大数据信贷的“第三条道路”
大数据信贷的“第三条道路”*罗 煜 黄钰文 徐 蕾
[提 要] 目前，我国开展大数据信贷创新业务的主体主要有两大类:互联网公司和传统商业银行。互联网公司主要依赖自身电商平台或社交平台所积累的海量数据来获取用户信息。传统商业银行则利用自有账户或政府平台开放的数据信息自行搭建大数据平台，或通过与现有电商平台进行合作获取数据。但两种模式都存在一个共同的问题——可推广性较差。本文基于对中国最大的三家互联网银行——微众银行、网商银行和新网银行的一手调研资料，探索既不依靠自有互联网商业生态系统的数据，又不完全依赖自有账户或政府平台数据，适用于中小型商业银行的大数据信贷“第三条道路”。
[关键词] 大数据信贷；互联网银行；新网银行
一、引言
大数据技术有利于缓解信息不对称所造成的小微信贷运营成本高、风控难度大的问题，为高度依赖数据信息的信贷业务带来模式转型的机遇。互联网公司依托其自有网络商业生态拥有天然的数据优势，纷纷涉足金融领域并获得了显著的成功。传统商业银行则凭借其雄厚的资金、优越的客户基础和较高的社会认可度，通过积极寻求与大数据技术融合开展经营转型。
目前，我国开展大数据信贷创新业务的主体主要有两大类:互联网公司和传统商业银行。互联网公司(主要是互联网巨头)的大数据信贷产品主要依赖自身电商平台或社交平台所积累的海量数据来获取用户信息。传统商业银行(特别是大型商业银行)则可以利用自有账户或政府平台开放的数据信息自行搭建大数据平台，或与现有电商平台进行合作以获取小微企业和个人消费者的数据。但无论是哪种模式都存在一个共同的问题——可推广性较差。截至2019年12月底，中国银行业金融机构数达到4 607家，其中绝大多数是中小型银行。它们自有的账户数据较少，政府公关能力较弱，更没有自有的电商或社交平台，大多面临 “数据在外”“客户在外”的困境。当这些中小型金融机构试图开展大数据信贷业务时，会发现它们根本难以模仿既有的两种模式。那么，是否存在一种既不依赖自有互联网商业生态系统的数据，又不完全依赖自有账户或政府平台数据的大数据信贷模式呢? 如果存在这种商业模式且能够被广泛复制，将是大数据信贷的“第三条道路”，有助于解决小微企业融资难的问题。
本文通过对实践案例的分析，试图探寻大数据信贷“第三条道路”的可行性。笔者发现，国内有一家互联网银行——新网银行的大数据信贷模式非常符合本文对大数据信贷第三种模式的界定。新网银行是继微众银行和网商银行之后成立的国内第三家互联网银行。作为一家没有互联网巨头背景的纯线上银行，新网银行既没有自己的商业生态系统来获得流量数据，也没有关于客户的多维度社交数据，甚至没有客户的账户历史信息，但新网银行能靠大数据信贷起家并取得不俗的业绩，是具有高度研究价值的典型案例。囿于数据可得性等方面的限制，目前关于新网银行大数据信贷模式的深度研究尚少。因此，本文以新网银行作为主要研究对象，利用对微众、网商和新网三家银行调研所获取的第一手资料，对新网银行大数据信贷模式进行剖析，并将其与另外两种大数据信贷模式进行对比。
笔者的结论是，新网银行依靠第三方数据来源及特殊的大数据处理技术作为客户的授信依据，在用户基数全民化、数据来源广泛化、授信审批实时化等方面做到了行业领先水平。该模式具有较好的可复制性。如果借鉴得当，可以涌现出更多类似的机构，为我国的普惠金融事业做出更大贡献。同时，这一模式的推广仍需进一步提高数据可得性、降低数据获取成本、增强数据分析能力以及适应监管规则的变化。
后文的结构安排如下:第二部分对大数据信贷的概念、原理、实践及潜在问题进行文献梳理；第三部分论述我国大数据信贷的常见模式和寻找“第三条道路”的原因；第四部分对新网银行的基本情况进行介绍；第五部分对新网银行的大数据信贷模式进行剖析，并对该模式的可推广性及可能面临的问题进行讨论；最后是总结性评论。
二、文献回顾
(一)大数据信贷的概念
关于“大数据”目前尚未达成一个权威定义。De Mauro et al. (2016)通过文献梳理指出:大数据是指具有规模大、速度快和多样化特点的信息资产，需要特定的技术和分析方法实现价值转换。其在形式上不仅包括传统的结构化数据，还包括文本文件、网页信息、视频、音频及传感数据等非结构化数据(Grover et al.，2018)。大数据有三大来源，即企业内部产生的经营交易数据、来自物联网的物流信息和互联网世界中的社交、位置等信息(李文莲和夏健明，2013)。
大数据应用于信贷业务，衍生出大数据信贷这一互联网金融业态。目前，大数据已被运用于银行的客户画像、精准营销、风险控制、市场预测和运营优化等多个领域 (何平平和车云月，2017)。研究表明，互联网金融能够产生积极价值，具有边际成本递减、网络外部性、信息不对称程度低等优势，有助于银行提高服务效率、降低交易成本、提高风险管理水平 (谢平等，2015；李建军和王德，2015；Zveryakov et al.，2019；Chen et al.，2019)。
(二)大数据信贷的原理
