雷锋网AI金融评论报道，12月21日，线上信贷消费公司乐信集团正式登陆纳斯达克交易所，开盘价为每股11.8美元，据此计算，乐信市值将逾20亿美元。此前于12月14日，在乐信向美国证券交易委员会更新的IPO招股书中显示，每股发行价区间在9美元至11美元，融资规模视承销商行使超额配售权而定，介乎1.08亿美元至1.32亿美元或1.24亿美元至1.52亿美元之间。
招股书还披露，截至 2017 年前 9 个月，乐信拥有注册用户 2000 万，授信用户 650 万，活跃用户 330 万；同期整个公司的收入是 39.88 亿人民币，如不按美国通用会计准则计算，乐信的息税前利润为 3.89 亿，年初至今实现借贷额 313 亿。
据雷锋网AI金融评论了解，乐信在招股书中特地引用了一个叫做「实际年化利率」的数字（APR）——在一定时期内，APR=利率/平均在贷余额，后者可以通过前一年的余额剩余和当期的借款额差值的平均数计算得出。经过综合计算，乐信得到的 APR 数字是 25.3%，显示平台所有产品及服务的分期年化利率均在36%红线以下。
作为一家线上消费金融领域的服务商，以学生信贷起家的乐信至今打造了分期乐（分期购物）、桔子理财（线上理财）、鼎盛资产（资产管理）等多个子品牌，专注电商平台的分期金融业务，在消费金融领域规模逐渐成型，初露集群优势的峥嵘。2017年，互金企业争相上市的狂潮涌来，在趣店、和信贷、融360及拍拍贷争相登陆美股之时，关于乐信冲击分期电商第一股的传闻和预测分析热度始终不减。
AI金融评论发现，从3C品类的分期电商起家的乐信，在集团化改造和对业务全面升级的过程中，资金端规模不断拓展，在分期乐商城产生的小额信贷需求，能通过多个金融机构对接满足，如旗下的金融资产开放平台鼎盛资产，就接入多家银行机构，签署合作协议。
在乐信上市之前，AI金融评论对刚刚履新数月的乐信集团副总裁史红哲进行了专访。从单一的分期消费信贷业务，到对接传统金融机构和品牌商升级为规模化的合作平台，全面掌管集团技术业务的史红哲透露，在技术支持方面，乐信在数据开发和引入区块链结合AI驱动业务上早已起步。
那么，乐信是如何凭着自主研发并投入试运行的私有链，来结合AI和大数据技术的应用进行数据存储处理，实现消费用户规模不断扩增的同时保持较低的年化利率，借助金融科技的推力真正驱动集团业务升级优化而成功转型的呢？
每一款APP自它诞生的那一刻起，伴随着用户入驻真正投入运用，在后台的数据就开始累积增加。一项业务亦然，对于一家Fintech公司也是如此。在当今智能金融时代的大背景下，大数据是衡量一家公司大数据能力、决心以技术驱动业务升级的标准和最重要的依据。
史红哲告诉AI金融评论，2013年10月分期乐APP上线，前端的业务系统方诞生，后台的数据仓库就已经搭建起来了。
尽管由于当时业务量较小，数据规模未能通过技术手段实现出来，基本上都是单数据库的开源模型，“但是包括用户数据、交易日志、用户在前端的点击流等各数据类型，自2013年10月份开始就已经完整落地了。”
回忆乐信这一数据仓库随着业务模块的不断扩展而进行的升级改造，史红哲认为到目前为止共经历了两次比较大的迭代，基于区块链的数据存储模式，建立起分布式数据处理集群体系:
1. 从单机的数据系统扩展成集群的系统。接近2015年6月份的时候，乐信就完成了数据仓库多机集群的建设，实现把每天的交易记录、用户的点击流和其他以用户为多方面的数据实时入库。
2. 分布式体系的搭建。在2016年7、8月份，乐信搭建完成了基于Hadoop和Spark底层架构的分布式体系。
在论及选用Hadoop和Spark作为乐信分布式数据体系底层架构的原因时，史红哲沿袭着乐信业务总体规划的思路来解释:适用于全链层计算的Spark，和有着处理高并发优势的Hadoop，能够和乐信的业务系统结合得非常紧密，并根据乐信实际的业务需求对这套分布式数据体系进行定制化设计改造后，砍掉一些不必要的功能，更能实现轻装上阵配合业务研发，同时降低技术团队维护和理解的成本。
