锐盈财富首席风险官教你玩大数据风控
由“大数据风控联盟”打造的首个风控工具千人共建计划。在3月15日晚八点，为千名风控精英推出第二期大咖访谈秀！
此次邀请到的嘉宾是来自耶鲁大学统计学博士、锐泰利集团副总裁、锐盈财富首席风险官马志伟先生。他通过国外经验+本土创新，为千名风控精英分享了“中小微企业数据风控与征信的一些实践和思考”。
感谢好贷网及大数据风控联盟组织这次有意义的活动，能有机会和大家分享，希望抛砖引玉，也期待未来和各位同行更多的交流。
两周前在我们千人会早餐群中，有位大咖曾感慨“说靠大数据风控做网贷的公司，多数不懂风控”，我自己也有同感。
这样讲倒不是说大数据风控不靠谱，应该是指许多把大数据风控挂在嘴边作为平台宣传工具的公司，实际上所做的既没有多少大数据也没有真正的风控。
虽然现实如此，但数据风控确实是一个大的趋势，特别是消费信贷和小微企业信贷。这不单单是风险的问题，运营成本是同样重要的因素。
行业数据风控和智能审贷能力越低，小微企业所谓普惠金融都是梦想而已，因为必须用定价来覆盖风险和运营成本，实质上只能做次级贷或次次级。这其实也是现在大部分P2P的现状。
我们自己最近两年也在小微金融方面做了一些尝试，我的一个理想就是能在数据风控方面蹚出一条可行的路。
中小微企业数据风控与征信的一些实践和思考
今天希望通过分享在数据风控决策的一些实践，对数据风控的实现路径有些启示。在合适的场景下，大数据风控是可行的，但实现的路径是复杂的……
中小微企业融资难是公认的世界难题，原因也很清楚，风险大、审批和管理成本高、金额小，从商业决策看，投入产出确实不高，因此大部分金融机构“嫌贫爱富”也无可厚非。
欧美成熟市场确实有比较成功的针对小微企业的风险管理模式，譬如富国银行（Wells Forgo）以及起源于德国的IPC模式，最近几年在国内业界也做了广泛的研究和模仿，但国内落地的结果也参差不齐。
我在美国曾参与过一个针对小微企业（包括类似于国内的个体户）的信贷产品设计“Instant Decisioning”，是银行在接听电话贷款申请的同时给出审批和额度决策。当时互联网还非常初级，所以电话渠道是主流。
这种模式得以成功依赖于下面几点：
1. 真实及丰富的数据：企业主个人征信（3大征信公司）+企业征信（邓白氏）；
２. 量化风控模型及决策：大数法则；
３.自动化决策及管理：科技发展、IT技术等；
也可说是以零售的思维、方法、技术做小微企业金融服务。而我国征信体系的严重不足是这些模式难以成功落地的一个主要障碍。
从业界这几年的实践以及我们自己的一些探索经验看，立足于细分市场/垂直领域和场景的小微金融服务模式可能是未来相当长时间内唯一可行且有效的基于数据进行风险管理决策的模式。
“细分市场（产业）+（大）数据+互联网”的模式可以在一定程度上弥补整体征信体系的不完善，通过具有强关联性的特定产业的交易和经营类“小数据”的深度挖掘使得对小微企业的风险评估和决策成为可能。
下面就几个细分市场分享一下我们的一些实践和思考：
1. 在线供应链金融
由于实体经济下行，愈来愈多本质上是民间借贷线上化的P2P平台不断出现问题，供应链金融从去年开始成为互联网金融的另一个风口，越来越多的平台开始布局基于垂直领域的供应链金融。
最近看到的一篇互联网金融研究报告称，我国供应链金融市场规模目前已经超过10万亿，预计到2021年可达近20万亿。这个数字不一定很靠谱，但说明市场空间巨大，且高速增长中。
供应链金融依托供应链上核心企业的交易信息，向其上下游企业提供各类金融服务，特别是信贷服务。目前国内供应链金融的主要融资模式包括应收账款融资模式及基于仓储物流质押的融资模式。
这里我以零售供应链金融为例，因为我们自己运营旗下专注于传统零售行业（特别是商超）供应链金融的子公司“吉信佳()”两年多，有一些实际的体会。制造业或其它行业的供应链金融会有一定差异。
2014年我国社会消费零售总额26.24万亿，但零售行业非常分散，我们熟知的连锁超市百强销售额只占总零售总额不到8%（2.1万亿），而几乎被神化的电商销售占比也不到11%，传统零售渠道仍是主流。
