调研乐信后的思考:技术和风控才是FinTech的核心竞争力

今年以来,虽然FinTech在资本市场的表现起起伏伏,但大体,股价呈上升趋势。

促成这一变化的因素有很多,一方面,FinTech在金融业的整体分工中占据了助贷这一技术和服务驱动的新分工,难以替代,对于现有金融机构,这是必要的外部助力;另一方面,他们正在以新的姿态捕获更多的用户,重新构建自身的护城河。

从监管层面看,今年以来,行业虽然也曾经出现断直连、限制最高贷款利率等政策调整,但本质上都是为了规范行业,不会影响行业的长期发展逻辑。而且行业开展的小微业务和消费业务也受到监管鼓励。

综合上述因素,虽然FinTech出现了较大涨幅,但相对来说,还是非常的低估。市场上,大多从业绩增长、估值对比等角度说明FinTech 如何被低估,本文不在赘述。

要从根本上理解FinTech的价值,还是要回到行业发展的底层逻辑-FinTech 是如何在传统金融机构所占据铁板一块的市场中,撕开一道口子?靠的是金融为表技术为核的科技能力。投资人要意识到FinTech 的价值,清楚其技术和风控能力对业务的驱动是少不了的一节课。

昨天乐信刚发布了2季度财报,多项指标都创了新高,前段时间我也参加了它组织的一场交流活动,正好以乐信为样本,说下FinTech 的科技是如何驱动业务的。

1、风控:FinTech制胜的核心

风控是FinTech公司这一轮真正制胜的核心,也是个人认为被低估的底层逻辑。过去几个季度,乐信整体信贷规模逐季增速,截至今年二季度为905亿,较去年同期增长了46.2%。

信贷规模高速增长的情况下,乐信做到了较好的风险控制,逾期率呈现稳步下降趋势,今年二季度,M3逾期率较去年同期下降了1.14个百分点。

M3逾期率受历史借款影响,不能很好的反映新增借款逾期率变化。在财报中,公司提到新增借款的FPD30已经连续12个月保持在1%以下,6月底,乐信一天以上的逾期率同比降低40%。

风控能力的提升,得益于公司的风控系统,公司以复杂网络、自动特征生成、LBS风险识别评估等“黑科技”作为底层,构建了一套风险策略管理系统。

通过风险管理策略系统,乐信可以对用户的坏帐,用户生命周期利润进行跟踪和预测。有了上述跟踪和预测能力,公司搭建了一套风险管理体系,形成按日、按周、按月的追踪预警分析机制,并把用户特征、催收运营等指标拆分为若干维度。

当用户风险出现偏差后,风险监控预警机制可快速监测到业务异常,自动化算法,又对造成偏差影响力最大的因素总结出来,进行针对性的风险管控和拦截。

这样说比较抽象,举一个公司提到的案例。

今年早期乐信入催率有一定上升,自动化预警系统做出预警后,自动化归因系统从用户特征的若干维度中发现,使用某类其它金融产业的用户是造成异常的最大因素,之后系统将这部分用户进一步拆分,细分到年龄、地域等更精细化的维度,从而对用户进行针对性的策略拦截和管控,公司入催率也很快恢复了正常。

当然风控不只存在于获客后的监测,在贷前对用户进行风险定价以及反欺诈同样重要。在风险定价方面,公司通过用户定价体系,基于不同人群在一定利率期间内的风险表现,为客户进行差异化定价,推出针对性产品。

乐信基于用户定价体系,将用户分为价格敏感类、信贷饥渴类、优质用户,针对不同用户对价格的交易敏感度、单位交易收益率,采取更灵活和更精准的价格策略。举个例子,优质用户定价越高,潜在的交易量越小,但单位交易量潜在的利润率越高,公司会找到交易量与利润的最优解进行定价。

在反欺诈方面,公司建立了超过23亿节点和千亿级联接的核心多实体关系图谱,针对高风险交易行为TOP5的预测准确率提升10倍。

这样说有点抽象,不好理解乐信反欺诈是怎么做的,我用大白话说明一下,公司通过LBS网格化技术,将中国版图按照100×100米的画工方式切成了无数个网格,公司基于每个网格内的用户体征、所在街区、影象解析等做风险管控。例如,公司从街区图象识别中发现,某类街区有大量含金融字眼的商铺,意味着街区有很多线下中介,风险相对较高,公司就会减少该地区的业务量。

在自身风控有稳定表现后,乐信正将风控能力对外输出。乐信风控能力对外输出有一定的产业逻辑可循:

一方面,区域性银行无法承受巨额成本构建完善的团队来提升长尾客户贷款能力,另一方面,对于风险的定价需要持续的数据积累和模型优化,而且需要持续迭代相应的反欺诈和风险预警能力,这是服务亿级用户之后的宝贵实践,并非区域小样本客户可以习得。