大数据信贷有助于缓解信息不对称。Boot&Thakor(2000)指出，关系和软信息在监督借款人及缓解信息不对称方面具有优势。而金融科技的优势之一就在于将软信息硬化，使广泛的数据得以被收集和应用 (Lapavitsas& Dos Santos，2008；Liberti&Petersen，2019)。大数据可以帮助银行解决逆向选择和道德风险问题 (顾海峰和杨立翔，2017)。不仅如此，Ahmed et al. (2016)认为新技术能够提高信贷市场的竞争程度，进而催生出更多信息不对称的缓解方案。
大数据有助于提升银行的风险管理水平。银行传统风险管理依靠主观经验决策，存在数据来源有限、可靠性不足、时效性弱和效率低下的问题(周继述和王雪松，2013)。通过使用大数据风控模型及大数据风险预警体系，银行能够在贷前审查评估、贷中额度确定及贷后违约风险监控三个环节提升管理效率 (乔海曙和邹承慧，2017)。银行进行大数据风险管理的优势包括降低数据获取成本、扩大数据覆盖人群、提高数据处理和模型量化分析速度、实现信息系统的重建和规整以及增强信贷业务流程各环节的逻辑勾连等(宋首文等，2015)。
大数据信贷有助于银行实现营销方式的转型。大数据技术有助于银行挖掘潜在的市场需求，对客户的消费偏好进行深层次分析，为细分客户群提供个性化创新产品，实现实时、精准营销，从而提升客户体验，增强客户黏性和忠诚度，改变传统商业银行领域普遍存在的产品、服务同质化现象，使银行的经营模式从以产品为中心转变为以客户为中心，服务方式由标准化转向个性化 (郑爱华和赵兵，2015；李扬和孙国峰，2017；何平平和车云月，2017)。
大数据信贷的发展有助于提高金融的普惠性。通过替代性数据的使用，部分传统信用记录缺乏的借款人也能被评估信用风险，从而在一定程度上弥补信贷供给缺口，缓解中小企业的融资难问题(Jagtiani & Lemieux，2018a；Ahmed et al.，2016；赵 岳 和 谭 之 博，2012； 王 馨，2015)。Bartlett et al. (2018)和Jagtiani & Lemieux(2018b)以及Fuster et al. (2019)的研究表明，金融科技为被传统银行排斥的人群提供服务，缓解信贷市场中的歧视现象，提高贷款的可得性。Zhu(2019)和Jagtiani&Lemieux (2018a)则从贷款价格角度指出，金融科技的应用能够降低银行的授信和监督成本，提高贷款价格的信息含量，使得借款人能以更低的价格获得贷款。
(三)大数据信贷的实践
大数据信贷在国内外都存在一些成功案例。在国外，美国银行建立数据平台从信用卡交易中挖掘有价值数据，推行个性化的客户服务。花旗银行从具备客户智能的CRM 系统中获取客户基本信息，统计分析资料和银行投入记录数据，并通过Watson技术对海量数据分析处理，为客户提供个性化服务 (祁梦昕，2016)。西太平洋银行则利用与客户多渠道互动收集的信息进行精准营销。为向客户适时推荐产品和服务，法国兴业银行利用大数据对客户的收入、储蓄以及公司分红、奖金发放日期进行分析 (何平平和车云月，2017)。Kabbage则基于对小型网商交易、物流数据及社交数据的整合分析进行贷款决策和贷后管理(向明等，2016)。国内大数据信贷的成功案例以网商银行、微众银行为人熟知。
(四)大数据信贷的潜在风险和挑战
一是给金融机构带来的风险。包括:数据更改、系统稳定性可能诱发操作风险；病毒、黑客攻击致使银行面临用户数据泄露和盗用的技术风险；线上数据的真实性增加了信用风险；互联网融资与非法集资界限的模糊及相关法律法规的缺失催生出法律风险；流动性风险则来源于资产负债期限错配所造成的挤兑问题 (杨才然和王宁，2015；李克穆，2016；刘忠璐，2016)。
二是涉及金融消费者保护。在享受大数据带来的社会福利的同时，用户也要承担相应的隐私泄露风险(Tene&Polonetsky，2013)。为保护消费者利益，欧盟于2018年启动了 “史上最严”的 《通用数据保护条例》(General Data Protection Regulation，GDPR)，赋予个人对数据的知情权、访问权、纠正权、被遗忘权、反对权和可携带权，对企业获取使用数据进行严格限制。未来，有学者预测该条例将有可能成为全球数据保护的标准 (彭星，2016)。高度依赖数据信息的银行业也将面临更高额的合规成本(徐伟，2018)。
三、大数据信贷的常见模式与寻找“第三条道路”的原因
(一)大数据信贷模式的划分依据
信贷市场上存在严重的信息不对称(Stiglitz&Wiess，1981)。对金融机构而言，能否获取充足、有效的信息对客户进行信用评估决定了其在信贷市场上的竞争力。然而在传统条件下，机构在信息获取环节面临巨大困难。一是数据来源有限，例如一些机构并无资格接入官方征信系统；二是信息收集成本高，对于数量众多的中小型金融机构尤甚；三是信息获取后，缺乏分析手段，难以有效实现数据价值。
大数据技术为上述问题提供了多种模式的解决方案。在大数据背景下，首先在信息获取渠道上，银行可以接入政府数据平台、购买第三方数据或者自行搭建大数据平台；一些互联网金融机构更是依托自有商业生态拥有天然的数据优势。其次在成本方面，自有数据可免费使用，政府数据可能收取一定费用，相比之下商业化渠道获取数据成本则较高。最后，为提高数据分析能力，互联网巨头及大银行可利用自身实力开发信用评级方法；而对于大部分实力相对较弱的中小型机构，购买第三方的评级技术则是一种替代性选择。本文对大数据信贷三种模式的划分正是基于上述业务模式的差异。
