男人网站,国产精品对白刺激久久久,性XXXX欧美老妇506070,哦┅┅快┅┅用力啊┅┅在线观看

不知道從什么時候開始，金融科技這個詞突然就在國內(nèi)火了起來。不管是現(xiàn)金貸公司、消費金融公司還是第三方服務商，紛紛將自己叫做“金融科技公司”。似乎貼上了這四個字，融資金額就能翻幾番。 

這個聽起來很高大上的詞其實是個舶來語——“FinTech”，也就是Finance（金融）和Technology（科技）的結(jié)合。維基百科對其的釋義為它是由一群通過科技，讓金融服務更高效的企業(yè)，構(gòu)成的一個經(jīng)濟產(chǎn)業(yè)。 

藍領(lǐng)、灰領(lǐng)人群征信缺失引發(fā)“大數(shù)據(jù)”熱潮 

金融科技這個詞雖然出生地不是中國，但確實是在國內(nèi)被發(fā)揚光大的。不管是初創(chuàng)公司還是BAT這樣的巨頭，都對這個詞一見傾心。阿里巴巴甚至自己創(chuàng)造出了TechFin（科技金融）這個倒裝的新詞來自我標榜。 

聽起來很高大上的金融科技到底是個什么鬼呢？我瀏覽了幾家自稱為“金融科技公司”的網(wǎng)站，收集了他們的公司簡介，可以從中看到一點門道。 

雖然幾家公司用詞天花亂墜，但是可以看到金融科技在消費金融領(lǐng)域的核心就是“大數(shù)據(jù)風控”。 

而大數(shù)據(jù)風控在國內(nèi)受到追捧本質(zhì)是由于國內(nèi)大量人群征信數(shù)據(jù)的缺失。 

為了避免與銀行等傳統(tǒng)金融機構(gòu)正面硬懟，大量互聯(lián)網(wǎng)金融公司基本都選擇了藍領(lǐng)、學生、農(nóng)民這樣傳統(tǒng)金融機構(gòu)沒服務到的客群。 

隨之而來的問題就是這部分客群基本都沒有人行的征信報告，征信數(shù)據(jù)非常稀薄。 

在缺乏強相關(guān)變量的情況下，金融機構(gòu)只能通過電商數(shù)據(jù)、社交數(shù)據(jù)、行為數(shù)據(jù)等等一些弱相關(guān)變量來對這部分人群進行信用評估。 

而對于擁有人行征信報告的人群來講，傳統(tǒng)金融機構(gòu)已經(jīng)能夠?qū)ζ湫庞眠M行很好的評估，其結(jié)果也遠比利用弱相關(guān)變量的大數(shù)據(jù)風控來得精準。 

所以大數(shù)據(jù)風控其實是金融機構(gòu)在國內(nèi)征信體系不健全的背景下，客群不斷下沉的無奈之舉。 

用技術(shù)就能做好風控？扯淡 

消費金融的風控主要防范兩個方面的風險，信用風險和欺詐風險。 

而風險管理包括風險識別、風險分析、風險監(jiān)控、風險應對四個模塊。 

信用風險主要指客戶的還款意愿和還款能力，也就是客戶想不想還錢、還不還得起錢。而欺詐風險的情況則更為復雜，包括身份冒用、黑產(chǎn)攻擊、個人套現(xiàn)、團體騙貸、龐氏騙局等等多種情況。 

曾擔任百度金融CRO的王勁講過，在美國欺詐跟信用風險相比，基本上是1：5的概念，但是在中國完全反過來了。欺詐可以說是中國特色主義的風控問題了。 

除此之外，國內(nèi)的消費金融行業(yè)特別是現(xiàn)金貸行業(yè)還面臨著多頭借貸的問題。這個用戶可能暫時還得起從你這里借的1000塊錢，但他在不斷的擼口子，已經(jīng)背負了十幾萬的債務，實際上是還不起錢的。 

那么科技到底在風控里起了什么作用呢？我們就拿最火的機器學習和人臉識別來舉例吧。 

機器學習work的使用前提：數(shù)據(jù)需要足夠多，足夠厚 

在傳統(tǒng)的信用卡申請流程中，銀行會根據(jù)用戶收入穩(wěn)定性和償債能力審核打分，最常見的用于信用評分的模型就是邏輯回歸。 

但前文也說到，在強相關(guān)變量缺失的情況下，互金機構(gòu)不得不引入大量的弱相關(guān)變量來對用戶打分。 

在數(shù)據(jù)量過多的情況下，基于機器學習的模型優(yōu)勢就凸顯出來了。相比傳統(tǒng)模型只能通過若干個變量進行建模，機器學習模型可以引入成千上萬的變量。 

但從原理上來講，機器學習和傳統(tǒng)的邏輯回歸模型并無本質(zhì)區(qū)別。 

像BAT這樣數(shù)據(jù)量足夠大數(shù)據(jù)足夠厚的公司，用機器學習來做模型才是靠譜的。而本身連數(shù)據(jù)都少的可憐、尚且處在需要外部數(shù)據(jù)支持的創(chuàng)業(yè)小公司，又談何機器學習模型呢？ 

