【猎云网（微信：ilieyun
）北京】5月13日报道（文/赵子潇）
5月9日，在猎云网主办的2016首届互联网金融创业创新峰会上，信而富首席战略官王峻发表主题为“如何解决消费信贷覆盖不足难题”的演讲。
王峻表示，因为中美国情不同，实际上在中国有征信机构的人群覆盖只有3.7亿，5亿人没有信贷记录。因此，中国面临的是没有一个完善的征信体系去覆盖大多数工作人群。
王峻把这类人归结为爱码族，是信而富目标人群中的新兴一族，他们有消费信贷的需求，但没有征信记录。有没有办法建立信用记录，这成了鸡跟蛋的循环问题。
信而富在这点的解决办法是通过大数据的手段进行模型分析。爱码族用手机上网、搜索、社交、支付、订票时，会留下大量的痕迹。信而富去搜集挖掘这些数码科技进行分析，从而做出模型对他们的信用进行基本的评判。在风控方面，利用预测筛选技术可以达到比较不错的效果。
信而富是一家小额消费借贷P2P平台，2015年7月，信而富对外宣布完成3500万美元C轮第一笔融资，由Broadline Capital领投，瑞银投资银行（UBS Investment Bank）及其它一些投资机构也参与了本轮投资。
以下为演讲实录：
各位嘉宾，大家好。我们是做消费信贷的P2P平台，迄今为止在我们平台上借款的客户超过了一千多万，这个数据在业内是领先的。今天不是来为公司做广告的，而是来分享一下我们公司在探索怎样用我们的科技和大数据的方法服务不被传统金融覆盖的人群，达到政府提倡的普惠金融方面的经验和心得。
刚才融360的同事也分享了，在美国绝大部分人都有信用评分的，在三大征信局那里。他们基于信用的评分可以分出很多细分的等级，金融服务的公司可以根据不同的风险等级进行差别定价，所以在每一个客评里面做着比较好的消费信用贷款覆盖。
而中国的国情不是这样的，我们看一下中国的数据，这个数据每年会有更新，虽然中国发了征信的牌照，但是最权威、最全面的还是央行征信系统。大家看一下在这样一个体系内，有征信机构的人群只有3.7亿，有5亿的人群是没有信贷记录的，他只有一些公积金、社保金等等，证明你有工作和收入和各种金的缴纳，你知道他们是有收入的，有存在的，有真实的信息等等。
其实你仔细看一下，有消费信贷人群3.7亿，这里面有很大的水分，为什么这样说呢？在3.7亿里面只有2.9亿有足够的信贷行为形成一个完整的类似于西方的征信报告。剩下的7、8千万人，他只有一笔记录，比如说你有车贷和房贷。 所以中国面临的现状跟美国是完全不一样的，你没有一个完善的征信体系去覆盖绝大多数的工作人群。
爱码族是来自于英文EMMA，我们的目标人群是成长中的新兴一族，他们是手机控，经常用手机上网、搜索、购物，他们是年轻刚入职场没有几年，我们很大的客户源主要是二三线城市，因为他们的金额覆盖低于一线城市。他们对互联网高度依赖，没有个人征信记录。
我们看一下爱码族在中国面临的现实情况，因为他们有五险一金，所以他们的职业相对是比较好的，一般的职业没有这个收入。他们刚入职场没有几年，所以无论是年龄在增长，收入在增加，你的消费需求在不断的增长过程中。还有一个他们有新的需求，就是因为这一代人，他的行为模式理念跟他们的父母一代完全不一样，他们愿意先消费再还款，这是一个很重要的分水岭。因为大家在座的可能是90后、80后，如果你站在父母一辈，中国传统的模式是把钱存银行，买东西钱存够了提出来买东西，这个跟信用消费完全不一样，这是一个很重要的区别。
他们面临的环境，大家设身处地想一下，你是中专、大专或者是大学毕业的在二三线城市，工资可能几千块钱，这些人在现在的银行是很难拿到信用卡的，更不要说贷款。你去小贷公司，他们说要抵押品，车贷、放贷，这些人没有抵押品。他们有消费信贷的需求，如何满足呢？而这些人在央行的系统里面没有征信记录，你无法获得贷款，没有办法拿到信用卡。你有没有办法建立信用记录，这成了鸡跟蛋的循环问题。