(二)大数据信贷的两种常见模式
1.互联网公司的大数据信贷模式① 一些互联网巨头公司为了发掘新的利润增长点，纷纷凭借自身技术优势和客户基础涉足金融领域，通过获取相应的金融牌照建立金融平台开展金融业务。目前，阿里和腾讯等互联网公司均已拿到银行牌照取得经营银行业务的资格。这些互联网金融平台与传统银行的业务侧重点不同，在本文笔者仍以 “互联网公司”指代此类机构。。
在国内，一些互联网公司利用自身商业优势开展大数据信贷业务。以目前我国两大领军的互联网银行为例，微众银行和网商银行分别以微信、QQ的社交数据和淘宝、支付宝交易支付记录对客户进行信用画像。
(1)微众银行的大数据信贷业务。微众银行是由腾讯公司作为大股东发起设立的国内首家互联网银行，于2014年开业。微众银行业务定位于 “个存小贷”，目标客户覆盖各个社会群体。目前主要业务包括微业贷、微粒贷、微车贷等产品。其中“微业贷”旨在为中小微企业提供线上流动资金贷款服务。其贷款审批、放款全部在线完成，最高额度可达300万元，最快15分钟到账，无须抵质押，按日计息，随借随还。针对个人用户的 “微粒贷”产品500元起借，最高额度30万元，最快1分钟到账，无担保无抵押，日利息0.02%～0.05%。自上线以来一直保持快速增长，目前已为超过千万客户提供借款服务。2015 年9 月，微众银行又上线了“互联网+汽车金融”产品 “微车贷”，旨在为购车、用车、养车的消费者和车商提供高效的金融解决方案。申请者仅需身份证、驾驶证、银行卡、手机号即可申请此项贷款，流程方便快捷。截至2018年末，微众银行管理贷款余额超过3 000 亿元，同时保持着较低的不良贷款率。
微众银行开展大数据信贷的优势在于充分利用大股东腾讯的资源和生态圈。首先，微信和QQ 在社交平台的垄断地位和海量用户群体为其低成本获客及快速发展奠定了基础。其次，这两大社交平台上沉淀的社交数据、支付数据也帮助微众银行获取宝贵的用户行为信息。在此基础上再结合第三方外部数据综合得出用户的信用评分，并据此授信和放款。不仅如此，腾讯旗下还拥有中国人民银行批准成立的腾讯征信有限公司。微众银行可以通过腾讯征信来分析用户数据，预测用户的借款需求与未来还款能力，建立起属于个人的信用报告与记录。
从数据形式看，微众银行拥有的大数据已经从传统文本形式扩展到了多媒体形式，从银行流水单扩展到了社交平台的聊天记录，从静态财务数据扩展到了动态逐笔交易数据，因而数据池全面匹配客户的需求和能力。此外，微众银行借助互联网平台实时动态监控资金去向，做到贷后准确跟踪和管理。一旦前期平台投入初见效果，后期用户规模的增长对总成本增加的影响微乎其微，可以实现较好的规模效应。
(2)网商银行的大数据信贷业务。浙江网商银行是由蚂蚁金服作为大股东发起设立的国内第二家纯互联网运营的商业银行，于2015年开业。网商银行为解决小微企业贷款难的问题，推出了“网商贷”业务。其围绕阿里巴巴、淘宝、天猫等电商平台，向平台卖家推出阿里贷款、淘宝贷款、天猫贷款等产品。网商贷采用纯信用、零抵押、零担保的模式。在线申请只需30秒，最快3分钟即可到账，可随时还款，最长可贷24个月，并且门槛很低，1元起贷。
网商银行的数据来源包括两个方面:一是来自淘宝等电商平台的交易数据。其中商家销售数据可以帮助网商银行了解商家的历史交易情况并据此评估商家的盈利能力。用户购买数据则可以帮助网商银行知晓个人的消费习惯和能力，据此评估个人的经济实力。二是来自支付宝的支付数据，可以帮助银行进一步了解用户的资金实力和综合能力并以此作为授信依据。另外，值得一提的是，随着扫码收款的日益普及，更多线下交易流水数据能够被收集。原本因为体量小、线上数据缺乏等原因无法被准确评估信用水平的小微客户也日益能够获得相应的信贷服务。
在风控领域，网商银行基于海量数据优势，通过互联网化、批量化、数据化的方式来量化识别客户的各类风险，并且发明了一种可适用于不同客户性质的风险度量准则，通过客户财务情况跟踪、贷款需求计算、信贷额度授予等一整套技术对风险进行把控。具体地，网商银行分别采用“水文模型”和“芝麻信用”体系对小微企业客户和个人消费者进行授信。前者依据小微企业的种类、历史交易、经营情况、同业地位等信息来推测其融资需求与未来还款能力。后者作为我国首个个人信用评分产品则是从历史、行为、履约能力、人脉、身份五个维度来综合评估个人的信用状况。
除了微众银行和网商银行，其他互联网巨头也纷纷布局金融业务。如京东推出的 “京小贷”和“京东白条”，百信银行(由百度和中信银行合资成立)的“百兴贷”和“百分贷”，滴滴推出的 “滴水贷”以及美团的“美团小贷”等。
2.传统商业银行的大数据信贷模式。
商业银行获取大数据的途径主要有两种:
第一，银行自身数据。即客户在该银行发生金融服务交互过程中产生的数据，例如工资代发、交易流水、理财购买、按揭贷款等数据。实践中，工商银行借助自身的数据仓库对客户信息、交易信息、账户信息等进行挖掘和管理；交通银行利用智能语音云对与客户沟通过程中收集的录音数据进行分析；建设银行则通过自建的善融商务电商平台将电商交易数据与信贷业务相结合；光大银行通过建立社交网络信息数据库进行数据采集。总体来看，一般只有大型商业银行才拥有较为丰富的客户在该行的账户和交易数据，小银行则很难拥有较多的自有客户数据。