基于此,乐信正将风控能力对外输出,推出了三大产品:

• 乐图:对接乐信资产,金融机构可通过借助乐图提升通过率的同时,保证资产的风险并不上升。

• 乐图PRO:对接乐信外的互联网资产,如金融机构在今日头条等巨头上获取的流量,金融机构通过乐图PRO,在提升通过率同时,保证资产的风险并不上升。

• 负熵:针对银行自营资产开展资产有效“回捞”,可帮助资放精细化运营自营资产,实现降本增效。

不难发现,三大产品都解决了金融机构的风险定价问题,而这正是金融机构的核心痛点,缺乏风险定价,使传统金融机构定价范围窄,无法满足多元的用户需求,导致通过率变低,即不利于吸引新用户,也不利于存量用户运营。

也正是对风险定价这一问题的解决,乐信三大产品也取得了不错的成果,使用乐图的金融机构超过6家,平均每家通过率提升1.69倍;乐图pro的日均调用量超过8万次;负熵使合作银行的业务量提高一倍。

从长期来看银行最终要与Fintech 公司合作,持续更新金融科技方面的能力,确保业务的可持续性。

2.技术能力的强弱决定未来金融业务能力的强弱

乐信技术能力的赋能并不仅仅体现在风控环节,而是体现在金融科技业务贷前、贷中、贷后的全业务流程赋能,最终乐信的运营效率也有所改善。

在贷前环节,以获客为例,乐信获客成本低于行业竞对,以销售费用/新增用户数量计算,二季度,乐信获客成本为291.2元/人,信也科技为400元/人。(注:360数科为批露新增用户数)

一方面,乐信通过机器学习平台建立的学习模型,可以帮助公司更好的做广告投放计划,规避高成本流量,找出ROI最高的获客渠道。

另一方面,公司获取用户后,公司通过联邦学习算法,也可以从更多维度了解用户,联邦学习可以根据现有数据,对人群特征进行深入挖掘,既能为用户提供更适合的产品,也能通过数据驱动对用户进行二次营销。

在贷中环节,以资金接入为例,乐信接入时间金融机构资金的时间,由两周缩短为几分钟。背后得益于乐信通过Toplink系统,对贷前,流程编排,自动校验等接入环节,进行AI驱动的自动配置,免去了大概60%-70%人工。

当然,资金方接入后,也需要和金融机构做资产报表,结清证明,尽调工序,等大量测试,公司通过鲁班系统将上述测试环节进行标准化处理,可以实现数据自动测试。

在贷后环节,以账款回收为例,乐信历史不良资产回收率较去年提高了30%,不良资产实现账款回收的提升,正是得益于公司通过算法,分析出客户画像,从而针对每个客户,找到更适合的回款手段。

除了对业务流程的赋能,技术也能使公司更好的应对外部环境的变化,始终在发展中保持确定性。

我举个例子,监管加强「数据治理」已经是大势所趋。一方面,以往违规收集大量用户金融数据以及非金融类替代性数据的粗旷式做法,将受到限制。另一方面,过往公司之间可直接交换数据,但目前这种情况也被禁止。

随着数据采集、传导和使用机制等发生变化,曾经的大数据、厚数据时代将逐步进入小数据和薄数据时代。

在上述背景下,如何弱化小数据和薄数据对业务的负面影响,成为FinTech必须解决的问题,这时候,乐信的技术能力至少起到了两点作用:

1)通过新技术的应用,将数据“由小变大”。比如,乐信通过联邦学习建模,即多个实体间在不交换原始数据的情况下交换机器学习,从而达成双方模型的共同提升,最终做到在不交换用户原始数据的情况下,只交换数据训练的中间结果,就可获取到集合多家数据后的用户分析结果。

2)加强数据深挖,将数据“由薄变厚”,在过往,数据广度较多,导致行业数据挖掘的深度不足,当在市场环境倒逼下,乐信通过技术优势可以对数据进行深入挖掘,弱化数据变少后的影响。

在交流会中,乐信CTO陆勇提到下一步工作的核心就是通过技术提高企业的运营效率,精耕细作——以乐信目前一年2000多亿的促成借款额算,千分之一的效率优化就就将影响到2个亿的金额。

回到FinTech行业的发展逻辑,行业发展早期,行业内公司即使粗旷式发展,也能取得不错增长。但当下,行业发展成熟,利率下行,获客成本上升是大势所趋,行业内公司必须向精细化运营求增长。这时候,通过风控降低业务风险,通过技术对业务降本增效就成为必然之举。

从这个角度看,风控和科技是FinTech的核心竞争力,未来科技和风控领先的玩家,将是行业内最具确定性的企业。

✽本文资讯仅供参考,并不构成投资或采购等决策建议。