建造数据城堡的门槛：丰富的数据积累与数据主导的意识
要充分动员大数据的能力来推动金融科技整体业务的升级优化，乐信通过搭建分布式数据集群体系走出了自己的实践途径，那要建造这样的数据城堡来真正赋能金融业务，有着什么门槛或壁垒？史红哲认为，主要的门槛还是在于需要相当长的一段时间内来积累数据量，这样才有一个完整且可以回溯的数据基础。
对于乐信来说，能够追溯查询到2013年10月份用户的数据，前后信息的完整性都有保证。而这对于一些初创公司而言，可能还需要时间去积累。
从另一个角度来看，史红哲说大数据团队在以数据为驱动设计业务、系统的时候，就应该关注到需要搜集哪些数据，数据该如何整合、又是该如何运用，这是一个业务的全局闭环。
在跑动业务的时候，数据又要实时入库，又要有数据加工、存储、计算、分析整套的流程。这需要技术、产品团队包括整个管理层，配备深刻理解数据的意识。史红哲提醒道，不是说招几个AI的工程师、机器学习的工程师就可以对业务系统产生影响，而这也是壁垒的体现。
对于金融科技企业而言，基于分布式账本的区块链技术固然有着不可篡改、唯一可信任等诱人的特性，但在投入研发的过程中，存在的交易延时高、架设技术门槛高和对现有系统颠覆性强这些客观存在的难题，使得区块链技术距离大规模真正落地应用还有很长一段距离。
而乐信的野心显然不只是跟风试运行区块链技术--史红哲告诉AI金融评论，乐信要领先让这项技术落地。在Hyperledger的基础架构上研发私有链以后，乐信计划先将其在集团内部的节点之间开始跑动试用，借以解决数据不一致的情况并降低对账成本；尔后，在通过旁路测试和与集团内部现行系统并行运作的基础上，真正对接到与银行的业务合作中，希望能够让区块链网络与银行的虚拟节点进行交互，最终让区块链颠覆和重构银行的交易系统。
面对乐信各个逐渐壮大且彼此之间业务相关联的独立子品牌，毫无疑问会让史红哲萌生基于区块链的交易平台及自动化的结算思路，用分布式账本技术来驱动改造现有的交易流程与交易记账的体系。但在梳理完业务场景、完成整个系统的概要设计之后，在真正投入研发的时候，区块链在实时交易和应用性能方面的问题依然是没有办法绕过去的考验。
史红哲本身在推动乐信区块链落地试运行的过程中亦表现谨慎，他称乐信在上述提到的以旁路测试和与现行系统并行跑动的方式来测试运行的基础上 ，积累一定的数据和测试量，再试图去替换现有系统和对接到和银行的合作中。但意识到区块链本身时延较高、不太适合用于实时交易之后，他坦言，还需要做很多优化、测试和改造方面的工作：
“要对区块链的底层技术有一个深入的了解，并不是说这个底层技术拿过来以后就能用。对于它本身区块是怎么生成的、这个块生成的大小，要做细微的平衡和调节。区块链系统跟我们本身的存量业务系统要做一个很好的整合，我们基于微服务的系统跟区块链技术体系也要做一个很好的对接。”
回望从诞生到落地试应用的道路，目前区块链尚处于发展的极早期阶段，在史红哲看来，这条路并不好走，要想区块链真正做到与实际业务相结合投入正常运行，这对乐信来说还是一个很大的挑战。他告诉雷锋网AI金融评论，到现在为止，区块链本身，在处理实时业务上还没有成功的案例，并且由于其机制存在高技术门槛，还需要对底层做非常多的改造，包括参数调优等等。
其次，区块链还需紧密地结合业务系统，做好业务交易的流程管理，和底层实时区块链的记账体系做一个融合。而且要保证数据的准确性和一致性，有丝毫差错就有可能导致系统崩溃。 关于这一点，史红哲也说，“在业界目前还没有一家类金融公司成功实现这样的设想。”
困境重重，“前无古人”，解决方案的出路在哪里？回到乐信这套以Hyperledger为底层架构自主研发的私有链，史红哲告诉AI金融评论，之所以选用私有链，原因就在于其天生的效率要比公有链、联盟链要高得多。具体来讲，史红哲认为目前解决方案分为两个努力的方向：
