【深度】揭开消费金融的科技本质（贷款消费 金融逻辑）消费金融的作用，

 

原标题：【深度】揭开消费金融的科技本质

政策不让搞现金贷，但消费金融与现金贷区别的本质是什么？

消费金融所用到的金融科技，是不是就是以前互联网金融的延续？

消费金融的风险控制，是不是可以完全依赖大数据？

消费金融的年化利率高，是不是就是高利贷……

来源 | 信贷风险管理

作者 | 戴星

近三年，随着供给侧改革和消费升级，消费金融已成为上升最快的贷款品类。行业新、从业人员也比力年轻，与科技创新融合的东西也比力多，TOC业务建立在流量基础上，一般都比力高调，所以容易受到各个方面的关注。

行业新、关注多，能让各人经常听到看到，但因为信息多和散，也容易产生认知碎片的问题，很多人对消费金融的理解和概念并不一致。

如：政策不让搞现金贷，但消费金融与现金贷区别的本质是什么；消费金融所用到的金融科技是不是就是以前互联网金融的延续；消费金融的风险控制是不是可以完全依赖大数据；消费金融的年化利率高是不是就是高利贷等等。

在对消费金融普遍宣传的金融科技上，不少人也是仅从个体体验角度来认知，对其背后的能力、原理等知之不多，这就导致了包罗很多从业者在内的认识差别。

消费金融的场景发展

消费金融在咱们国内发展历史不长，有些人感觉概念新，但又感觉似曾相识。如果要找寻现在消费金融模式的历史源头，恐怕非信用卡莫属。

二战后，美国兴起邮购，因为邮购路上时间比力长，加上也没有类似今天的网银、电子支付等手段，邮购的支付与货物交付之间都有个比力长的银行账期。史密斯太太拿到邮购目录，从中选好了裙子后，就面临两种可能，一种是史密斯太太马上汇款，然后等着衣服来，要不就是商家按客户回信的目录先邮寄衣服，衣服到了史密斯太太再汇款。

刚开始肯定是选择客户先汇款，款到发货，后来商家竞争多了，就逐渐酿成了货到付款，再后来就发展出赊销信用工具，一个月内不管到了多少货都先赊销，下个月再统一还，赊销垫付的工具就是信用卡。

有了垫付赊销，后来又发展出了赊销分期归还功能。如果把邮购场景换成电商，与现在电商白条类的消费金融产物消费场景基本一致。

但场景赊销垫付工具并不能简单说成是金融手段，信用卡诞生初期应对的都是有邮购场景的赊销，但场景太多了之后就很难对商家进行管理了，这就诞生了利用赊销工具提现的“羊毛党”财产，使用信用卡赊销了一个快消品，然后跟商家退货，商家把款退回来就形成了赊销垫付工具的提现。

退货有手续费，商家加入其中可以什么都不干就白挣了手续费，所以后来就有人不卖商品，专干这个协助客户提现的事情挣钱。信用卡公司打击羊毛党，但本钱太高，最后还不如自己直接搞小额透支提现功能，肥水不外流，这样就把赊销工具酿成了赊销垫付+小额提现（借贷）工具。

小额提现的出现，意味着无法再像赊销那样锁定场景，提现和透支酿成了借贷和支付功能。

通过这个发展历史可以看出，有场景的消费金融与无场景的现金贷其实在小额消费领域很难划分清晰，面向客户的消费需求，简单地划分为购买分期还是纯粹借钱，是很理想的。

一个美女看上包包要买的时候，是不是都想好了怎么还呢，往往是刷卡拿东西很潇洒，月底收到还款账单时会抓狂，所以各人就会看到不少人买东西时要赊销分期，拿到还款账单时没钱就会想要透支钱，C端客户的这个需求就是小额消费金融中经常看到的逻辑。

我们很多银行出来的人是很怕客户的过度负债的，一看到用信用卡透支还贷，或者是多头借贷，以贷养贷就提高警惕，谁都希望把钱借给一个兜里未来余钱很多，且愿意付借贷利息消费的客户。

买车买房等大额借贷中，理性决策的客户较多，所以有稳定收入且月有余钱的分期客户确占多数，但在小额借贷中，则往往会面对“穷光族”。借3000元买手机分期，到期还不上就想靠借800元的现金贷堵窟窿，这是小额消费金融经常遇到的客群逻辑。

有些做消费金融的从业者不懂，随便在哪个小额购买场景上加个分期产物，好比200块钱蛋糕分期、50块钱水果分期，甚至买菜软件上也搞分期，还认为额度小，不必考虑借款人还款能力，到最后发现真的连200元都还不上，就把责任推给欺诈。

