结合面部识别和瞳孔识别两项技术,避免了伪冒的风险。

  但其他的一些风险特征,还有信用透支风险会比较棘手一些,欺诈行为和伪冒行为可以排除,面对一个正常人隐性负债不太容易获取的情况下,不知道这个人什么时候变坏,因为我们对于客户的定义只有好客户和坏客户,当前的状态,根据我们模型运算出来他是一个好客户的情况下,但是我们不清楚他什么时候会变坏,也许他已经负债爆发的时候,他就可能会发生一些违约的行为。

  文继荣:

  信而富不声不响地跟BAT中间的腾讯、百度开展了很多合作,推出了微利贷,跟你传统的业务有很多的区别,能够介绍一下怎么实现多元化的业务策略?

  还有另外一个,你们现在有很多BAT线上巨大客户群,风险控制在这么大一个用户群有什么不同之处?

  吕宇良:

  这一块还是结合今天大数据的主题。另外还有普惠金融,说实话为什么要做信息贷的产品呢?我们信而富的名字叫信而富。其实在差不多十年前左右为什么起个名字呢?其实我们是有原因的,让信用成为财富,所以叫信而富。这句话现在很流行,在十年前左右因为这个原因起这个名字的。

  我们期望通过一些产品,能够让好的人,真实信用的人能够通过他的行为,他的准时还款,积累他的信用档案,这就是一笔很重要的财富,他去做更多的事情。我们是这样来处理的,这是我们这个产品设计的初衷,我们希望这个产品能够尽可能地面向大众,普惠。同时能够让尽可能多的人,帮他积累信用档案,让他成为他以后非常重要一笔财产。

  具体到使用上面,回到第二个问题,大数据,最开始我就谈了,对这群人传统银行里面信息非常少的,我们非常依赖于了解他在互联网上面,以及其他渠道,我们采集到各种各样的信息。比如说他今天看了什么东西,我们要基于这些信息,我们其实要做各种各样的算法,我们真的是要基于算法来对客群进行相应的筛选、审批的,我们是通过这种技术来帮助我们来进行相应的客户筛选、风险控制。

  文继荣:

  投哪网,你们最具特色是二手车的金融业务,这个二手车贷款也是很大的空白市场,但欺诈风险也很大,您能介绍一下这个市场的一些情况吗?

  吴显勇:

  抵押业务相对于互联网金融机构做的信用业务而言,风险会小很多,客单价也会高很多,所以做起来在这方面会相对容易一点。但是也不意味着这个市场就没有风险。

  我们做车辆抵押贷款这一块来讲,它需要去车管所办理抵押登记,可以去防范套牌车,或者说被查封的车辆拿来抵押这种情形。

  但是我们没办法去杜绝客户的隐性负债,比如说客户他其实在你真正的信息之外,他还有很高的负债率,有个车辆来抵押,也会严重地影响他的还款能力。最后落实到再去执行车辆抵押品的时候,风险已经发生了。

  车辆抵押办理抵押登记,车还是交给客户来使用的,他的车是跑着的,不是放在我这儿的,有90%以上的都是车办了抵押登记,还是开着车跑的。一旦有比较高的隐性负债,没有一个很好的措施,其实也容易发生坏帐。这种情形隐性负债我们认为是整个车贷违约里面最大的一个原因。

  第二一部分才是这种骗贷,比如说马上买一辆车,刚才隔壁这个会场听到的一样,问有京朝阳(谐音)这样的公司,帮客户包装,帮你买一套房,买一辆车,拿过来作为抵押,骗一个贷,再把车做黑车处理,也有可能存在。相对来讲,这种风险会稍微少一点,主要还是隐性负债。

  隐性负债也是来源于信息不对称,征信体系相对补健全,金融机构信息没有互联互通,导致这么一个结果,这是大概的车贷市场上的风险点。

  提问:

  我想问一下分期乐的刘总,在做学生市场的时候,其实我们有一点很疑惑,在学生的还款能力是怎么来核定的?因为我们之前做过一些尝试,就在河北省区的一些高校做了一些分期,实际上学生的还款来源,最终大部分还是归结于他父母的还款来源,很多学生还不了现,还是找父母来要的,不知道我们这块还款来源是怎么来核定的?

  刘年华:

  很多在说一个单独的学校单独的区域,我们现在是做全国性业务,我会把它更加分散一些,不会在一个单独区域里面,有集中度风险。

  主要还款来源肯定是父母给学生每月的生活费,这个肯定是最主要的一块。打个比方我们做了一些调研,他在各个城市大概是拿个800块钱到1500块钱,一线城市可能是2000块钱每个月,或多或少会在这个范围之内,特困生有很多的规则把它剔除在外。

  在这个范围内的收入,其实就可以把它当做一个比较稳定的基本收入,因为中国的父母有个特点,再苦不能苦孩子,每个父母哪怕你再失业,每个月给孩子的基本生活费还是能够保证的。当然也不排除真的发生一些问题,就是突然间断了收入了。