目前实体零售业由于整体不景气，众多公司已经加入或准备加入供应链金融服务，主要有三种模式：
第一类是供应链链主或核心企业（零售商）自己运营的面向其上游供应商的供应链金融，譬如京东、苏宁、国美、永辉、百联等都有这类供应链金融业务。最典型也是最直接的模式是通过对已发生交易的应收账款的保理为供应商提供融资服务。
由于供应链链主可以实现交易和资金的闭环，通俗讲就是应收账款实际上是掌握在链主手上的，理论上这类业务风险很小。当然为了实现纯线上操作，实时的ERP数据获取及监控是必须的，但实质上数据风控的难度并不高，不是真正的核心。主要风险点在于操作及流程，以及技术上的实现。
这种模式受制于零售商的销售规模，譬如一个每年100亿销售的零售商，其全年月平均应收账款大约在20亿左右，按20%应收账款保理估算，供应链金融业务的规模在每年4亿左右。
４亿余额的资产虽能产生不错的额外收入，但作为一个单独业务投入产出并不一定很高，需要建立一定的金融能力，还面临政策和操作的风险。长远看只有一些足够大规模的零售商值得自己运营金融业务。实际上，沃尔玛中国的供应链融资业务都是德意志银行运营的。
第二类是第三方平台通过和链主（零售商）之间的商业协议，达成某种程度的数据共享，同时链主在营销和风控（一般通过应收账款）方面提供一定的协助。但这类合作中，交易和资金一般不形成闭环，出现不良时，链主不会直接以供应商的应收账款进行偿付。
实际运营中，为了提升体验，常常采用“暗保理”及弱质押模式，而且许多平台在授信时还会考虑到期望发生的应收账款，实质上引入了信用，所以风险大于第一种模式。
这种模式中，数据风控有了实质性的应用，通过对供应链数据的分析（订单、收货单、库存、结算、销售、退货等等），平台可以对供应商基于数据进行评级和授信，同时通过动态的供应链数据监控进行贷后管理。最理想的数据共享形式是和链主的ERP系统直接对接，实现数据不落地，避免操作和欺诈风险。
这个领域的player，虽然都不同程度应用供应链数据进行风控决策，但大部分仍有很重的地面和手工操作，真正实现线上化的不多，所以运营成本仍偏高。
第三类是一些完全独立的第三方平台通过地面或技术手段（如爬虫工具）获取供应商的供应链数据，并根据数据结合地面尽调对供应商进行授信和审批，整个过程没有链主的参与。某些银行的“发票贷”，及一些P2P平台的商超贷都属于这种模式。
由于获取和应用供应链数据的能力差异化很大，所以不同player面临的风险也有很大差异。我了解到一些地面为主的P2P平台的商超贷，虽然不良率可能比前面两种模式高，但相比P2P其他信用类经营贷款，风险显著降低，体现了基于垂直市场的数据风控的优势。
下面简单分享下我们自己的平台吉信佳在零售消费供应链金融数据风控的实践：
我们集团旗下专注零售供应链金融服务的公司吉信佳()已经运营两年，核心战略之一就是坚持以数据风控和智能化审贷为目标。虽仍在探索和完善中，但积累了一些有意思的经验。
吉信佳是通过和链主（零售商）深度合作，实现ERP数据的直连和动态更新，从而通过对供应链数据的深度挖掘及数据应用，可以预先对供应商进行评级、授信、定价。已完成400+品类建模，可根据经营数据及品类淡旺季综合确定授信额度。
由于系统直连实现数据不落地，而且90%以上的项目不需要进行地面尽调，可以做到首次申请T+1完成审批和放款，而续贷只需要10分钟完成审批。总体实现70%以上信审流程线上完成，不良率也符合预期，远低于市场平均。
吉信佳目前和40多家商超合作，实现数据对接。相对于链主自己运营供应链金融业务，吉信佳在数据上不但整合合作零售商的供应链数据，还通过网络爬虫在供应商授权的情况下获取该供应商的其他非合作零售商数据，对供应商的风险评估以及授信额度都更有利。
在这个过程中，沉淀上百家零售商交易数据模板，大大提升了供应链数据的自动获取能力和数据风控能力。
经过一年多的实践和验证，吉信佳在去年下半年进入一个新的运营模式，2.0模式或服务共享模式。将其经过验证的运营能力（系统、数据处理及分析、流程、评级、授信、定价、营销等）拆分重构，作为一种服务和零售行业的各个链主共享，并根据各自的资源和能力分享成果。
