在银行核心风控不外包的监管要求下，助贷机构向银行提供服务，是不是就得采取一锤子买卖式的咨询模式？
大数金融总裁王海龙显然不这么认为。
“因为在小微信贷上，银行从过去不熟悉这套技术，到逐渐掌握，并且能积累到足够多的数据，这中间需要一个过程。作为助贷机构你要在这个过程中持续去帮助银行，让他逐渐具备独立的小微信贷业务能力，所以我们提出‘信贷科技开放共享’模式来满足银行建立这种能力的需求。”
“通俗来讲，就是共建产品、联合风控、联合运营，帮助银行去构建一整套独立的信贷业务系统，把我们在过去五年里打磨出来的经验成果结合银行自身情况复制一遍。”
值得注意的是，在这背后，助贷机构的角色定位也正从辅助者向赋能者转变，在看清小微助贷本质的前提下，通过在技术进化、定位调整和壁垒搭建三方面修炼内功而一步步走上了风口位置。
长期以来，小微金融都是政府关注的民生焦点，尤其今年，这种关注与重视正在加速落地。
年初政府工作报告指出，2019年将加大对中小银行定向降准力度，释放的资金全部用于民营和小微企业贷款；国有大型商业银行小微企业贷款要增长30%以上。
同时，银保监会在3月印发《关于2019年进一步提升小微企业金融服务质效的通知》，强调对普惠型小微企业贷款2019年要实现“贷款增速不低于各项贷款增速、贷款户数不低于上年同期”的“两增”目标。
这样的政策背景下，本就不善于小微信贷的银行难免感到压力山大。信贷规模基数本就庞大，在此基础上增长30%以上是一个不小的挑战。
据银保监会相关数据，截至2018年四季度末，大型商业银行用于小微企业贷款的余额为71022亿元。照此测算，贷款余额增长30%，整体规模至少将扩张2万亿以上。
这还不包括数量更多的股份行、城商行和农商行，在大行的带头作用下，他们在发展小微信贷上同样存在巨大需求。而这些都为小微助贷公司提供了蓬勃进发的市场环境和政策机遇，一时间，大批小微助贷玩家涌到了聚光灯下。
简单来说，助贷主要涉及资金方和助贷方两端，就是助贷方利用自己在某一个领域里的优势流量和技术等，协助资金方去发放贷款，包括面向C端的消费金融助贷和面向B端的小微助贷。
在资金方，银行资金的占比最大，是最重要的放贷主体，此外还有保险、信托、财务公司、小贷公司、消费金融公司等，都可以是资金的来源方。
助贷方则分为持牌机构和非持牌机构，前者包括互联网银行如网商银行、微众银行、新网银行等和部分拥有小贷、网络小贷、融资担保等牌照的金融科技公司；后者包括一些无小贷、网络小贷、融资担保等牌照的金融科技公司、P2P平台、数据公司等。
而针对小微助贷业务，从助贷机构为银行提供的价值来看，目前市场上主要有三类玩家：
第一类玩家是手上有流量的互联网巨头或平台，他们的竞争能力是流量和流量背后的数据，如三大互联网银行；
第二类玩家的主要角色是增信为主，以保险公司为主要代表；
第三类玩家是纯信贷技术公司，核心产品为风控技术方案，在风控技术持续创新上有非常大的动力。
在王海龙看来，包括小微助贷在内的助贷模式是中国信贷行业专业化分工不断发展的一个产物，同时也是数字风控技术商业化的土壤。
“一项新技术从诞生到发展壮大，一定要有一个商业化的载体，使其能够在所应用的领域里得到发展。小微数字风控技术对于银行而言就是一项新技术，这样一项新技术实际上是通过助贷的方式，逐渐被银行所认识、接纳和再发展的。” 他表示。
的确，目前银行在小微信贷方面还存在内部供给不足的情况，一时间既没那么多人才，也没有深厚的技术沉淀，这就给了助贷一个得以存在和生长的空间。
实际上，技术已成为当下小微助贷的“硬核”指标，也是信贷行业专业化分工中对小微助贷角色的根本定位。
雷锋网AI金融评论了解到，过去国内传统银行普遍采用抵押贷款模式、德国IPC技术或“圈链会”技术开展小微金融业务，本质上是靠“人”，始终存在一定局限性，要么“惠而不普”，要么容易形成集中、批量风险。
事实上，采用传统技术的银行在小微贷款领域经历了十年的探索，终未能找到一套“风险可控、成本可控、可规模化运作”的小微贷款技术，“风险、规模、成本”三个目标无法同时取得也成为小微信贷的“不可能三角”。
