这是互联网金融一路高歌猛进的时代，而大数据分析在其中担纲着越来越重要的角色。

　　维信理财作为国内首家涉足小额无抵押贷款的公司，营业已达10年，累计贷款余额约7亿美元，如今每月放贷规模控制在4亿元人民币。

　　“相比规模效应，我们更专注做好数据驱动业务模式。”维信理财总裁廖世宏接受21世纪经济报道记者专访时表示。

　　维信理财的数据驱动业务模式特别之处在于，它不向个人投资者募集资金，而是通过和信托公司、银行等金融机构合作，利用数据风控信贷工厂模式进行融资，再放贷给国内百余个城市的小微企业主或个人。

　　目前，维信理财借助劣后/优先份额结构化产品(杠杆率1∶4-6)与关联融资担保公司担保(杠杆率1∶10)等融资工具，已经获得数十亿的放贷资金。

　　这套数据驱动业务模式如何能吸引银行、信托公司向高风险的小微消费贷款提供杠杆资金，不少业内人士也直言“摸不透其中奥秘”。

　　“其实，这套数据驱动模型，本身是一个方法论，关键是如何在海量数据里找出效益/风险的平衡点。”廖世宏直言。

　　他举例称，一家小微贷款机构分别从10个客户选择4个、7个客户放贷，其产生的坏账风险与获客成本是截然不同的。前者明显坏账风险更低，但获客成本更高;后者则恰恰相反。此时数据驱动模型的最大作用，就是让机构基于海量客户还贷动态数据分析，优化某些放贷审核规则，一方面放宽信贷审批门槛降低获客成本，一方面又能有效控制坏账风险。

　　随着互联网金融的投资热潮来临，众多机构面临巨大的短期利益诱惑，大数据分析概念往往成为其做大规模效应、吸引风险投资的一大法宝。甚至有的机构基于自身大数据分析模型，开始涉足征信业务，创造更高的企业市值。

　　“维信理财会将征信业务看成是主营业务的一种延伸，不会刻意去涉足这个领域。”廖世宏称。

　　在他看来，金融领域的大数据应用，并不是一个炒作概念，而是一件苦差事——由于坏账风险往往是滞后的，数据的最大应用，就是在信贷审批环节提前建立起一道防火墙，尽可能过滤掉各类引发坏账风险的因素。

　　数据驱动的“账本”

　　2006年廖世宏从一家外资银行大中华区负责人岗位离职，创建维信理财，正式切入国内个人、小微企业信贷市场。彼时，中国的个人信贷市场所需的各类数据，基本处于空白阶段。

　　具体而言，要建立一套面向个人、小微企业主的小额无抵押信贷数据风控模型，必须具备四大要素：一是有效搜集个人征信信息的渠道;二是有足够大的个人贷款者样本;三是有足够长的观察期以评估贷款人各类还款行为;四是赔出真金白银，拿到足够的“坏样本”。

　　“当时，这些要素基本都不具备。”廖世宏称，从维信理财诞生起，他就抱着试错纠错的态度，用了整整6年收集足够多的个人贷款者样本及征信信息，并长期考察其还款行为。

　　当2012年维信理财准备搭建数据模型时，廖世宏又发现，由于数据收集期间格式不够准确，数据要求不够严格，加之人工输入导致的错误，不得不再花费2年时间调整数据模型。直到2014年，维信理财正式推出首家客户信用评分卡，并逐步引入反欺诈引擎、评分引擎、决策引擎、支付引擎、分析引擎、数据采集引擎、机器学习引擎等八大引擎，构建了一套自动化的信贷审批“工厂”。

　　他认为，这是基于提高信贷审批效率的需要，一个完善的数据模型，应兼顾成本维度与风控维度。

　　他给21世纪经济报道记者算了一笔账，目前一家小微贷款机构(包括P2P机构)平均获客成本约占贷款额度的3%-4%，加之投资者投资利息在11%-12%/年，即使不考虑坏账备付金，这类机构贷款利息必须达到16%以上，才能实现盈亏平衡。于是，小微贷款机构必须面临两个选择：要么基于压低坏账风险的需要，在10个客户里只选择1-2个优质客户放贷，但这意味着获客成本还会持续上涨;要么基于降低获客成本的考量，放宽贷款人审核门槛，在10个客户里选择5-6个客户放贷，但这又会导致坏账风险骤然提高。

　　“说白了，数据模型就是不断帮助机构算清这笔业务的盈亏账。”廖世宏解释称，具体而言，当机构决定在10个客户中选择5-6个客户放贷时，这套数据模型可以根据客户的年龄、职业、消费行为、收入等各个因素进行考察，帮助机构优化某些审核标准，过滤掉高风险客户，从而实现坏账风险与获客成本双双降低。

[1] [2] 下一页