第二，政务数据，包括税务、社保、海关、公积金数据等。银行可以通过与相关的政府机构协商合作，免费获取或购买此类数据。例如，建设银行与云南省签订了“互联网+政务服务”建设合作协议。建行在云南的全部网点都变成了政务便民服务中心，从而获得了使用这些政务数据的官方授权。其他一些地方政府也特定地开放此类数据，如江苏银行的“税E 融”就是典型的以税务数据为支撑的信贷产品。总体来看，银行获取政务数据的成本较高。一是因为银行需要与各个地方政府分别进行谈判，交易成本极大，对于小银行来说难度更大；二是现实中，一些政务数据的采购价格比银行从商业渠道获得的其他大数据单位成本更贵。
此外，传统商业银行还可以通过与第三方科技公司合作与大数据嫁接。如兴业银行与百度展开合作，借助百度大数据的技术优势对客户行为及偏好进行挖掘。
(三)寻找大数据信贷“第三条道路”的原因
互联网公司开展大数据信贷业务的一大特色在于能够紧密结合自身的业务体系。实践中，能够成功地以自身商业生态系统构建完善的大数据信贷业务框架的往往只能是互联网巨头公司。微众银行和网商银行为首的互联网银行的崛起虽然提供了开展大数据信贷业务的样板，但这种模式过于依赖大股东自身的商业生态体系，难以复制。对成百上千的中小型商业银行或小额贷款公司而言，如何探索出一条不依赖互联网巨头、可复制的大数据信贷模式，仍然是个未解决的问题。
对于传统商业银行所开展的大数据信贷业务而言，其使用的数据具有数据质量和饱和度高的特征。虽有利于信用风险的判定，但来源相对单一，与真正基于分散、多维度、低饱和数据的 “大数据”信贷业务还存在显著差别。且鉴于前文所述的原因，小银行较难获得大银行开展大数据信贷业务所用的数据。尽管传统商业银行的各类创新信贷产品层出不穷，但商业银行的传统风控文化和信贷操作模式相对固化。再加上我国目前征信体系不完善以及受到政策和监管等因素的影响，传统商业银行在开展信贷业务中难于完全信任大数据信用评级结果，造成银行针对各个体量的企业所采取的授信评级方法相似，并仍倾向于要求客户提供一定的资产抵押或第三方担保，较难采取纯信用贷款模式，客户的准入门槛相对较高。此外，归因于技术的不成熟和审批的严谨性，商业银行在审批时间上也没有建立起相应的优势。
因此，我们迫切需要寻找大数据信贷的“第三条道路”。即在开展大数据信贷业务时，既不完全依赖于大型银行自身拥有相对高质量的账户数据和来自政府部门的政务数据，也不依赖于互联网巨头自身商业体系，而是适用于数目众多的中小型商业银行、小额贷款公司的，通过获取分散、多维度、低饱和度的第三方大数据，采用先进的大数据处理技术开展信贷业务的模式，见表1。笔者希望找到这种模式的典型案例。经过论证，本文选定新网银行作为研究对象。
表1 三种大数据信贷模式比较
四、新网银行背景介绍
四川新网银行于2016年底经中国银监会批准，由新希望集团、四川银米科技 (小米的全资子公司)等股东联合发起成立，是继微众银行、网商银行以后全国第三家以互联网模式运营的商业银行。与前两家互联网银行相比，新网银行的信贷业务不依赖自有商业生态，完全依赖外部数据(表2为三家银行的概况对比)。新网银行没有分支机构，全部业务几乎均在网上完成，主要服务互联网活跃人群、民营经济、中小微企业及“三农”客户。
表2 微众银行、网商银行和新网银行概况对比
资料来源:各银行公开资料及对三家银行的调研资料。
新网银行的主要产品“好人贷”较好地解决了个人小额、短融信贷难的问题，见表3。截至2018年末，新网银行累计发放贷款1 601亿元，累计放款5 733万笔，服务客户1 905万人，笔均贷款金额约2 000元，笔均周期约70天，平均利率约为14%，许多客户选择提前偿还贷款。从客户分布来看，新网银行目前的客户群体中约20%为个体户。客户覆盖全国31个省、自治区和直辖市。客户的男女性别比例约为3∶1；已知教育程度的客户中，超7成为本科以下学历；已知收入的客户中，约40%年收入在5万元以下。
表3 新网银行贷款期限、借款人年龄、借款人收入分布表
资料来源:新网银行调研资料。
新网银行成立以来实现了规模和利润的快速增长，见表4。截至2018年末，新网银行表内资产余额361.57 亿元，其中各项贷款余额257.16 亿元，主要为零售贷款，负债余额为329.86 亿元，所有者权益总额为31.72亿元，累计取得营业收入13.35亿元，营业支出8.78亿元，累计实现净利润3.68亿元。
表4 微众银行、网商银行和新网银行的主要财务数据对比 单位:亿元
资料来源:各互联网银行2018年年度报告。
从风险控制能力看，新网银行实现了比同行业更低的不良贷款率，且资本充足率和流动性比例等指标均显著高于监管要求，说明其风控体系适当，见表5。
五、新网银行大数据信贷“第三条道路”的探索
(一)新网银行开展大数据信贷的模式
新网银行是全国第一家全面应用机器学习技术进行零售信贷风险决策的银行。与另外两大互联网银行相比，新网银行大数据信贷的主要特色在于“全客群、全实时风控”。“全客群”指新网银行面向全网络开放获客，而微众银行和网商银行主要面对各自大股东生态体系内的已有客群。新网银行并不事先挑选客户，也不预设条件，只要申请便可获得审核的机会。“全实时风控”指银行在客户发起授信申请时，根据客户提供的信息和客户授权实时调取客户数据，实时做出风险决策。而微众银行和网商银行主要基于生态体系内已有客户的相关数据采取客户白名单制，先行完成对大部分客户的预授信，客户发起的贷款申请实质是 “贷款提用”，没有实时进行风险审批决策。