  有很多做法,第一个我们是行业里面唯一一家,你只要提前还款,就能免你所有的手续费,这个其实对于很多的学生是一个挺大的吸引点,你有钱了,可以把钱全部还了,手续费都不要,就是用户体验。

  第二个,如果说你没钱了,你父母给你断供了,给你提供各种各样的兼职机会,我们有大把的校园工作机会在里面。我们也投资了很多校园勤工俭学的公司,专门帮学生做各种各样的工作。

  学生在校园里面有的是时间,时间就能换来金钱,就看你愿不愿意做。我们是倡导一种思想,今年一个月拿一千块钱,一下子把它给花了,在你过去的经验当中,自己没有独立管理自己资产的经验,今天出去要干吗干吗,都花了,但到月底的时候,你的钱有点入不敷出了。财富管理、理财在你们这个年龄已经开始做了。

  很多学生看不同的需求,一些三、四线城市的学生,一些职高的学生对于3C的产品有吸引力。清华、北大,可能觉得读一个培训班更加有意义,今天突然间产生这个需求,这个负债还是会到父母的。有很多的学生都会去或多或少在父母说,谁谁谁买台新手机,谁谁又怎么样怎么样,我家里这台电脑不够用,电脑的电脑我排队等着上,各种各样的理由在那里。

  我们就是告诉学生,只要凭着自己勤劳的双手可以有能力提前消费的,只要管好自己的债务,把他每个月的按揭还款,会把它控制在一个合理范围之内,这是我们差不多在做的一些事情。

  提问:

  相对于二手车贷款,投哪网不良违约率大概在什么比例?

  吴显勇:

  这是第一点,我们的不良率在一个点多一点这么一个水平。

  提问:

  1%左右。

  吴显勇:

  这是抵押类的。

  提问:

  我想问一下你做的是学生市场,我想知道学校这一块的态度是怎么样的?未来政策上会不会有风险?

  刘年华:

  学校各种各样的态度都会有,9月份大学生购物节,都跟学校进行沟通,在学校布大型的展台,这些都是跟学校专门做沟通的。我们相对来说,我们愿意做了更加规范的操作方式,跟学校进行合作,跟学校进行沟通,因为坦白说,今天哪怕没有我分期乐,学生的需求也在那里,我站出来的一个主要工作,我是希望能够把它做成一个标准化,做成一个大家信得过的平台。所以说我们会跟学校进行多方的沟通,多方的合作。

  有一些平台可能做得并不太规范,有一些学校可能一概而论,这个学校都不许进来,的确会有这样的情况。这种情况会主动跟学校进行沟通,跟学校进行多方的洽谈,告诉他们我们的一些操作方法,我们的流程,让他们觉得我们是一个相对来说说信得过的,真正在帮学生解决他消费金融的需求。

  提问:

  你觉得整体上来讲,学校对这一块的态度是偏向于抗拒,中立,还是赞同?

  刘年华:

  总体来说,我觉得是中立偏上,因为的确我们在帮学生购买一些电脑产品,商业产品,能够让他促进学生,去上各种各样的补习班,这是改善他们的生活,增加他们学习的动力,总体来说应该是中等偏上。

  提问:

  刚才吕总提到互联网金融本来做经营的业务,就应该是属于次级贷款,而大数据前期起到的作用,是把次级贷款中的次级贷款过滤掉。大数据在不良资产处理上是不是更有优势?这个处理周期有多长?针对目前的业务,因为我知道各个老总的业务分布比较广,在自己的业务上处理起来优势在哪里?

  我是做传统信贷的,但我们往往出现这种跑路的情况下,其实在传统金融里是无法控制的。好多时候公安并不配合我们做人员定位,但是我觉得大数据。

  吴显勇:

  大数据怎么搞资产处置?

  提问:

  有没有优势?周期多长?

  刘波:

  大数据在不良清收表现会相对弱一些,我们通过各种维度来评价他综合的资质情况,在后期确实我们比较薄弱。

  刘志军:

  如果你发放一笔贷款,除非签了一个条款不还是犯罪,除非你把抵押品收走,这是唯一能做的事。

  对于小额消费信贷,你能动用的东西更少了,只能让客户,让这个消费群体知道,信用是他非常宝贵的资产,他怎么使用这个资产是他的自由,但是会有后果的。只是在目前中国很多人没有意识到这个资产的重要性,可能未来一千块钱,两千块钱就把这个资产给毁了,他不还钱我们也没有办法。

  提问:

  各位老总对于不良资产的大数据,并没有涉及,是不是我成立一家大数据不良资产的处理公司很有前途?

  刘志军:

  肯定会有的,只是希望把精力集中在事前的评估上面,你开一家大数据资产处置公司的话,精准的那一部分需要处理的话,完全可以去处理。

  文继荣:

  今天这个圆桌就到这里了。

本文来源:https://www.dagaqi.com/dangjindaxueshengchuangye/361740.html

《圆桌派出轨讨论|圆桌讨论:空白市场的普惠金融(学生、农民和蓝领工人).doc》
将本文的Word文档下载到电脑,方便收藏和打印
推荐度:
点击下载文档

文档为doc格式