而且雖然在變量過多的情況下，機器學習模型在一些指標上的表現(xiàn)可能比傳統(tǒng)風控模型更好，迭代速度更快，但同時也存在它的弊端。 

比如在穩(wěn)定性、可解釋性上機器學習都不如傳統(tǒng)的風控模型。 

人臉識別：只能解決單點效率問題 

另一項大熱的人臉識別技術(shù)則一般應用于貸前反欺詐驗真環(huán)節(jié)，通過人臉識別能夠快速有效的判斷用戶是否為本人。 

這種工作其實人工也可以做，相信看過最強大腦的都記得那群比百度人工智能識別人臉還要精準快速的“天才”們。而機器的優(yōu)勢就在于效率。 

但是風險管理面臨的問題是非常復雜而多樣的。就拿身份欺詐來講，不少辦分期甚至是現(xiàn)金貸的用戶是被中介騙來的，因此他的身份信息都是真的，但借款意愿是假的。這種情況下人臉識別顯然就沒什么用了。 

所以人臉識別只能解決“單點效率”問題，在這一個環(huán)節(jié)上降本增效。 

這也是絕大多數(shù)科技手段的問題。這些科技手段有用嗎？當然有用。 

在風控的某些環(huán)節(jié)中，技術(shù)手段無疑可以有效地降低成本提升效率。但想依靠技術(shù)手段就做好風控那是不可能的。 

就算拋開大數(shù)據(jù)的相關(guān)性和穩(wěn)定性來說，它也只是一個風險評估而已，只是風險管理的一小塊。 

而做好消費金融風控需要全面的風險管理體系，技術(shù)能做到的只是解決其中某個環(huán)節(jié)的效率問題。 

現(xiàn)金貸轉(zhuǎn)型技術(shù)輸出？收智商稅 

去年年底，針對現(xiàn)金貸的監(jiān)管政策在行業(yè)里引起了軒然大波。大批現(xiàn)金貸公司做不下去了，就開始轉(zhuǎn)型做技術(shù)輸出，搖身一變也成了金融科技公司，還打出了“消費金融一站式解決方案”這樣的廣告語。 

事實上，這些公司都是收智商稅的。他們基本就是販賣兩種東西——系統(tǒng)和風控技術(shù)，但這兩種東西其實都沒什么價值可言。 

已經(jīng)失效的系統(tǒng) 

先來說說系統(tǒng)，之前在現(xiàn)金貸最火的時候賣現(xiàn)金貸系統(tǒng)的也發(fā)了一筆財。現(xiàn)金貸的系統(tǒng)是專門為線上現(xiàn)金貸開發(fā)的，而且本身并沒有什么核心競爭力，你能開發(fā)我也能開發(fā)，買系統(tǒng)只是為了省時省力。 

現(xiàn)在政策下來了，沒人敢再做線上小額現(xiàn)金貸了，這套系統(tǒng)自然也沒什么用了。 

毫無價值的風控 

而絕大多數(shù)的現(xiàn)金貸公司更想要轉(zhuǎn)型做風控技術(shù)輸出，這就更加扯淡了。 

首先現(xiàn)金貸這個業(yè)務本身就不太需要風控。在利率高達200%的情況下，你的壞賬降低五個點或是十個點對盈利幾乎沒有什么實質(zhì)影響。 

而且現(xiàn)金貸所針對的人群可以說是質(zhì)量非常差的一批客群，你想想誰會在網(wǎng)上以那么高的利率借幾百塊錢呢？絕大多數(shù)借現(xiàn)金貸的人并非用于應急，而是用來消費甚至是以貸養(yǎng)貸。 

在政策下來之前，現(xiàn)金貸的獲客成本就在不斷上漲。你好不容易用一兩百塊錢得到了一個客戶，他卻不符合你的風控規(guī)則，你放款還是不放呢？答案自然是咬著牙放。因此絕大多數(shù)現(xiàn)金貸公司的風控都形同虛設。 

而現(xiàn)在他們轉(zhuǎn)行技術(shù)輸出，其實就是賣上文提到的機器學習風控模型。但問題在于機器學習模型本身就是通過過去的統(tǒng)計樣本來對未來做出預測。 

因此只有在樣本量非常大的情況下，模型才有用。也就是說除了幾家已經(jīng)擁有大量用戶的頭部現(xiàn)金貸玩家外，剛?cè)雸龅男⊥婕矣媚Ｐ偷男Ч赡苓€不如隨機放。 

其次，風控模型并不是通用的?，F(xiàn)金貸的風控是針對網(wǎng)上那批質(zhì)量較差的客群，模型可能存在過擬合問題，在其他場景之下面對完全不一樣的客群就失效了。 