1.从业务系统的优化方向来看，尝试把同步等待的机制变成一个异步处理的方式，在交易的用户看起来，交易订单受理完了状态有变化，比如说从原来的500毫秒变成了1秒钟，其实用户的感知可能并没有那么明显。只要等待的页面不要停留太久，底层的时间虽然稍微慢了一点点，但是用户看起来的体验是不受损的。
2.作为私有链，各个节点之间网络都是高速相连的，有一些甚至都是在同一个机房，即使是跨机房，中间也有高速光纤相连，跟联盟链，公有链相比，性能方面有更强的可控性，底层交互是非常快的，节点的数量也不多。在私有链效率更高的基础上，在硬件等存储设备和节点数量上做优化：
一方面，使用SSD高速存储，尽可能削弱高时延的影响；另一方面，减少节点的数量，使得区块链的底层通讯网络、本身块的大小和参数调优等等方面都得到最大可能的优化。
史红哲说，在消费金融领域的许多应用场景，乐信都已经尝试用私有链进行数据存储，如交易记录、用户的账户管理。 甚至在获客阶段和用户状态变更等信息，也逐步用区块链的形式管理起来，“因为金融对数据的变更是最敏感的，追求用户的某一个属性和每一次的变更来龙去脉都可追溯。”
更为重要的是，数据上链之后，意味着这些数据被记录的那一刻已经是结构化了，会大大节省后面利用大数据AI的数据处理成本。
史红哲还提到，在结合的过程中，大数据平台也要从各个系统里面抽取整合完整的交易数据，从而使区块链这样的分布式账本系统让交易数据变得更加可信。他认为，AI驱动的大数据要有高质量的保证，要形成规范化、结构化的数据驱动，这样结果才会可控。
其次，用区块链进行管理，数据都是真实可信的，数据管理成本会大大降低，还能提升AI模型的准确度和运行效率。
在未来，秉承着AI赋能全业务流程的整体思路，史红哲是这样为AI金融评论展望乐信AI Lab的使命和主攻方向:
业务架构和产品架构的设计，要逐步去适应AI+的战略。从产品的角度来说，需要从设计阶段就要去思考后台的AI模型需要哪些字段和数据，从业务架构、系统架构的角度去设计，也要让AI这个模型有序地循环起来。因为AI模型上线以后，也要不停地更新，希望尽可能减少人的干预，让系统自转起来。
用户访问系统就会产生数据，这些数据灌入到AI的模型训练系统，完成以后更新到在线模型，才能使得架构更加顺畅，跟现有的业务系统更好地融合起来。
搭建了AI实验室，率先落地区块链技术的试运行使用，接下来该如何凭借这些“重武器“打造竞争壁垒，形成自己的技术护城河？史红哲的目光却越过了单纯技术层面的军备竞赛：打造竞争壁垒，是成本控制加技术优势的共同成果。
在史红哲看来，单纯靠技术，可能永远无法构建竞争壁垒:
“技术是助推器，但所谓的竞争壁垒就是多个竞争者来做消费金融，你的优势要明显比别人强，你的用户体验、系统稳定性方面都要更优于对手。对于金融公司来说，成本是风险成本+资金成本+运营成本，如果风险成本、资金成本、运营成本远远小于竞争对手，这个壁垒就很高。”
那么该怎么样降低成本?具体细分为风险成本和运营成本两方面，史红哲这样回答AI金融评论:
在降低风险成本方面，需要在大数据上从一开始就注意积累齐全的、可追溯的数据，在数据的驱动下结合AI的算法进行定制化的风险定价，甚至最终达到千人千面的理想状态。即用大数据+AI的方式，去控制风险成本。
降低运营成本，从技术的角度出发，需要建设包括分布式开发技术、云计算模式在内的体系，同时在研发管理上尽量做到偏轻量级的快速迭代。和传统银行相比，只有这样金融科技企业才能降低单用户的交易成本、单用户的账务管理成本。
史红哲还进一步提到，对于如何精耕细作那些高成长的用户人群，金融类应用必须做到全数据的齐全掌握，在智能循环的AI体系和数据驱动的模型共同作用于业务系统，才能使得系统越来越“聪明”，用户在这套系统里面的体验才能越来越好，从而形成企业的核心竞争力。
他始终认为，单纯的技术优势形成竞争壁垒是很困难的，一定要理解和抓准细分的用户人群，在实现了业务系统不断自我进化的技术基础上，使得系统对用户越来越了解。
正在生成分享图...
胡敏