其实在很多时候这不能算是欺诈，而是产物体验太好，与购物结合的太方便了，吸引了真正需要200元分期买蛋糕的客户，这部门客群的习惯就是寅吃卯粮，以贷养贷，固然有可能还不上。

消费金融的流量科技

要搞消费金融，发展业务面临的第一个问题就是客户在哪儿？没搞互联网金融之前，客户都在街上、在店里，所以信用卡、消金公司都会拉着产物销售商搞活动，这个受行业、地域影响，速度慢，还要有熟悉地面和产物情况的人员，活动覆盖面往往都不大。

现在有了互联网和移动通讯，随便网上一弄就是个双十一之类的购物节，所以消费金融第一时间就会想到互联网流量的导流。

互联网巨头天生优势就是这个，但导流不是在APP上弄个ICON就完成了，需要有配合的接口和服务，客户点几下，所有配套东西就能很方便地线上实现了，这个就是客户体验。

为此需要用到要素核验，活体、指纹、虹膜、声纹等识别技术，还要根据客户需求用到一些费用优惠等计算模型，加上便捷的线上开户和支付，客户自主查询借还款的终端操纵界面等，这些与导流一结合，就形成了流量科技。

流量科技的核心最早是围绕流量端的客户体验能力，这方面，互联网公司比金融机构要擅长的多，所以消费金融机构大多选择跟互联网公司合作，连导流带终端系统开发一起合作。

以前流量端是被动导流，做个广告，客户在线下或者上网，我的导流广告正好在，客户自主选择是否来看，现在有了头条算法，你只要在网上，我根据你的兴趣推导流广告，乐成率就很高了。

这种主动导流算法，把你个人的数据跟可能有兴趣的东西结合在一起，就形成了新一代流量科技的核心。

消费金融现在流量科技追求的就是把低频属性的借贷做成高频属性的赊销，需求人群属性与商品购买倾向匹配的统计大数据算法正迎合了这种趋势，到达精准营销的目的，相比之前大海捞针似的模式，效率和乐成率都大大提高。

但问题也随之产生，人群属性与商品购买属性匹配中，基本没有信用的数据，依靠年龄、住址、男女、喜好、购物频次、金额等属性匹配商品购买没问题，匹配消费金融就产生了逆选择，即推送流量的客户都是有消费记录且借贷意愿强烈的人群，但很可能是消费激动强但还款能力弱的穷光族。

这在信用卡发展过程中出现的三四次违约潮中都能看到，按客户需求体验设定发卡条件，其时促进了业务量的发作式增长，但事后也导致了成批的违约者。

流量科技是双刃剑，找到有借贷需求的消费人群并引导过来，很容易上量，但从消费金融的流量实践看，人群逆选择一定会导致坏账率逐渐攀升情况的发生。至于现金贷，逆选择更强。

因为消费金融起码还有个消费场景导流，人群还有一定的消费历史数据限制，现金贷的人群不管从哪个消费场景导过来的，背后只有一个标签，就是你需要贷款，而且因为风险问题，利率都很高，各人可以想象一下，从网上来，强烈需要借钱，且不在乎利率的人群，应该是什么人呢？

授信基本质料清单

流量科技的功能热点会导致人群逆选择，依靠金融科技做风控能不能有效地控制风险呢？

消费金融目前主流的风控科技技术，除了利用图像识别和生物识别判断借款人对象真实性外，其信用判断、授信判断、利率定价等主要依赖大数据风控。

各家金融机构都以算法和人工智能为宣传点，用代码和公式一表达，很容易引发各人对风控技术的一种高大科学的感觉。大数据风控起源于70年前的信用卡，邮购酿成赊销垫款后，就存在有的客户到期还得好、有客户不定期还的问题，所以美国的信用卡公司就请FICO等几家公司做统计分析，想从统计概率上理解哪些客户不还钱的可能性大，这样有的放矢的发卡。

美国的信用建设比力早，益博睿、环联、爱克发三大信用局搜集了电信、社保、水电、银行、法院、贸易交易等很多方面的数据，FICO在这些数据基础上，对信用卡客户做了统计分析，找到了一些影响比力大的变量，好比迁徙较多、历史上有过欺诈案底的人群等，再试着把这些要素还原到审核条件中，就形成了信用评估的概率模型。