事實上，沒有什么風控模型能夠一招鮮吃遍天下，在不同場景之下消費金融業(yè)務面臨著完全不同的風險。 

例如在線下3C場景之下，公司面臨的最大風險是欺詐風險，中介套現(xiàn)的現(xiàn)象非常嚴重。這條套現(xiàn)產(chǎn)業(yè)鏈甚至和消費返利結(jié)合發(fā)展成了龐氏騙局。 

線下手機門店、分期業(yè)務員和套現(xiàn)中介勾結(jié)，利用“0元購手機”等虛假活動吸引不知情的消費者來辦理分期業(yè)務，之后每個月給消費者返利來還款。 

之前就有新聞爆出河南駐馬店400多位消費者都陷入了這樣的騙局，捷信、佰仟等知名的3c分期公司也都未能幸免。在這種欺詐里，消費者的身份資料都是真實的，人也是白戶，甚至前期的還款表現(xiàn)也都非常好。只有在返利平臺崩掉時，壞賬才會大規(guī)模爆發(fā)。 

顯然，如果把現(xiàn)金貸的風控模型用于3c分期業(yè)務，靠它來識別欺詐是根本不可能的。 

現(xiàn)金貸業(yè)務本身面臨的最大風險是系統(tǒng)性風險，這和某一家現(xiàn)金貸平臺風控做得好不好沒有關(guān)系。 

愛借線上小額現(xiàn)金貸的就是戒賭吧那幾千萬老哥，過多的現(xiàn)金貸公司入場讓壓在這批人身上的杠桿越來越高。最后崩盤時，沒有哪家現(xiàn)金貸公司能夠獨善其身。 

說到底，風險管理是一個系統(tǒng)的工程。無論是機器學習模型、還是人臉識別技術(shù)都只是一個工具而已，如何使用這些工具才是關(guān)鍵。 

不同場景之下，風控面臨著各式各樣細致而特殊的問題。就拿線下3c分期來舉例，現(xiàn)在有一批專門的“養(yǎng)卡人”，他們?nèi)ゾ€下分期買手機只是為了獲得后續(xù)的二次現(xiàn)金貸。因此他們辦理3c業(yè)務之后還款也很良好，但拿到大額現(xiàn)金貸后立馬就停止還款了。 

面對這種情況，客戶的信息資料都是真實的，甚至還款表現(xiàn)也非常好。而風控就要從多個維度來進行防范了，例如在審核時檢測這批客戶是否相互勾結(jié)[別寫“抱團“這個詞，太”買單俠“了]，在貸后對客戶進行持續(xù)的監(jiān)控。一般來講，“養(yǎng)卡人”的貸后表現(xiàn)較常規(guī)用戶會出現(xiàn)一些異常，比如從同一家門店來的幾個客戶都從不查賬單，貸款完成后都集中在一個地方，有的甚至是異地，用同一個賬戶代還款，這就很有可能發(fā)生了養(yǎng)卡的現(xiàn)象。 

因此風控其實是個細致活兒，科技手段只能在風控的某個節(jié)點上發(fā)揮作用，遠不能成為整個消費金融業(yè)務風控流程的解決方案。 

金融科技是金融業(yè)務管理不缺位情況下的“奢侈品” 

“金融科技”這個詞本身是沒什么問題的，但是行業(yè)對科技的盲目追捧卻是在舍本逐末。無論多么牛逼的技術(shù)手段，都是依附于你的業(yè)務本身的。大量草根玩家連業(yè)務邏輯都還存在巨大的漏洞，就別再妄談什么科技手段了。 

想做好消費金融風控，首先要做好場景的把控，確保消費場景的真實和客戶消費意愿的真實。通過真實的消費場景獲得的客戶是“好人”的概率要大得多，本身就能夠盡可能地規(guī)避風險。 

其次，公司需要根據(jù)業(yè)務流程搭建一套完備的審核流。現(xiàn)在互金行業(yè)的審核系統(tǒng)，先不談技術(shù)，連完備都沒能達到，大量職能都還處在缺位的狀態(tài)之下。 

一套完備的風控審核機制，不是簡單地通過模型來判別這個客戶能不能貸，而是有多個控制點，包括業(yè)務流程的精準控制，是一個多層次的防控系統(tǒng)。 

從效果上： 

數(shù)據(jù)的作用>技術(shù)的作用 

獲客重要性>風控本身 

所以可以解釋： 

1 BAT（JM）牛逼，甚至比銀行牛逼，因為他們有數(shù)據(jù)。對他們來說談科技已經(jīng)是水到渠成的事情了。 

他們的戰(zhàn)略優(yōu)先級1級重要性是接著鋪基礎(chǔ)建設，拓展數(shù)據(jù)采集。2級重要性是基于大數(shù)據(jù)的技術(shù)升級、挖掘升級，認知升級。 

環(huán)環(huán)相扣，沒有第一層去學第二層，無異于邯鄲學步。 

2 Payday loan牛逼，因為這種牛逼的盈利獲客方式，強大到不需要風控。 

3 以征信名義做大數(shù)據(jù)的公司最牛逼，數(shù)據(jù)是一切變現(xiàn)的價值源泉。

【來源：森林學苑】