百融金服张韶峰：AI+金融大数据，3年内天然垄断定局

来源 ✎ 亿欧网

编辑✎ 王小苹

互联网新金融回归FinTech，新一代金融科技正在革新金融产业链条上的各个环节，提高行业效率，创造新的价值点。并以此推进服务创新、产业转型升级。

亿欧策划了「金融科技50+」系列报道，聚焦大数据、AI、区块链等新型科技，在网贷、消费金融、网络支付、科技保险、互联网银行、产业供应链等领域的实践与创新。解读百融金服张韶峰对金融大数据的理解。

“实在抱歉，一个重要客户。”采访过程中，侃侃而谈的张韶峰一边向记者表达歉意，一边接通电话与他的新客户信诚人寿确认见面时间。

创业公司都是“时间控”。2014年前后，百融、同盾、聚信立、算话征信等公司成立，形成大数据征信的集中创业潮。同时，央行下发了第一批企业征信牌照，开始市场化探索。

3年来，百融金服目前对接客户数量近2000家，辅助审批资产规模2500亿元。与此同时，我国征信服务相关企业数量达到2000多家，包括百融在内的130多家企业征信持牌公司，“没有一家合格的8家个人征信准备机构”是这个万亿级市场的核心玩家。

监管走向、行业整合、差异化竞争——张韶峰断言，“如同2014年团购大战、2016年的出行之争，金融大数据也是天然垄断型的行业，目前正处于快速成形期，未来两三年内会冲出行业巨头。”为此，百融金服正在全力以赴。

数据争夺之战，垂直服务商的机遇

数据量级是大数据征信的核心能力之一。百融金服最早是“百分点”内部的金融事业部，其最初的数据积累也来自于此。

而作为互联网数据的生成方，BATJ掌握着除了政府、运营商以外的绝大多数数据，垂直服务商并不具备优势。但百度侧重搜索、腾讯侧重社交、阿里和京东侧重电商，它们“各自为营”数据维度单一，不利于应对金融风险防范。

此外，张韶峰认为，从互联网巨头目前的金融布局来看，大而全的综合金融集团（如银行模式）是一致选择。因此在数据合作方面，多数银行、消金、互金、小贷等对BATJ都心存忌惮——这给金融大数据服务商留下了发展空间。

天然垄断：第三方服务孕育垂直巨头

不过，我国至今尚未出现市场化的独立第三方大型数据平台的成功案例，其商业模式有待验证。

张韶峰指出：首先，市场需求旺盛。互联网金融、传统金融机构的快速成长，直接促使信贷后端的征信、风控成为刚需。我国拥有各类银行2000多家、小贷公司和担保公司各近10000家、持牌消费金融20多家、正常运营的P2P平台2000多家。

其次，金融服务相对分散、数据服务趋于集中。出于风险考虑，世界上所有大国的金融行业都不可能被少数几家金融机构所垄断，通常做法是扩大金融机构的数量来分散风险。这就为大型数据服务企业奠定了基础。张韶峰认为，“银行业头部10%的客户，足够支撑起一家规模可观的垂直服务商。”

另一方面，金融大数据服务虽然竞争激烈，但行业整体趋向集中。在大数据的“硬件/基础设施-大数据软件处理-行业模型应用”3层产业链条中，不具备核心竞争力的企业将逐渐沦为大型企业的附庸，如目前市面上的很多数据供给渠道商。

参考美国个人征信市场，已经形成金字塔格局： 3大巨头Experian、Equifax、TransUnion的地位数十年来难以被撼动，下面是2000多家小型垂直数据公司。绝大多数银行金融机构倾向于与服务能力强的3家巨头中的一两家进行长期合作。而这3家巨头会与小型数据商合作，从而能够打造出综合能力强的服务和产品来供给银行。

征信只是大数据金融应用的其中一环，除此之外还有金融产品设计、精准营销、不良资产管理、智能投顾等关键环节，需要超强的综合能力。张韶峰指出。

“因此，金融大数据领域天然垄断的市场格局是必然趋势，中国市场在未来2、3年内定型。”

这一过程中，尤其需要明确“金融服务”和“科技服务”的区别。金融企业“低市值、重资本”的属性，并不适合互联网的“轻运营”模式。相反，科技服务公司能够通过高门槛建造竞争壁垒，马太效应、雪球效应显著。同时，也更受资本市场青睐，更易于做高估值。

“与互联网类似，金融大数据企业的边际成本急剧降低、聚集效应明显，这是百融定位科技服务公司的关键原因。”

人工智能+大数据+征信，应用成熟度高于智能投顾

传统征信行业存在“覆盖人群有限、审核周期较长、信息采集面有限”等弊端，而这正是AI、大数据、云计算等新型科技优化、重塑服务链条的发力点。

“其实，人工智能在算法层面并没有本质突破，之所以近两年开始凸显，本质原因是大数据先取得了突破——足够多的数据，让AI机器学习获得了最重要的基础。”

张韶峰指出，人工智能在金融领域的应用主要在于：

智能风险评估和管理；智能投顾服务。不过，智能投顾的呼声似乎更高，原因之一是投资理财属于高频需求，更贴近普惠大众；而风控服务靠近金融服务链条的后端，且贷款属于低频行为。但事实上，在技术应用层面，后端风险管理的应用成熟度更高。

虽然2者都是通过数据分析、技术模型来评估并服务个人用户，但智能投顾还必须分析投资理财产品，所以短期内真正大规模应用的难度比较大——原因并不在技术本身，而是相对于个人行为，投资理财产品变化趋势更难以预测，尤其是二级市场存在数据透明度低、政策因素强、产品种类少等问题。

“目前，百融金服通过深度学习模型处理50万个基础变量，相较传统方法，整体效率提升了50%-60%。其中营销环节成功率提升30%以上，个人不良率降低7成。”

自上而下，势能传导

在2014年大数据风控创业热潮中成立的企业中，百融、同盾、聚信立等企业在服务体系上多有相似，但具体打法上存在差异。

张韶峰指出，初创企业多采用“自下而上”的方法，针对中小客户，开发单一产品（黑名单、发欺诈等）切入市场，然后丰富产品类型，铺开信贷全流程业务，再向银行、持牌金融机构等高端客户拓展。这种方法前期起量快，能够迅速做大规模和估值，但后劲不足。

与之相反，百融在初期就首先从银行客户入手，设定了“自上而下”的路径：①风控产品采取按月、单项、后付费的方式，创造更多赢利点；②整体解决方案产品的定价高于行业平均水平，聚焦中高端金融机构的客户——以此形成自上而下的势能传导。

对于这一方式造成的前期市场开拓、获客的成本压力，张韶峰坦言，“百融以更高成本聘请高层次的技术开发人员、数据分析与建模师、顾问式的销售人员。这种自上而下的模式前期投入较高，但金融机构天生比较倾向于向比自己大的机构学习，也倾向于选择服务过大机构的服务商，因为大机构对服务商的考核更加严苛。”

“但这种模式的优势在于，一旦形成势能，中后期能迅速占领市场，迅速降低人均成本、提高人均绩效。据了解，目前与同行依靠大规模地推式销售模式，百融的销售人员总占比15%，低于行业平均水平，人均综合产出相比部分同行高出2-3倍。”

经营业绩上，2016年百融营收实现同比15.6倍增长，今年Q1实现了现金流转正。