这种新的模式是将之前所描述的第一类和第二类供应链金融模式的有机结合，使得数据风控的作用发挥更大作用。
从供应链金融这种深度垂直的领域看，相应的经营数据确实能反映借款实体的经营能力和风险，数据风控和智能审贷是可行的。为了实现这个能力，处理金融和数据能力外，行业的深刻了解及行业专家是必不可少的。相应的技术工具及产品也需要和相关产业深度融合，一招鲜的风控方法和产品是没有的。
２. 基于小微企业财税数据的数据风控初探
大量小微企业很难放入类似于供应链这样的垂直领域，因此从横向数据来找出这类小微企业的共性也很有意义。我们最近通过财税数据及票据对小微企业的信用风险进行评估做了一些尝试，认为这个方向也大有可为。
和传统记账服务的一个主要区别是把代账企业的所有票据电子化，然后通过云会计的自动分类、智能记账功能大幅度提升记账的效率。
我们去年开始尝试对唯你网的小微企业客户提供金融服务，经过对这些记账数据和票据进行分析，发现票据电子化对数据风控的意义远大于我们最初的预期。
传统的记账只是把大部分票据录入系统后，输出企业的账、税及相关报表，金融机构在进行对这些企业进行贷款审批时，只从这些账目、税表、银行对账单等是不足以做出可靠的风险评估，因此很多时候需要做实地的尽调，大大增加成本和决策时间。
而信审人员地面尽调的一大部分工作其实就是对原始票据的分析及交叉验证，而这些数据由于已经在我们的记账系统里电子化并分类和加工过了，我们可以通过把信审专家的工作拆解和标准化，通过机器和算法完成其中的部分工作，这部分所占比例越高，审贷过程中自动化的比例就越高。
我们的测试确实发现这个方法可以把相当一部分手工尽调的工作用机器来做。虽然还无法做到全流程的自动审贷，但是效率的提升也是显而易见的。我们也正在把这个方法产品化，希望在不久的将来，经过我们自己金融业务的测试和验证后，也可以共享给大家一起用。
３.企业征信的一些思考
人行征信体系对个人征信的有效覆盖率在30%左右，估计从全国2000多万企业看（不包括个体户），企业征信体系的有效覆盖率应该更低。对大部分企业，金融机构可能只有其基本的工商注册信息，这对风险的判别没有多少帮助。
从国外的征信市场发展看，即使考虑到我们的后发优势，有效征信体系的建设可能需要至少10年左右，所以短期内难有实质性的进展。
在这个发展的过程中，行业的众多分散的player需要通过一个合理、公平、合法的机制抱团来解决征信的缺乏，各自封闭只能让行业发展更慢。征信行业联盟或数据交换机制需要一些主要的数据拥有者牵头和参与，而一些中小的征信市场参与者（包括我们自己）可以在垂直领域的数据和征信工具上建立自己的价值并参与到行业联盟中。
大部分垂直领域的数据一般需要深度参与业务才有可能获得，是无法一家通吃的，因此这类数据有其不可替代的价值；垂直领域的征信工具有同样的特点和价值，当然这些工具的开发需要对相关产业的深度理解，否则不会有真正的用途。
这次活动的千人共建风控工具其实就是一个具体的实例，前面提到的供应链金融相关的征信工具（评级、授信等）以及基于财税原始票据数据的风险评估也是这类征信工具。
我们自己也在这个方向上探索，集团自身的互联网服务平台在不断沉淀动态的有用的数据，同时在服务过程中基于行业的理解也建立了一些有用的征信工具和产品，我们希望在合法的前提下通过适当的产品和服务和业界同行分享这些数据资产，为征信行业及普惠金融的发展做些贡献。
以上是我爬格子的成果，新鲜出炉，但确有点乱，希望对大家有启发。
QA环节
Q：在大数据风控过程中，我们肯定选择很多维度来确定一个人的风险等级，然后到核心的风险定价；在这块您应该非常有经验，在构建我们风控变量方面可以分享一下您的一些经验吗？谢谢！
A：在风险建模中，毫无疑问数据的可靠性和丰富度是最重要的，接下来最重要的一个工作就是风控变量的构建。对于传统的数据，譬如征信数据，或行为数据，一般而言我们都是站在牛人的肩膀上的，即行业里有多年的积累。
譬如我刚刚到花旗工作时，他们是自己构建出100多个风控变量，后来这些变量要在征信公司实施。征信公司就把各个银行的变量整理，最后有几百个标准的变量供大家选。