表5 微众银行和新网银行的主要经营指标对比
注:*表示暂无公开数据。
资料来源:各互联网银行2018年年度报告。
新网银行的贷款审批效率较高。从客户在新网银行提出贷款申请到最后得到审核结果，平均用时42秒左右。在所有申请者中约70%会被直接拒绝，这部分用时只需几秒钟。最终通过审核的审核时间一般为1分钟～2 分钟，再到放款的时间只需10多分钟，全程没有人工干预，见图1。
图1 新网银行大数据信贷模式简介图
(二)新网模式推广可行性分析
1.数据来源及成本。
新网银行对数据的要求坚持四大原则，即“数据丰富、来源合规、数据准确、成本低廉”。新网银行使用来源于自己采集的数据和外部数据在内的数十个维度的数据。自己采集的数据包括客户在与新网银行交互时所填写的基本信息、操作痕迹、生物数据等。外部数据则来自央行征信报告、各地政府大数据平台 (社保、公积金、违章、法院判决、住房登记、婚姻等市民基本行政信息)及其他第三方数据源(电信运营商、公安、学信网以及各持牌或准持牌征信机构)。在为多家P2P、小贷公司进行存管的过程中，新网银行也能够了解客户是否存在多头借贷的情况。目前，新网银行所使用的第三方数据来源共计有30多种。
数据成本方面，银行自己采集的数据一般不涉及成本，但是需要综合考虑用户体验做出平衡。第三方数据一般按照调用次数收费，根据数据源的不同，费用在几分到几元间不等，也有部分政府大数据平台不收取调用费用。总体而言，新网银行的单个客户审批成本在3元～6元。
2.数据处理技术。
大数据信贷的数据库中包含了很多半结构化和非结构化数据。对于前者，新网银行通过配置化自动解析程序进行结构化处理，并将其存储于该行大数据平台以供分类使用。对于后者，则采用OCR技术进行自动识别，转化成半结构化或结构化数据，进而应用到业务环节。
新网银行还基于支持异构数据处理的数据库搭建了提供历史数据查询和存储的非结构化数据平台。此平台通过统一访问接口，对贴源数据和仓库数据进行备份和调阅。根据在线数据的不同生命管理周期及对历史数据的分析、挖掘需求，准确、实时地把在线数据区的数据同步到历史数据区。平台还用于存放处理新网银行的非结构化数据，支持文档型数据、图片、音视频等数据的存储、搜索和自动回收。
为了开发大数据信贷产品和风控模型，新网银行高度重视研发投入。银行员工以科技和风控人员为主，占比达到总人数的70%。与传统银行前中后台分工不同的是，新网银行的风控人员深度参与到前台的营销策略制定中。在核心技术方面，新网银行有自己的专利，科技工作大部分由银行自身完成，少量通过外包方式解决。
3.数据质量。
在采集“长尾人群”的数据信息时，金融机构普遍会面临一个问题，即数据不饱和、高稀疏。这也正是新网银行广泛接入第三方数据并采用机器学习模型的重要因素。针对客户数据饱和度不同的问题，为了增加现有评分的效力，新网银行设计了“客户信息饱和度”这一指标给不同信息量的客户赋以不同衡量权重，并因此获得了专利。
新网银行有一套标准的外部数据信息接入流程，从数据源资质的评估、数据维度和字段的评估，再到接口接入。新网银行要求数据来源必须合法合规，数据字段需要经过测试，满足覆盖度和区分度等定量要求。银行也会定期对已经接入的数据和已经构建的模型进行验证，确保数据和模型持续有效。对于效果衰减明显的数据和模型，新网银行会进行替代或者迭代。目前，该模型的区分能力良好，在客户准入、额度管理等方面发挥着重要作用。
4.风控策略。
信用风险管理方面，新网银行以大数据为基础，运用机器学习、深度学习等先进算法构建的风险量化模型和风险特征指数，能够精准地进行客户全方位画像，对客户风险进行多维度判断和预测。同时，新网银行会定期更新行为评分模型和行为策略，全方位、多角度对客户进行观察和评估，并及时更新客户评级，对客户的信用额度与风险做匹配性管理，采取提额、降低利率等激励措施和冻结、降额、人工介入调查、宣布贷款提前到期、提前入催等限制性或止损措施。
传统商业银行重点防范的欺诈主要来自内外勾结的操作风险，而新网银行的线上信贷业务实行全流程的风险管理。结合线上业务的特点，通过多重技术防线，新网银行提高了审批标准的统一性，保证了风控质量的标准化，有效降低了操作风险。相比之下，其主要风险来自技术层面，比如账户被盗、批量攻击、黑客等。为此，新网银行采取了一系列具体的风控措施，利用自主研发的“天启”反欺诈系统、“星网互联”系统等，综合运用人脸识别、生物探针、设备指纹、关联网络等技术手段，针对不同场景，围绕三个“真实”原则(即真实的设备、真实的人以及客户的真实意愿)来校验用户的真实性。以操作痕迹为例，如果系统检测到GPS定位在短时间内有巨大变化，则可能存在欺诈行为。任何传感器的抖动也可以视为数据，如果一直不抖动说明可能并非真人操作，如果有大幅度的移动说明可能并非一个人在操作。位置信息可以具体到某一楼宇，如果检测到非正常的聚集(某个位置的申请人在短时间内激增)，系统会发出报警并做出相应的管控，见图2。
