为什么说金融科技根本就是个伪命题？

来源: 森林学苑   

金评媒（http://www.jpm.cn）编者按：对于拥有人行征信报告的人群来讲，传统金融机构已经能够对其信用进行很好的评估，其结果也远比利用弱相关变量的大数据风控来得精准。所以大数据风控其实是金融机构在国内征信体系不健全的背景下，客群不断下沉的无奈之举。

不知道从什么时候开始，金融科技这个词突然就在国内火了起来。不管是现金贷公司、消费金融公司还是第三方服务商，纷纷将自己叫做“金融科技公司”。似乎贴上了这四个字，融资金额就能翻几番。 

这个听起来很高大上的词其实是个舶来语——“FinTech”，也就是Finance（金融）和Technology（科技）的结合。维基百科对其的释义为它是由一群通过科技，让金融服务更高效的企业，构成的一个经济产业。 

蓝领、灰领人群征信缺失引发“大数据”热潮 

金融科技这个词虽然出生地不是中国，但确实是在国内被发扬光大的。不管是初创公司还是BAT这样的巨头，都对这个词一见倾心。阿里巴巴甚至自己创造出了TechFin（科技金融）这个倒装的新词来自我标榜。 

听起来很高大上的金融科技到底是个什么鬼呢？我浏览了几家自称为“金融科技公司”的网站，收集了他们的公司简介，可以从中看到一点门道。 

虽然几家公司用词天花乱坠，但是可以看到金融科技在消费金融领域的核心就是“大数据风控”。 

而大数据风控在国内受到追捧本质是由于国内大量人群征信数据的缺失。 

为了避免与银行等传统金融机构正面硬怼，大量互联网金融公司基本都选择了蓝领、学生、农民这样传统金融机构没服务到的客群。 

随之而来的问题就是这部分客群基本都没有人行的征信报告，征信数据非常稀薄。 

在缺乏强相关变量的情况下，金融机构只能通过电商数据、社交数据、行为数据等等一些弱相关变量来对这部分人群进行信用评估。 

而对于拥有人行征信报告的人群来讲，传统金融机构已经能够对其信用进行很好的评估，其结果也远比利用弱相关变量的大数据风控来得精准。 

所以大数据风控其实是金融机构在国内征信体系不健全的背景下，客群不断下沉的无奈之举。 

用技术就能做好风控？扯淡 

消费金融的风控主要防范两个方面的风险，信用风险和欺诈风险。 

而风险管理包括风险识别、风险分析、风险监控、风险应对四个模块。 

信用风险主要指客户的还款意愿和还款能力，也就是客户想不想还钱、还不还得起钱。而欺诈风险的情况则更为复杂，包括身份冒用、黑产攻击、个人套现、团体骗贷、庞氏骗局等等多种情况。 

曾担任百度金融CRO的王劲讲过，在美国欺诈跟信用风险相比，基本上是1：5的概念，但是在中国完全反过来了。欺诈可以说是中国特色主义的风控问题了。 

除此之外，国内的消费金融行业特别是现金贷行业还面临着多头借贷的问题。这个用户可能暂时还得起从你这里借的1000块钱，但他在不断的撸口子，已经背负了十几万的债务，实际上是还不起钱的。 

