0
從2017年的4季度開始，市場大勢出現了變化，監管的關鍵詞逐漸從鼓勵和創新轉變為規范、整頓。行業中也出現一些聲音，比如現金貸主要在關注流量問題，以及居民杠桿非常高，接近美國次貸時期危機時的杠桿情況。另外，由于整個經濟都在去杠桿，資金的供應也變得越加緊張。
在近日舉辦的朗迪2018峰會上，雷鋒網獲悉，度小滿金融副總裁黃爽受邀進行了普惠金融的演講。在這個情勢下，黃爽指出，焦慮情緒正在滋生。但他也認為，“只要我們用符合金融生態的框架和符合金融規律的基本方法來作業，普惠還是大有可為的。”在普惠的框架下，只要B端和C端服務好雙方訴求，普惠金融仍然大有可為。“以前智能在C端的落地，B端的比較少，很可能形成資金和資產的錯配。如果能夠更好的匹配起來，能夠讓更多的資金方參與進來，能夠解決更多的問題。”
金融業務也有基本規律遵循，他則主要從客群、風險和產品的“鐵三角”關系進行了闡述。從消費空間來說，近年來消費金融得到快速的發展，2016年超過7萬億，到了2017年達到11萬億。有專家預測，到2022年增長會是兩位數，約為10~15。而且小微企業、零售需求都還有很大的發展空間。第二個中國得天獨厚的是人對智能終端的使用，使得大量的數據能夠沉淀在智能終端上。但是光有數據是沒有用的，還要算法使得特殊的任務簡單化。百度大概有14款用戶過億的APP，意味著大概有10個億的設備行為能夠沉淀在底層。
同時，兩位嘉賓在會上提出場景可能是一個偽命題。對此，黃爽表示，他認為場景不是一個偽命題，只是場景的作用會慢慢降低。“如果你有一個真實的需求，不管在什么場景下，其實你都應該獲取一個金融的產品，而這個產品是至于你那個時點更為合適的？還是至于你這個人更為合適的？其實答案在人和機器互相的學習中能夠慢慢展現出來。”
他提到響應模型，這是對一個人需求的描述，搜索的數據是一個人真實需求的表達。這里面不僅有行為特征，還有長周期決策，比如說出國進修，也有一些需求表達非常直接的，比如說快速租房，其中就蘊含金融需求。“如果從模型的角度來看這件事情的話把百度用戶5等分，響應評分最高的這群人和響應評分最低的人，是90分，有些人在這些時點真的不需要錢，而有些人這些時點真的最需要錢。比如說他們的收入的穩定性不高，或者剛好有一筆大的開銷，這些也會反映在我們的響應模型和風險模型的交叉驗證上。”這就是對人的識別。
在識別風險時，百度目前已經與許多城商行進行合作，在相對小額的產品方面，大數據能夠完成相對可靠的金融決策的。但是在另外一些情況，它其實是央行征信的有效補充。大數據的作用其實是提升效率，消除金融摩擦。此外，還可以指導定價。“我們現在其實ABCD幾個客群定價的變化幅度還是非常大的，可能A客群應該是D客群的一半不到。”
另外，風險的表現不僅僅是線上的，智能其實也是有一個場景泛化的過程，很多線下的場景也是能夠使用到相應的技術的。教育貸是百度金融深耕的一個場景。申請實際上發生在線下，遠程授信已經實現秒批。據介紹，當用戶申請的時候，百度會監控所有的申請人之間的關聯關系。“人和人之間沒有太多的關聯，一個騙貸的學校就會長的非常不一樣，人和人之間的關聯度會發生非常大的增長。打上了嫌疑標簽的這樣的一些人員也會變多了，這是完全實時的。隨著我們經驗的增長，我們把這樣的學校和其他曾經發生騙貸的學校也關聯起來。所以智能的技術的應用場景也是在慢慢的泛化當中。所以當你擁有了對客群的認知，對風險的甄別，就可以產生不同的產品。而不是簡單地盯著利息最高的客群，也不是盯著傳統銀行能夠服務的客群。”
他舉兩個真實客戶的例子。有一個小白領，她喜歡上貼吧，有一份兼職工作。在她讀新聞的時候，她會收到信貸推送，只要進行授權，完成審核，就能獲得5萬塊的額度。另外一個是年紀較大的小微企業主，他有出國游、子女教育的需求。雖然使用百度產品的頻率較低，但是綜合評分仍然比較高，風險等級是A，所以百度給他推薦的是30萬的信貸廣告。“他在任何百度的入口都可以看到這30萬的額度。場景已經泛化了，更多以人為維度實現授信。”
“如果一定要叫“鐵三角”三邊關系的話，我認為是客群和產品決定了風險值。一個能接受40%利息的人，和能接受18%利息的人，他們的風險的平均值不同，其實也決定了產品的競爭力。同樣一個人，你已經知道他是誰了，大概有風險的控制能力了，你怎么樣在定價上或者產品定價上對他有更大的吸引度？你要對這個人有比較好的認知。最終產品決定了你的邊界，你能把多少人覆蓋？不斷地打磨你的風險，每個人都要適合他的產品。最終我們通過技術，能服務更多的人。”
說完了C端的故事，看B端。2B和2C的業務有著不同的打法，2B的業務獲客邊際成本最好是為零。黃爽表示，B端的客戶首先power比較大，最好有相對比較穩定的客源，“交易結構是通過加保險的方式，還是加擔保的方式？還是雙方長期信任，形成風險控單的形式？這都是由不同的交易來支撐。”
不同的銀行的合規風險基本上是一致的，但是不同的銀行風險邊界是不一樣的。關于找貓的問題，在這里也展現的淋漓盡致。銀行一定有自己的篩選標準，甚至不同的風控策略得到不同的結果。在百度試著溝通了一段時間，就會發現一方面銀行不可能把他所有的東西都告訴你，第二，即使知道所有的規則，并將其加入篩選中，但很多時候規則不是線型的，它是個決策樹。最終分配給銀行的客戶，很可能不是他最想要的，批復率在40~50%左右。這個時候工程師就會把銀行已經批復的40~50%的人里面去找這個“貓”，讓機器進行學習。通過一段時間的學習，合作機構的批復率都能夠達到90%以上的程度。從產品層面來說，互聯網公司更多的時候是要做一個整合、流暢、統一的在線體驗，這也是對金融機構一個最大的貢獻。
黃爽還提到，用戶屬于誰的問題。以百度的智能分配云帆平臺為例，一個客戶應該拿A銀行的產品還是B銀行的產品，還是某個消費公司的產品？客戶是從愛奇藝過來的，評分700分，定價16%，初始額度是2萬塊。百度預測，這個客戶可以在生命周期里面為任何一個金融機構創造大約一萬塊錢的收入。最后這個客戶可能被推薦到了B銀行，而從保護客戶體驗的角度來說，并不是因為A銀行的資金已經用完而不能夠完成交易（各個銀行資金的使用率不同），更多是考慮到智能分配，才將客戶分配給B銀行。
在全生命周期的經營里面，百度和B銀行也是合作的關系。關于客戶的歸屬權，他既是互聯網平臺的用戶，也是金融機構的客戶。“在生命周期里面，我們同時要經營這樣的用戶和這么一個客戶，而不用過多糾結這到底是誰的客戶的問題，大家各司其職，這里面提供的價值是不一樣的，最終加在一起，能把這個客戶服務得更好。”
更多資訊，請關注雷鋒網雷鋒網
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