在信而富我们相信如何解决这样一个死循环，在于科技，通过大数据的手段进行模型分析。我们爱码族是成长中的新兴一族，他是手机控，他们用手机上网、搜索、社交、支付、订票等等，他们会留下大量的痕迹。我们通过合作方去搜集挖掘这些数码科技进行分析，从而做出模型对他们的信用进行基本的评判。
我每次讲到这里，别人会问你们做出来的征信评分有多高，预测的精准度有多高。我给大家打一个比方，比如说黑灯瞎火在夜里面你走路，要避免一头撞在墙上，你没有带手机，也没有办法打开手电筒，你靠什么，你靠天上星星和月亮的光给你导航，你白天走路不会撞在墙上，为什么？因为白天有光，白天有星星和月亮也会发光，但是你为什么看不到呢？因为太阳的光太亮，我们可以进行分析，从而导航保证我们不撞在墙上。
如果这些人被一个完善精细的东西覆盖，所以这个就是现实条件促使我们必须要这样做。这样做的前提，第一个是我们运用大数据这种模型和方法计算做出模型。但是我们的模型做出来之后，我们采用的是即使做了模型，即使给你授信，我们也不是给你几万、几十万，而是给你几百、几千。
我们也看到技术领先跟先进，如果你把中国跟美国市场比较，坦率来讲我们信而富公司或者国内领先的公司，通过非传统征信系统数据的分析挖掘建模能力超过美国的很多公司，为什么？就是因为美国的征信系统太好了，他们不需要琢磨干这种事情。就好象美国就业市场，他们整个国家经历了没有电话到所有人都铺设有线电话，再转无线电话的过程。而中国西北、西南很多偏远的地区从来没有经过直接有线电话，而是直接铺设手机塔有了手机。我本人认为在这个方面，我们积累的经验不仅仅是在国内是领先的，在国际上能够做的这样精准也是不多的。
这里举一个麻省理工学院非常经典的案例，给大家看一下传统算法跟机器算法的区别。绿颜色是正常的，红颜色是危机很大，大家可以看到评分高的是绿颜色，评分低的人是红颜色。上面是通过机器学习的办法，稍微颠倒一下分数高是红颜色，分数低的是绿颜色。从单一的纬度来看，这两个都很好，你可以看到机器学习比传统的信用模型相比有什么差距？但是如果你把它放在两个纬度来看，你可以发现为什么机器学习会增加很多预测的精准性。
这是把它放在两个纬度跟大家分享，横轴是基于传统的信用评分，高的是信用好的，低的是信用差的，数轴是机器学习评分，高的是信用差的，低的是信用好的。这上面可以看出什么呢？就是说两个分数都认为很好，我们看红颜色聚集的非常清楚，所以这点看上去仁者见仁智者见智，但是两种算法是一样的，通过机器学习的办法，以及通过行为的验证，其实里面有很多绿颜色。说明如果你只用传统的信用评分做的话，你就错失了很多非常好的客户，而这样客户的挖掘靠传统的信用模型，传统的回归模型你是做不到的。
再讲一下风控，因为风控是互联网金融的核心，传统的信贷数据覆盖率非常低，因为现在越来越多的公司都是在网上的。网络客户申请存在大量的欺诈，行业内估计有50%，甚至80%到90%的网络是存在欺诈行为的。信而富采用的办法跟绝大多数的平台不太一样，绝大多数的平台靠广告或者是推广引流，让别人来主动的申请，然后在后台决定是否发放贷款。我们采用的是一个国际上英国很成功的案例，叫预测筛选，我们通过大数据的合作事先获得海量的数据，对他们进行分析，然后我们在这样一个客群里面产生白名单，这些人我们事先授信。所以我们采用的是截然相反事先筛选。
这两种根本上不同的模式，差别有多大，我们内部做过测试。我们随机抽取了大量的数据做预先筛选，也随机抽取了大量的客户，我们做下来之后结果差别是非常大的。
上面一条线是我们采用预先筛选的办法，下面这条线我们采用的是业内最常见的引流。你看到的是逾期还款签字，一个是90%多，一个是70%，在座的都是做互联网金融，我们知道一两个点是互联网金融的生命线，如果差二十个点就是生命的几个轮回。
今天时间有限我们对这方面的探索和摸索就和大家分享到这里，希望有机会跟大家做更多的交流，谢谢大家。
注：文内图片均来自信而富官方。