但是如果是新的数据，譬如互联网数据，风控变量的构建需要多人的努力，需要对数据的深入理解，是个逐步积累的过程。
Q：我想问下对于目前企业存在的两套账的想象来看，那些表面的电子账目可有参考的意思？
A：关于内外账问题，是中国的一个特色。通常报税用的账（外账），确实会把利润和收入做少，减少税赋。从风险的角度，这到不是坏事，当然企业的授信额度会少。即使是外账，其中票据和各种账目、银行对账单的交叉验证仍可以给出很多信息，对风险预警或欺诈是有用的。
我们也遇到一些借款企业，未来增加额度，愿意把内账票据也作为授信依据。我们通过我们的云会计再重新做一套账，有一定成本，但企业愿意承担费用。这也是一种场景。
Q：老师您好，我们准备建立我们自己的模型，但对于风险模型的建立，我想咨询下，你们建立了400+品的模型，当前供应链金融的微观环境再好也受宏观影响比较明显，该模型中宏观和行业的权重你们如何调节，另外100多个风控变量，这个量太大了哟，实际操作中，调整恐怕难度不小哟。
A：我们目前的做法是针对具体行业做评级，就是先选择行业是否是我们愿意进入的。当然在行业内部，会对核心企业评级，看那些更受宏观环境的影响。在建模宽表中，４00个变量不算多，但具体评级模型中，其实用不到这么多。
Q：马先生您好，我在开发一套小微企业的风控+评级系统，目标客户是小贷，租赁，担保等等各种类金融企业。大体设计思路如下，想听听您的意见：
1.将所有小微按照行业，销售规模进行分类，确定在某一个象限里（同行业同规模的企业所遇到的经营风险和财务风险类似），后期针对行业进行详细调研即可形成一个方向性的指导意见。按照打分卡的思路对经营风险打分，以财税数据，现金流分析为准对财务风险进行评估，并结合征信情况，得到公司的评级A。
2.结合相应贷款产品，抵押担保，对还款能力进行评估。以此得到该笔授信业务的评级B。长期贷款增加简单的现金流测算（含压力测试）作出评估。
3.通过行业，地区的划分来进行整体的资产管理。初始的BENCHMARK使用各种现成的数据（比如上市公司的数据）。所有用户的信息都可以交汇，比如A贷款公司录入100个客户情况，B机构录入200个，C加入时，就可以看到300个数据的平均值，以此类推。来形成一套BENCHMARK。
任一用户在使用软件后，就可以知道自己的整体资产质量，单一客户质量，单一业务质量在同业中处于什么样的地位。或者可以简单理解为，我就是卖数据的。
A：这种思路在个人风险建模和评级中其实已经再做，所以逻辑上是可行的。但企业会复杂很多，因为每个垂直行业都有自己的特点，即使同样的变量，其含义和影响可以很不一样。譬如不同行业的供应链金融，即使都来自ＥＲＰ数据，但统一起来很难。所以比较可行的还是从细分市场，垂直行业切入。
马志伟（David Ma）博士
锐泰利集团副总裁及首席风险官，极网互联企业征信公司首席执行官。
马志伟先生拥有耶鲁大学统计学博士，逾20年金融行业的实战经验，是互联网金融、大数据风险管理及营销领域的专家和实践者。先后任职美国花旗银行助理副总裁，美洲银行副总裁，AIG亚太区副总裁，友邦保险集团（AIA）副总裁，东南融通集团首席专家，锐泰利集团副总裁及首席风险官，极网互联企业征信公司首席执行官。曾为多家主流金融机构（包括中行、工行、建行、农行、交通银行、民生银行、国寿、人保、太平洋保险、泰康人寿等）提供咨询，并担任香港大学中国商学院客座导师。
马博士近几年专注互联网金融和大数据应用，参与创立并担任多家互联网金融和大数据创业公司高管或首席风险官。是互联网金融千人会核心成员。
风控工具千人共建计划
风控工具千人共建计划，是由国内首个风控人士公益服务组织——大数据风控联盟主办，好贷网等数十家企业及机构协办。是国内首次打破行业壁垒、公司界限，召集千名风控界的精英，联合定制风控产品的千人线上活动。
风控工具千人共建计划将从风控人自身需求出发，共建一款最符合风控人员操作习惯及业务需求的风控工具。提升风控效率及效果，进而推动行业的发展。大数据风控联盟将免费为此次活动全程提供技术开发服务，同时参加此次活动的所有风控人士将可免费共享研发成果。
---