那么科技到底在风控里起了什么作用呢？我们就拿最火的机器学习和人脸识别来举例吧。 

机器学习work的使用前提：数据需要足够多，足够厚 

在传统的信用卡申请流程中，银行会根据用户收入稳定性和偿债能力审核打分，最常见的用于信用评分的模型就是逻辑回归。 

但前文也说到，在强相关变量缺失的情况下，互金机构不得不引入大量的弱相关变量来对用户打分。 

在数据量过多的情况下，基于机器学习的模型优势就凸显出来了。相比传统模型只能通过若干个变量进行建模，机器学习模型可以引入成千上万的变量。 

但从原理上来讲，机器学习和传统的逻辑回归模型并无本质区别。 

像BAT这样数据量足够大数据足够厚的公司，用机器学习来做模型才是靠谱的。而本身连数据都少的可怜、尚且处在需要外部数据支持的创业小公司，又谈何机器学习模型呢？ 

而且虽然在变量过多的情况下，机器学习模型在一些指标上的表现可能比传统风控模型更好，迭代速度更快，但同时也存在它的弊端。 

比如在稳定性、可解释性上机器学习都不如传统的风控模型。 

人脸识别：只能解决单点效率问题 

另一项大热的人脸识别技术则一般应用于贷前反欺诈验真环节，通过人脸识别能够快速有效的判断用户是否为本人。 

这种工作其实人工也可以做，相信看过最强大脑的都记得那群比百度人工智能识别人脸还要精准快速的“天才”们。而机器的优势就在于效率。 

但是风险管理面临的问题是非常复杂而多样的。就拿身份欺诈来讲，不少办分期甚至是现金贷的用户是被中介骗来的，因此他的身份信息都是真的，但借款意愿是假的。这种情况下人脸识别显然就没什么用了。 

所以人脸识别只能解决“单点效率”问题，在这一个环节上降本增效。 

这也是绝大多数科技手段的问题。这些科技手段有用吗？当然有用。 

在风控的某些环节中，技术手段无疑可以有效地降低成本提升效率。但想依靠技术手段就做好风控那是不可能的。 

就算抛开大数据的相关性和稳定性来说，它也只是一个风险评估而已，只是风险管理的一小块。 

而做好消费金融风控需要全面的风险管理体系，技术能做到的只是解决其中某个环节的效率问题。 

现金贷转型技术输出？收智商税 

去年年底，针对现金贷的监管政策在行业里引起了轩然大波。大批现金贷公司做不下去了，就开始转型做技术输出，摇身一变也成了金融科技公司，还打出了“消费金融一站式解决方案”这样的广告语。 

事实上，这些公司都是收智商税的。他们基本就是贩卖两种东西——系统和风控技术，但这两种东西其实都没什么价值可言。 

已经失效的系统 

先来说说系统，之前在现金贷最火的时候卖现金贷系统的也发了一笔财。现金贷的系统是专门为线上现金贷开发的，而且本身并没有什么核心竞争力，你能开发我也能开发，买系统只是为了省时省力。 

现在政策下来了，没人敢再做线上小额现金贷了，这套系统自然也没什么用了。 

毫无价值的风控 

而绝大多数的现金贷公司更想要转型做风控技术输出，这就更加扯淡了。 

首先现金贷这个业务本身就不太需要风控。在利率高达200%的情况下，你的坏账降低五个点或是十个点对盈利几乎没有什么实质影响。 

而且现金贷所针对的人群可以说是质量非常差的一批客群，你想想谁会在网上以那么高的利率借几百块钱呢？绝大多数借现金贷的人并非用于应急，而是用来消费甚至是以贷养贷。 

在政策下来之前，现金贷的获客成本就在不断上涨。你好不容易用一两百块钱得到了一个客户，他却不符合你的风控规则，你放款还是不放呢？答案自然是咬着牙放。因此绝大多数现金贷公司的风控都形同虚设。 