图2 新网银行采取的反欺诈风控措施
(三)新网模式推广中可能遇到的问题
1.数据的可得性和成本。
信息不对称是银行业机构在提供金融服务时普遍面临的问题，特别是针对新网银行这类完全以互联网和移动端模式运作的银行。首先，可用外部数据还不够丰富和标准化，金融机构在采集数据时仍然面临难、贵、慢的问题。其次，部分机构掌握和沉淀了大量的相关数据，但缺乏整合。此外，第三方数据的采集过程还存在着合规问题，在保证来源合规的情况下尽可能多地采集用户数据也给商业银行提出了不小的难题。
另一方面，目前互联网银行开展信贷业务所需的数据成本偏高。线上进行信贷业务，客户风险识别的基础是数据。新网银行单次授信审批的风控成本约为3元～6元。但由于并非所有进入审批的客户都能通过授信，获得授信的客户也并非都会提用贷款，且新网银行的信贷产品具有碎片化的特点(贷款最少500元，最短一天)，因此在考虑“授信通过率”和“贷款提用率”的转化后，新网银行的数据成本相比其利息收入仍然较高。虽然部分地方政府目前对新网银行免费开放数据，但是未来是否可持续仍属于不确定性因素。
2.大数据风控能力。
拥有先进的大数据风控能力是开展大数据信贷业务的必要基础。大数据信贷业务中对于数据的使用，关键在于如何发现不同渠道数据之间的关联作用。许多看似并不相关的数据结合在一起可能会产生对信用评级有用的信息，真正的创新之处也在于找到这些数据的用途。金融机构需要利用机器学习等先进算法构建风险量化模型，对客户进行精准画像。纯线上的信贷业务还须特别防范高科技手段的欺诈等操作风险。这些都相当考验金融机构的技术能力。
新网银行作为我国第三家以互联网模式运营的商业银行，在成立之初就以“移动互联”作为特定战略，高度重视科技研发投入和人才引进，拥有自主知识产权的风险评估技术。大数据风控模型和关键技术是核心商业秘密，很难模仿。对于那些既严重依赖第三方数据来源，同时也缺乏独立风控技术能力的金融机构，能否稳定地开展大数据信贷业务是一个疑问。这也就意味着，大数据信贷的 “第三条道路”也是有门槛的，有一定的资源或技术壁垒。
3.信贷产品丰富程度。
新网银行成立以来，主做零售信贷业务。其中主要是消费类贷款，但产品单一也会导致银行缺乏有效的手段分散风险。消费贷款的发放极其零散，笔均单价较低。贷款发放后基本是客户自主支付、使用，银行难以对贷款的最终用途进行准确追踪和管控。因而消费类贷款是否能够有效促进企业生产、是否能够达到金融服务实体经济的初衷还有待后续考察。
特别需要指出的是，通过第三方数据来开展大数据信贷业务一般以消费类贷款为主。这主要是因为个人数据相对企业数据来说更容易通过第三方渠道获得，数据量也更大。企业数据尤其是小微企业的数据存在收集困难、数据不规范等问题，导致由消费信贷推广至小微企业类贷款仍存在一定的障碍。事实上，新网银行目前还未涉及企业信贷业务。微众银行的“微业贷”所使用的数据跟传统商业银行小微企业征信数据近似，与其消费信贷“微粒贷”使用的大数据相比不在一个层级上。只有网商银行借助阿里巴巴电商平台收集了小微企业的经营数据，据此建立了大数据风控模型。
4.监管政策方面。
首先，对大数据技术应用的监管法规和政策调整会深刻影响金融机构开展大数据信贷业务的可能性。在互联网技术发展初期，普通用户对数据隐私安全的了解程度有限。为了获得互联网产品使用上的便利，可能会忽视对自身数据隐私的保护。但随着民众对数据隐私权重视程度的日益加深，一些大数据技术公司违背用户意愿、滥用“爬虫”技术等非法方式窃取用户隐私的行为将受到监管部门的进一步遏制。隐私数据保护将愈发成为立法和监管政策的热门议题。过去，一些大数据信贷机构在开展业务时，普遍从第三方渠道获得数据。而这些收集大数据的第三方平台往往打着法律的擦边球。在监管趋严后，大数据信贷机构的外部数据来源可能锐减。这些公司还能否获得进行准确信用评级的足够数据将成为一个严峻的问题。
另一方面，互联网银行的特殊业务渠道和技术运用使得其经营特征与传统全品类商业银行间的差异更加巨大。但在当前监管实践中，对于互联网银行的差异化监管并不充分。监管当局对互联网银行在征信、账户、反洗钱、流动性指标等诸多方面的要求与传统金融机构一视同仁，存在忽视互联网银行客观差异化和业务特定范围等特征的情况，在线大数据信贷的合规成本较高。
六、结论性评论
本文对大数据信贷的三种模式进行了分析，着重以新网银行大数据信贷模式为研究对象，探究在既不依赖自有互联网商业生态系统的数据，又不完全依赖自有账户或政府平台数据的情况下，金融机构如何能够成功开展大数据信贷业务。本文的结论是:新网银行是大数据信贷“第三条道路”的代表性金融机构。该模式在数据获取渠道、数据处理技术和风控策略等方面具有较高的可复制性。如果这种模式能够被广泛推广，将对目前我国普惠金融发展增添一个新的方案。但也应注意到，该模式在推广过程中仍然面临挑战，例如数据可得性及成本、大数据风控能力等问题。