不同于第一第二代靠“人”开展的信贷技术，如今小微贷款技术已进入第三代，即以数据驱动风险管理的数字风控阶段，其关键在于对模型工具的高级使用。
大数金融首席风险官漆瑾声认为，“模型就像一把刀，功夫好的人不是靠一把好刀就行，还要看怎么用这把刀，怎么用就是策略。但是策略不是一蹴而就的，需要不断打磨。”
在他看来，至今为止，“策略”的发展经历了三个阶段：简单使用阶段、复杂使用阶段、高级使用阶段。
用“一张评分卡一刀切”的方式做风控这属于简单使用阶段，再复杂一些的是几个模型、几张评分卡一起使用，而目前最先进的方法是在评分卡的技术上叠加决策树，即运用“政策+评分模型+策略”的组合方案来进行风险管理。
雷锋网AI金融评论了解到，决策树的门槛看起来不高，但能做对的很少。客户好坏表现数据，常用于风险模型的Y值。缺乏Y值得模型，属于无监督模型，有效的决策树应该是基于有监督的算法。
并且就算在有监督的基础上，决策树的水平还会非常取决于数据质量和开发人员的技术水平。
举例来说，评分卡乍看上去门槛很高，比如需要会统计、懂算法、知道如何用等，但一个公司只要把这些东西按照业务需求摸索出来后，去培训一个人员，基本一两个月就能做得像模像样，因为模型整个的开发、训练是标准化流程，所以错不到哪儿去，就算做错了也能被马上发现。
但决策树不一样，它不是一个非常标准的东西，而是一个需要技术人员根据经验去发挥的东西，于是就形成了决策树谁都可以做、但很少能做对的局面。
“就像我告诉你规则，马走日，象走田，但你还是无法一朝一夕就变成一位象棋大师。” 漆瑾声表示，回到小微领域来说，做决策树很大的困境是样本量不足，这时候就非常依赖做决策树的人员，需要他能够在样本不足的时候脑补一些可能产生的情况，实则要求这个人具备丰富经验和透彻的业务理解能力。
据了解，数据驱动的风险管理方法过去常见于金额较小、面向C端的信用卡和消费信贷业务，将其应用于大金额纯信用的经营性贷款领域的案例，目前还属少见。
究其原因，相较于消费信贷，小微信贷客群的风险识别更难、用于经营的贷款额度需求更高、经济周期对贷款质量的影响更大。
在大金额（户均25万左右）、长周期（2-3年）、纯信用、经营性用途的小微信贷领域，庞大的试错成本风险、长期数据积累形成的有监督风险模型、经历十年经济周期考验的整体技术等，都成为大数金融在小微助贷赛道上的技术优势。
实际上，随着各地监管层对银行核心风控环节不得外包等相关政策的出台，包括小微助贷在内助贷方的角色正在发生变化，从此前导流获客和数据风控的辅助角色，逐渐开始向技术赋能者角色转变，开始更多帮助银行去搭建一整套小微信贷流程和风控管理系统。
那等到银行积累了足够多的数据、熟练掌握了一整套小微风控技术之后，大数等纯技术公司会面临“ 教会徒弟饿死师傅”的窘境吗？
“那倒不会。”在王海龙看来，真正好的小微信贷技术方案，都是在攒了足够多的数据后试出来的方法。举例来说，只有积累了足够多的数据，特别是坏样本，才能建立有监督的模型，也能在与对方数据匹配的时候马上识别出对方模型里是否有坏样本、是否是有监督的模型。
“坏样本意味着什么？意味着要损失钱，因此做小微信贷还有一个特点就是试错成本高。比如对于笔均8000的消费类贷款，花20亿能积攒足够的坏样本的话，那在笔均25万的小微领域可能就要花600亿才能攒够样本。我们看到市面上绝大多数公司都在做消费信贷，而做小微信贷的很少，也能说明这个门槛确实很高了。” 漆瑾声补充道。
通常来讲，第三方科技公司由于服务几十家银行，积累的数据与应用经验一定会多过某一家银行，庞大的数据量与数据处理经验也会反过来让技术更精湛，因此在技术方面会一直有增值的部分可以提供给银行。
据了解，大数金融成立5年来已帮助40多家银行改善了小微信贷服务的渗透率和普及率，发放信用贷款近400亿，新增小微客户近15万。这些数字背后的沉淀形成了其在短时间内难以被超越的壁垒。雷锋网雷锋网
正在生成分享图...
王艺