我们国家90年代末引进信用卡的时候，也配套引进了美国的信用评估体系，但其时受限于信用数据源很少，大多需要人工电核或者找单元核实，所以评估效率很低，一个卡批下来要一个月。现在的大数据模型主要还是沿用信用卡评分卡的体系，但好的条件是大数据源多了，而且可以实现线上的接口对接，查询速度非常快。

各个数据公司在前端已将数据结构化，所以在金融机构使用时也不消人工录入，信贷系统普及后对坏账结果的统计，系统都能自动生成。同时，用统计算法优化模型因子的时候，我们的系统算力比80年代提升了至少几十万倍，所以效率非常高。

从这个意义上说，今天大数据模型绝非早年信用卡可比。甚至搞信用评估，已经不消懂信贷了，成熟的算法、大数据接口、IT系统、客户前端、规则引擎的配置，这个需要的反而是算法+IT工程师了。在这个技术路线演进中，搞风控模型的已转变为IT和数学专业人员了。

风控主力人群改变带来了一个后果，就是消费金融风控的去逻辑化和去经验化，对传统基于贷款对象调研出来的信贷风控逻辑基本都不提了；经验也不能讲了，因为有人为的地方就说不清尺度，也不敷科学，都沿着算法、数据、指标的方式来做。

消费金融与互联网产物几近一致，风控再也不需要信贷一线经验了，用计算机就可以全面替代人的作用，所以各人在谈金融科技时都在谈人工智能，认为风控可以被机器所替代了。

应该说，这样的变革有效地解决了传统消费金融因金额小、场景变化多、人工审核慢带来的效率低、本钱高以及尺度难以统一的问题，信贷从一个需要提供一堆资料且跑N次才气批下来的业务酿成了一个根本不需要见人。

只要网上点几下就能秒批拿到钱的过程，体验这么好、门槛这么低，市场一下子就几何级增长了。可以说消费金融的市场就是靠金融科技带来的用户体验做起来的。

有没有问题呢？

大数据模型、统计算法引进来，确实将传统信贷模式从人员培养难、培养周期长的束缚中解放出来。但模型的有效性是要靠大量坏账训练的，开始搞的时候有信用卡坏账的线下积累数据。

头部的互联网金融平台也需要逐步积累数据，从模型冷启动的A卡，再到根据信贷周期数据进行优化生成上线B卡，行成周期一般都要按年计算，坏账学费至少也要有个几百万。

但消费金融行业兴起后，后面涌进来的都是着急挣钱的，谁也不肯意先交坏账学费等一年才发展，都想拿现成的，于是一个模型跑到李四那里用，又到王五那里做，模型其实都是拿张三的，差别不大，风险的关键因子也差不多。

一样的东西搞多了，借钱的人、助贷渠道的人都明白了，到后来就出现了一个现象，张三、李四、王五模型差不多，算法也一样，可是风险体现却一个天上一个地下，你再优化也没用，这就不能证明大数据模型和算法对坏账体现到底有没有用了，于是产生了模型算法失效的问题。

现在的大数据模型接纳因子分析时有个名言，就是只管相关性不管原因逻辑，所以只看算法也解释不了为什么模型就对，为什么就失效。

怎么办呢，就想措施再增加客户数据维度，把相关或者不相关风险的可能数据都放进去，让机器算到底是什么因素导致客户违约的。

有些机构就发现，最大的风险因子其实就是进件的渠道，也就是客户入口，入口的线上场景是不是有准确的数据把关，进件的渠道是不是有线下贷款审核的经验，是不是对风控担责任，这个决定了核心风险，大数据模型和算法反倒成了次要。

这个原理也容易理解，入口前边放进来的十个人里如果有9个坏人，后面模型再筛也不可能留下更多好人，所以风控科技的热度就全转到反欺诈上了。

但反欺诈是个伪命题，你怎么知道借款人心里想什么呢，你又如何证明对方有欺诈想法呢，以前这种工作都是利用风控逻辑对信息进行交叉验证。

这种工作要是搞成自动化，首先需要将风控经验进行逻辑规则拟合，这个如果酿成算法就是强人工智能，属于最高水平的人工智能技术，但在全球金融业都还没有这种算法，对基于经验的决策树拟合，是需要有大量排列组合规则总结的，这种算法如果搞，也必须首先依赖风控业务专家而不是搞统计数学和搞IT的，咱们国内现在对这类模型研究还没有概念。

至于将社会资本、行为科学拿进来做风控研究，目前能理解的就更少了。目前反欺诈的模型基本都是某几个客户属性值的欺诈相关性概模型。

搞相关性欺诈概率测算，也算一种数学赌博，目前主要拿客户过往历史信息来赌，好比客户被法院判过强制执行、向多个金融机构查询申贷，估计是不良客户的可能性就高，用这种相关性计算概率的原理很简单，就是看违约客户中有多少历史不良信息，某个不良信息占比多少，统计概率要判断的就是阈值，信息数据到达了多少，就假定这类客户可能欺诈的概率高。