结合本文的分析，笔者对促进金融机构进行大数据信贷业务创新提出几点建议:第一，传统商业银行应在大数据归集和使用方面投入更多精力，在制度流程、风控文化等方面与时俱进。传统银行拥有巨大的资金和数据优势，如果能够有效地归集和使用数据，将对其发展大数据信贷乃至普惠金融事业都有莫大的裨益。第二，立法机构和监管部门应针对大数据信贷出台相应法规政策，规范行业发展。借鉴国际经验，出台与行业发展趋势相适应的法规政策，既不扼杀创新的积极性，也能管控大数据 “滥贷”等现象。第三，大数据拥有者应该加大对大数据信贷业务的支持力度。对许多银行来说，数据的缺乏和较高的调用成本使其望而却步。如果有关部门能够共建信息共享平台，实现数据的互通有无，将大大降低数据获取成本，有利于金融机构对全客户群提供服务。
参考文献
顾海峰、杨立翔，2017：《货币政策、银行规模差异与信贷传导特征——来自2006—2015年中国银行业的证据》，《国际金融研究》第12期。
何平平、车云月，2017：《大数据金融与征信》，北京：清华大学出版社。
李建军、王德，2015：《搜寻成本、网络效应与普惠金融的渠道价值——互联网借贷平台与商业银行的小微融资选择比较》，《国际金融研究》第12期。
李克穆，2016：《互联网金融的创新与风险》，《管理世界》第2期。
李文莲、夏健明，2013：《基于 “大数据”的商业模式创新》，《中国工业经济》第5期。
李扬、孙国峰，2017：《金融科技蓝皮书：中国金融科技发展报告 (2017)》，北京：社会科学文献出版社。
刘忠璐，2016：《互联网金融对商业银行风险承担的影响研究》，《财贸经济》第4期。
彭星，2016：《欧盟 〈一般数据保护条例〉浅析及对大数据时代下我国征信监管的启示》，《武汉金融》第9期。
祁梦昕，2016：《云计算与大数据环境下的互联网金融》，武汉：武汉大学出版社。
乔海曙、邹承慧，2017：《中国金融科技行业研究报告》，北京：社会科学文献出版社。
宋首文、代芊、柴若琪，2015：《互联网+银行：我国传统商业银行风险管理新变革》，《财经科学》第7期。
王馨，2015：《互联网金融助解 “长尾”小微企业融资难问题研究》，《金融研究》第9期。
向明、冀源溪、曲博，2016：《美国大数据网络贷款公司Kabbage的运营模式及启示》，《征信》第1期。
谢平、邹传伟、刘海二，2015：《互联网金融的基础理论》，《金融研究》第8期。
徐伟，2018：《GDPR 对银行业的挑战》，《中国金融》第8期。
杨才然、王宁，2015：《互联网金融风险的银行视角》，《中国金融》第7期。
赵岳、谭之博，2012：《电子商务、银行信贷与中小企业融资——一个基于信息经济学的理论模型》，《经济研究》第7期。
郑爱华、赵兵，2015：《大数据时代的信贷营销转型》，《中国农村金融》第7期。
周继述、王雪松，2013：《大数据助推银行全面风险管理》，《中国金融》第14期。
Ahmed，U.，T.Beck，C.McDaniel，and S.Schropp，2016，“Filling the Gap：How Technology Enables Access to Finance for Small-and Medium-sized Enterprises”，Social Science Electronic Publishing，10 (3 4)：35 48.
Bartlett，R.，A.Morse，R.Stanton，and N.Wallace，2018，“Consumer Lending Discrimination in the Era of Fin Tech”，NBER Working Paper No.25943.
Boot，A. W.A.，and A.V.Thakor，2000，“Can Relationship Banking Survive Competition?”，Journal of Finance，55(2)：679 713.
Chen，M.，Q. Wu，and B.Yang，2019，“How Valuable Is Fin Tech Innovation?”，Review of Financial Studies，32(5)：2062 2106.
De Mauro，A.，M.Greco，and M.Grimaldi，2016，“A Formal Definition of Big Data Based on Its Essential Features”，Library Review，65 (3)：122 135.
Fuster，A.，M.Plosser，P.Schnabl，and J.Vickery，2019，“The Role of Technology in Mortgage Lending”，Review of Financial Studies，32 (5)：1854 1899.
Grover，V.，R.H.L.Chiang，T.P.Liang，and D.S.Zhang，2018，“Creating Strategic Business Value from Big Data Analytics：A Research Framework”，Journal of Management Information Systems，35 (2)：388 423.