而现在他们转行技术输出，其实就是卖上文提到的机器学习风控模型。但问题在于机器学习模型本身就是通过过去的统计样本来对未来做出预测。 

因此只有在样本量非常大的情况下，模型才有用。也就是说除了几家已经拥有大量用户的头部现金贷玩家外，刚入场的小玩家用模型的效果可能还不如随机放。 

其次，风控模型并不是通用的。现金贷的风控是针对网上那批质量较差的客群，模型可能存在过拟合问题，在其他场景之下面对完全不一样的客群就失效了。 

事实上，没有什么风控模型能够一招鲜吃遍天下，在不同场景之下消费金融业务面临着完全不同的风险。 

例如在线下3C场景之下，公司面临的最大风险是欺诈风险，中介套现的现象非常严重。这条套现产业链甚至和消费返利结合发展成了庞氏骗局。 

线下手机门店、分期业务员和套现中介勾结，利用“0元购手机”等虚假活动吸引不知情的消费者来办理分期业务，之后每个月给消费者返利来还款。 

之前就有新闻爆出河南驻马店400多位消费者都陷入了这样的骗局，捷信、佰仟等知名的3c分期公司也都未能幸免。在这种欺诈里，消费者的身份资料都是真实的，人也是白户，甚至前期的还款表现也都非常好。只有在返利平台崩掉时，坏账才会大规模爆发。 

显然，如果把现金贷的风控模型用于3c分期业务，靠它来识别欺诈是根本不可能的。 

现金贷业务本身面临的最大风险是系统性风险，这和某一家现金贷平台风控做得好不好没有关系。 

爱借线上小额现金贷的就是戒赌吧那几千万老哥，过多的现金贷公司入场让压在这批人身上的杠杆越来越高。最后崩盘时，没有哪家现金贷公司能够独善其身。 

说到底，风险管理是一个系统的工程。无论是机器学习模型、还是人脸识别技术都只是一个工具而已，如何使用这些工具才是关键。 

不同场景之下，风控面临着各式各样细致而特殊的问题。就拿线下3c分期来举例，现在有一批专门的“养卡人”，他们去线下分期买手机只是为了获得后续的二次现金贷。因此他们办理3c业务之后还款也很良好，但拿到大额现金贷后立马就停止还款了。 

面对这种情况，客户的信息资料都是真实的，甚至还款表现也非常好。而风控就要从多个维度来进行防范了，例如在审核时检测这批客户是否相互勾结[别写“抱团“这个词，太”买单侠“了]，在贷后对客户进行持续的监控。一般来讲，“养卡人”的贷后表现较常规用户会出现一些异常，比如从同一家门店来的几个客户都从不查账单，贷款完成后都集中在一个地方，有的甚至是异地，用同一个账户代还款，这就很有可能发生了养卡的现象。 

因此风控其实是个细致活儿，科技手段只能在风控的某个节点上发挥作用，远不能成为整个消费金融业务风控流程的解决方案。 

金融科技是金融业务管理不缺位情况下的“奢侈品” 

“金融科技”这个词本身是没什么问题的，但是行业对科技的盲目追捧却是在舍本逐末。无论多么牛逼的技术手段，都是依附于你的业务本身的。大量草根玩家连业务逻辑都还存在巨大的漏洞，就别再妄谈什么科技手段了。 

想做好消费金融风控，首先要做好场景的把控，确保消费场景的真实和客户消费意愿的真实。通过真实的消费场景获得的客户是“好人”的概率要大得多，本身就能够尽可能地规避风险。 

其次，公司需要根据业务流程搭建一套完备的审核流。现在互金行业的审核系统，先不谈技术，连完备都没能达到，大量职能都还处在缺位的状态之下。 
一套完备的风控审核机制，不是简单地通过模型来判别这个客户能不能贷，而是有多个控制点，包括业务流程的精准控制，是一个多层次的防控系统。 

从效果上： 

数据的作用>技术的作用 

获客重要性>风控本身 

所以可以解释： 

1 BAT（JM）牛逼，甚至比银行牛逼，因为他们有数据。对他们来说谈科技已经是水到渠成的事情了。 

他们的战略优先级1级重要性是接着铺基础建设，拓展数据采集。2级重要性是基于大数据的技术升级、挖掘升级，认知升级。 

环环相扣，没有第一层去学第二层，无异于邯郸学步。 

2 Payday loan牛逼，因为这种牛逼的盈利获客方式，强大到不需要风控。 

3 以征信名义做大数据的公司最牛逼，数据是一切变现的价值源泉。

（编辑：杨少康）

来源: 森林学苑

财经360