如果说张三与李四的差别，绝大多数就是这个阈值了。从逻辑上说，这类模型往往是充实条件和须要条件的混用，坏人群中的某种特定要素多，其实并不一定能证明所有具备特定要素的人就一定是坏人。

但很多反欺诈模型本着应杀尽杀的想法，也讲不了逻辑，甚至担心自己的挡杀不敷，还拉来了其他类似信用分交叉来挡，好比先用FICO分挡下，再用某个大数据公司做的分再挡一下，如果都过了就认为过了反欺诈关。

到消费金融借款的客户是有条理的，客户条理沿着银行、消金、小贷、互联网金融（金融科技），信用水平一般是逐级变差。客户条理差别，对做消费金融的机构来说，区分的主要尺度就是反欺诈尺度，也就是说尺度逐级降低，这是客户市场的自然选择。

消费金融搞了5年大干快上，现在好客户基本都摸清了，新客户的市场开拓逐级下沉，就看金融机构的胆子了。以前银行通过反欺诈更多是判断好客户的概率，所以极尽可能在入口挡住，把欺诈可能性降到最低，有些入口的通过率超不外30%。

但搞消费金融，这个方式体验太差，流量端也不肯意合作，所以消金机构为了拉住流量渠道，客户上量，自然就会放宽规则，风控模型从抓好人逐步酿成了赌漏过去的不是坏客户。

经济形势好，涌进来提供消费金融的机构越多，客户就会越下沉，风控就会一家比一家松。消费金融机构只要比其他同行风控严点，坏客户自然就去其他同行那边了，所以反欺诈就酿成了行业内自比，就跟狼抓羊，跑得快的羊不消跟狼比，只要比其他羊跑得快就行。

现在经济形势向下，加上对互联网金融不停搞清理，同业在减少，好客户也在减少，继续搞以前的这种反欺诈模型就有点博彩意思了，所以各家坏账都上来了。

坏账能维持在较低水平的，除了反欺诈准入严格之外，最重要的是有自主的场景数据，好比支付宝拿着交易支付数据、携程拿着出行数据、保险公司拿着产业和理赔信息，这些真实而独特的信息，往往对准入客群的甄别有特别的价值。

科技的趋势

信贷是有自身逻辑的，科技的发展令人振奋，但还远到达替代性作用。曾经被捧上金融科技神坛的Capital one和Lengding club，随着美国经济状况变革，坏账率直线上升，依然符合过去信用卡违约潮的规律。

P2P、现金贷等国内互联网金融风险不停暴雷，也体现出金融科技远非成熟。信贷是洞悉人性的领域，就像经济学逐步从宏观经济买入微观人性观察一样，信贷也必不可免从统计数学转向对行为科学、社会科学的深入结合，未来的金融科技，这方面的突破当是从业者应多多关注的。

经济下行期，催收和资产处理将成为热点。法律诉讼、仲裁、公证等现在都在发展线上化，可以让催收的法律执行逐渐快捷化，实现证据搜集、立案、裁判和执行全线上。

这个发展方向是消费金融所最急迫的，今年两会中两高的陈诉里面谈到很多异地立案、线上服务、打造司法线上能力的内容，未来对于消费金融这类违约多、标的小、处理琐碎的业务，将有很大的价值。

利用司法裁判手段，可以合法送达催告，今年已经有不少催收公司向这个方向转变了。一些区块链公司转过去做司法存证、证据认证，以及与大数据公司合作政务大数据信用连接，这个方向应该是金融科技发展的一个主流趋势。

另一方面，政府大数据的共享也是今年的主题，很多行业都在积极推动社会信用体系的应用，政府在新基建中对数据共享的建设力度也在加大，现在的问题是如何合规输出，好比社保、税务等数据，越来越多地方已将这些数据纳入公民信用建设中。

今年要出台数据隐私使用等相关的法律，如果有合规的数据使用规则，这样就可以解决消费金融大数据风控无米下锅的问题，偷取隐私数据等黑色灰色财产自然也会逐渐消亡了。这也是是今年金融科技发展的主旋律。

END

免责声明：转载内容仅供读者参考。如您认为本公众号的内容对您的知识产权造成了侵权，请立即告知，我们将在第一时间核实并处置惩罚。返回搜狐，检察更多

责任编辑：