Jagtiani，J.，and C.Lemieux，2018a，“The Roles of Alternative Data and Machine Learning in Fintech Lending Evidence from the Lending Club Consumer Platform”，FRB of Philadelphia Working Paper No.18 15.
Jagtiani，J.，and C. Lemieux，2018b，“Do Fintech Lenders Penetrate Areas That Are Underserved by Traditional Banks?”，Journal of Economics and Business，100：43 54.
Lapavitsas，C.，and P.L.Dos Santos，2008，“Globalization and Contemporary Banking：On the Impact of New Technology”，Contributions to Political Economy，27 (1)：31 56.
Liberti，J.M.，and M.A.Petersen，2019，“Information：Hard and Soft”，Review of Corporate Finance Studies，8(1)：1 41.
Stiglitz，J.E.，and A.Weiss，1981，“Credit Rationing in Markets with Imperfect Information”，American Economic Review，71 (3)：393 410.
Tene，O.，and J.Polonetsky，2013，“Big Data for All：Privacy and User Control in the Age of Analytics”，Northwestern Journal of Technology and Intellectual Property，11 (5)：240 274.
Zhu，C.，2019，“Big Data as a Governance Mechanism”，Review of Financial Studies，32 (5)：2021 2061.
Zveryakov，M.，V.Kovalenko，S.Sheludko，and E.Sharah，2019，“Fin Tech Sector and Banking Business：Competition or Symbiosis?”，Economic Annals-XXI，175 (1 2)：53 57.
THE“THIRD WAY”OF BIG DATA CREDIT
LUO Yu HUANG Yu-wen XU Lei
(School of Finance，Renmin University of China)
Abstract:There exists two major types of participants in the field of big data credit in China at present:internet companies and traditional commercial banks.Internet companies obtain user information mainly based on huge amounts of data accumulated from their own e-commerce platforms or social platforms.Traditional commercial banks collect considerable information by building big data platform relying on their own transaction accounts or the open data from government platforms，or alternatively by cooperating with existing e-commerce platforms. However，there is a common problem in both patterns-poor replicability.Based on the first-hand data analysis of the three largest Internet banks in China，WeBank，MYBank and XWBank，this paper explores the“Third Way”of big data credit suitable for plenty of small and medium-sized commercial banks，which doesn't rely on its own Internet business ecosystem nor depending on data of its own accounts or government platforms.
Key words:Big Data Credit；Internet Banks；XWBank
页:
[1]