在銀行核心風控不外包的監管要求下，助貸機構向銀行提供服務，是不是就得采取一錘子買賣式的諮詢模式？
大數金融總裁王海龍顯然不這麼認為。
“因為在小微信貸上，銀行從過去不熟悉這套技術，到逐漸掌握，並且能積累到足夠多的數據，這中間需要一個過程。作為助貸機構你要在這個過程中持續去幫助銀行，讓他逐漸具備獨立的小微信貸業務能力，所以我們提出‘信貸科技開放共享’模式來滿足銀行建立這種能力的需求。”
“通俗來講，就是共建產品、聯合風控、聯合運營，幫助銀行去構建一整套獨立的信貸業務系統，把我們在過去五年裡打磨出來的經驗成果結合銀行自身情況複製一遍。”
值得注意的是，在這背後，助貸機構的角色定位也正從輔助者向賦能者轉變，在看清小微助貸本質的前提下，通過在技術進化、定位調整和壁壘搭建三方面修煉內功而一步步走上了風口位置。
小微助貸走向風口
長期以來，小微金融都是政府關注的民生焦點，尤其今年，這種關注與重視正在加速落地。
年初政府工作報告指出，2019年將加大對中小銀行定向降準力度，釋放的資金全部用於民營和小微企業貸款；國有大型商業銀行小微企業貸款要增長30%以上。
同時，銀保監會在3月印發《關於2019年進一步提升小微企業金融服務質效的通知》，強調對普惠型小微企業貸款2019年要實現“貸款增速不低於各項貸款增速、貸款戶數不低於上年同期”的“兩增”目標。
這樣的政策背景下，本就不善於小微信貸的銀行難免感到壓力山大。信貸規模基數本就龐大，在此基礎上增長30%以上是一個不小的挑戰。
據銀保監會相關數據，截至2018年四季度末，大型商業銀行用於小微企業貸款的餘額為71022億元。照此測算，貸款餘額增長30%，整體規模至少將擴張2萬億以上。
這還不包括數量更多的股份行、城商行和農商行，在大行的帶頭作用下，他們在發展小微信貸上同樣存在巨大需求。而這些都為小微助貸公司提供了蓬勃進發的市場環境和政策機遇，一時間，大批小微助貸玩家湧到了聚光燈下。
簡單來說，助貸主要涉及資金方和助貸方兩端，就是助貸方利用自己在某一個領域裡的優勢流量和技術等，協助資金方去發放貸款，包括面向C端的消費金融助貸和麵向B端的小微助貸。
在資金方，銀行資金的佔比最大，是最重要的放貸主體，此外還有保險、信託、財務公司、小貸公司、消費金融公司等，都可以是資金的來源方。
助貸方則分為持牌機構和非持牌機構，前者包括互聯網銀行如網商銀行、微眾銀行、新網銀行等和部分擁有小貸、網絡小貸、融資擔保等牌照的金融科技公司；後者包括一些無小貸、網絡小貸、融資擔保等牌照的金融科技公司、P2P平臺、數據公司等。
而針對小微助貸業務，從助貸機構為銀行提供的價值來看，目前市場上主要有三類玩家：
第一類玩家是手上有流量的互聯網巨頭或平臺，他們的競爭能力是流量和流量背後的數據，如三大互聯網銀行；
第二類玩家的主要角色是增信為主，以保險公司為主要代表；
第三類玩家是純信貸技術公司，核心產品為風控技術方案，在風控技術持續創新上有非常大的動力。
在王海龍看來，包括小微助貸在內的助貸模式是中國信貸行業專業化分工不斷髮展的一個產物，同時也是數字風控技術商業化的土壤。
“一項新技術從誕生到發展壯大，一定要有一個商業化的載體，使其能夠在所應用的領域裡得到發展。小微數字風控技術對於銀行而言就是一項新技術，這樣一項新技術實際上是通過助貸的方式，逐漸被銀行所認識、接納和再發展的。” 他表示。
的確，目前銀行在小微信貸方面還存在內部供給不足的情況，一時間既沒那麼多人才，也沒有深厚的技術沉澱，這就給了助貸一個得以存在和生長的空間。
數據風控技術成“硬核”指標
實際上，技術已成為當下小微助貸的“硬核”指標，也是信貸行業專業化分工中對小微助貸角色的根本定位。
雷鋒網AI金融評論瞭解到，過去國內傳統銀行普遍採用抵押貸款模式、德國IPC技術或“圈鏈會”技術開展小微金融業務，本質上是靠“人”，始終存在一定侷限性，要麼“惠而不普”，要麼容易形成集中、批量風險。
事實上，採用傳統技術的銀行在小微貸款領域經歷了十年的探索，終未能找到一套“風險可控、成本可控、可規模化運作”的小微貸款技術，“風險、規模、成本”三個目標無法同時取得也成為小微信貸的“不可能三角”。
不同於第一第二代靠“人”開展的信貸技術，如今小微貸款技術已進入第三代，即以數據驅動風險管理的數字風控階段，其關鍵在於對模型工具的高級使用。
大數金融首席風險官漆瑾聲認為，“模型就像一把刀，功夫好的人不是靠一把好刀就行，還要看怎麼用這把刀，怎麼用就是策略。但是策略不是一蹴而就的，需要不斷打磨。”
在他看來，至今為止，“策略”的發展經歷了三個階段：簡單使用階段、複雜使用階段、高級使用階段。
用“一張評分卡一刀切”的方式做風控這屬於簡單使用階段，再複雜一些的是幾個模型、幾張評分卡一起使用，而目前最先進的方法是在評分卡的技術上疊加決策樹，即運用“政策+評分模型+策略”的組合方案來進行風險管理。
雷鋒網AI金融評論瞭解到，決策樹的門檻看起來不高，但能做對的很少。客戶好壞表現數據，常用於風險模型的Y值。缺乏Y值得模型，屬於無監督模型，有效的決策樹應該是基於有監督的算法。
並且就算在有監督的基礎上，決策樹的水平還會非常取決於數據質量和開發人員的技術水平。
舉例來說，評分卡乍看上去門檻很高，比如需要會統計、懂算法、知道如何用等，但一個公司只要把這些東西按照業務需求摸索出來後，去培訓一個人員，基本一兩個月就能做得像模像樣，因為模型整個的開發、訓練是標準化流程，所以錯不到哪兒去，就算做錯了也能被馬上發現。
但決策樹不一樣，它不是一個非常標準的東西，而是一個需要技術人員根據經驗去發揮的東西，於是就形成了決策樹誰都可以做、但很少能做對的局面。
“就像我告訴你規則，馬走日，象走田，但你還是無法一朝一夕就變成一位象棋大師。” 漆瑾聲表示，回到小微領域來說，做決策樹很大的困境是樣本量不足，這時候就非常依賴做決策樹的人員，需要他能夠在樣本不足的時候腦補一些可能產生的情況，實則要求這個人具備豐富經驗和透徹的業務理解能力。
據瞭解，數據驅動的風險管理方法過去常見於金額較小、面向C端的信用卡和消費信貸業務，將其應用於大金額純信用的經營性貸款領域的案例，目前還屬少見。
究其原因，相較於消費信貸，小微信貸客群的風險識別更難、用於經營的貸款額度需求更高、經濟週期對貸款質量的影響更大。
在大金額（戶均25萬左右）、長週期（2-3年）、純信用、經營性用途的小微信貸領域，龐大的試錯成本風險、長期數據積累形成的有監督風險模型、經歷十年經濟週期考驗的整體技術等，都成為大數金融在小微助貸賽道上的技術優勢。
教會徒弟餓死師傅？
實際上，隨著各地監管層對銀行核心風控環節不得外包等相關政策的出臺，包括小微助貸在內助貸方的角色正在發生變化，從此前導流獲客和數據風控的輔助角色，逐漸開始向技術賦能者角色轉變，開始更多幫助銀行去搭建一整套小微信貸流程和風控管理系統。
那等到銀行積累了足夠多的數據、熟練掌握了一整套小微風控技術之後，大數等純技術公司會面臨“ 教會徒弟餓死師傅”的窘境嗎？
“那倒不會。”在王海龍看來，真正好的小微信貸技術方案，都是在攢了足夠多的數據後試出來的方法。舉例來說，只有積累了足夠多的數據，特別是壞樣本，才能建立有監督的模型，也能在與對方數據匹配的時候馬上識別出對方模型裡是否有壞樣本、是否是有監督的模型。
“壞樣本意味著什麼？意味著要損失錢，因此做小微信貸還有一個特點就是試錯成本高。比如對於筆均8000的消費類貸款，花20億能積攢足夠的壞樣本的話，那在筆均25萬的小微領域可能就要花600億才能攢夠樣本。我們看到市面上絕大多數公司都在做消費信貸，而做小微信貸的很少，也能說明這個門檻確實很高了。” 漆瑾聲補充道。
通常來講，第三方科技公司由於服務幾十家銀行，積累的數據與應用經驗一定會多過某一家銀行，龐大的數據量與數據處理經驗也會反過來讓技術更精湛，因此在技術方面會一直有增值的部分可以提供給銀行。
據瞭解，大數金融成立5年來已幫助40多家銀行改善了小微信貸服務的滲透率和普及率，發放信用貸款近400億，新增小微客戶近15萬。這些數字背後的沉澱形成了其在短時間內難以被超越的壁壘。雷鋒網雷鋒網
"