图丨苏宁金融研究院互联网金融中心主任薛洪言

　　来源：数据猿 记者：张叶

　　2013年，明星产品“余额宝”的出现，让大众开始对互联网金融慢慢熟知。伴随资本大量涌入，以P2P、第三方支付为代表的互金行业更是进入野蛮生长时代。但是在2015年下半年，以e租宝风险案件为契机，政府监管部门开始重视互金行业的风险问题，随之整个行业逐步进入了强监管阶段。

　　强监管带来的“副作用”使得行业细分领域的分化被加速，P2P平台数量也出现快速下降，其中很多中小平台因合规性一度面临企业持续发展问题，未来P2P平台将可能不超过500家。同时，因为获客成本以及风控成本的急速增加，互金行业的渠道红利时代基本接近尾声，以大数据、人工智能等科技为主的金融科技，开始作为新的驱动力促进行业发展。

　　不过，在薛洪言看来，目前大数据人工智能等技术还处于风口期。虽然从2016年初，互金行业巨头开始声称要将企业转型为金融科技企业，但很多机构基本还停留在数据采集、模型构建以及模型优化阶段，技术尚没有真正在金融业发展中实现落地应用。

　　为了探究金融行业发展情况，以及大数据人工智能为金融发展带来哪些机遇和挑战，数据猿记者对苏宁金融研究院互联网金融中心主任薛洪言进行了专访。

　　薛洪言，苏宁金融研究院互联网金融中心主任，清华大学金融学硕士，高级研究员;曾任中国银行总行公司金融部客户经理、分析师，在商业银行、互联网金融等领域具有丰富的一线实践和研究经验;新浪财经、虎嗅、财新网专栏作者，发表专业财经期刊文章50余篇，热点评论文章300余篇;著有《中国银行业投资价值分析》。

　　近年来，互联网金融行业快速发展，围绕第三方支付、互联网理财、互联网保险、P2P等金融服务，众多互联网金融研究机构如雨后春笋般出现。苏宁金融研究院成立于2015年11月，通过整合苏宁控股集团内部资源，与政府、同业、高校、智库等机构广泛合作，为政府、企业和第三方提供定制化研究咨询服务，定期发布专题研究报告，着重于国内消费金融、贸易金融、互联网金融和产业金融等研究领域，已经成为相关领域重要的企业智库之一。

　　科技是金融发展的新动力，但并非所有机构都能享受技术红利

　　目前，整个金融行业发展已经转变为金融科技驱动，但由于金融科技的高门槛，导致并非所有金融机构都能够享受到科技红利。

　　薛洪言认为，对于传统金融机构而言，譬如银行，虽然拥有海量金融属性数据，但对于用户消费数据、社交数据以及其他维度的数据比较缺乏，其数据量无法与互联网类公司抗衡，在缺乏足够维度数据支持的情况下生成的数据模型，本身就会出现问题。

　　此外，由于银行体制的特殊性，其难以留住科技人才。而金融科技的实力较量，一方面是数据的竞争，另一方面也是科技人才的竞争。相对而言，互联网企业则在人才激励创新方面具有明显优势。所以银行即使拥有海量数据，也缺乏数据处理能力。

　　那么互联网金融企业或金融科技公司就真的能够安枕无忧吗?事实上，这些企业或机构相对传统银行而言，在客户资源、网络渠道等方面并不占优势，但因为企业机制灵活，没有庞大的线下物理渠道和与之相适应的一系列机制和流程导致的历史“包袱”，使得无论是在产品、用户体验还是风险控制能力方面，对于大数据人工智能的投入都领先于传统机构。

　　同时，互联网金融企业主要从次级类用户切入，这部分用户缺乏足够的央行征信数据，也没有优质的抵质押物，迫使互金机构不得不从数据挖掘角度来判定用户风险，客观上也在加速其大数据和金融科技的探索和进步。这也是为什么目前金融科技的发展主要集中在互联网金融企业的原因所在。

　　薛洪言告诉数据猿记者，互联网金融发展已经从渠道驱动转换为技术驱动。2017年，金融界各方势力一定会集中发力，包括大数据、人工智能、区块链等在内的新技术在金融领域的应用将越来越深入，并且会有越来越多传统金融机构或传统银行涉足金融科技。

　　“当新的理念被市场接纳之后，接下来就是各家发挥所长的事情。”薛洪言说，“在未来两年内，金融行业的数据整合速度必然加快，甚至在多方努力下，一直以来的数据孤岛问题或许也将很大程度上得到缓解。但最终，科技会促使金融业发展到何种地步，目前谁都不知道。”

　　对于智能投顾，薛洪言还提到，互联网企业或者科技公司其实是“做不起来的”。因为智能投顾最终要落到“投顾”两个字，即平台需要向投资者提供具体的金融产品。然而，只要涉及金融产品，平台就必须具备金融产品销售牌照。可是今年以来，国家对金融监管政策收紧，导致很多互联网企业拿不到牌照，这也是为什么市场上很多智能投顾企业都在美股、港股大肆叫嚣，却终究不敢触碰A股的原因，因为其不具备证券投资资质。“这种情况下，互联网金融企业的产品(‘投顾’)即使再‘智能’也没有意义。”薛洪言对记者说。

　　大数据做风控还存在很大局限性

　　按薛洪言的理解，在金融行业，大数据的机会其实有两个：风控和精准营销。

　　用于大数据风控的数据，在他看来，可以分为几类：一、人口属性数据，包括姓名、性别、身份证号、家庭住址;二、信用属性数据，比如教育、职业、收入以及是否有信贷记录、逾期记录等;三、其他属性数据，如社交属性和消费属性，而这些数据才能真正能够反映一家大数据风控企业的核心竞争力。

　　就数据本身而言，目前市场上的许多数据都集中在BAT手中，所谓的大数据公司获取的数据源相对单一，或者其利用网络爬虫获取的非结构化数据，数据本身就可能存在政策风险。

　　从技术角度来看，风控对于精准度要求极高，如果一款风控模型的精准度只有50%，也就意味着不良资产率为50%，这绝对是任何一家企业都难以忍受的结果。然而，市场上并没有一款大数据风控模型能够“放之四海而皆准”。

　　事实上，互联网金融行业60%­70%的损失来自于欺诈风险，这些风险主要是作案团队或者欺诈团伙针对不同企业及企业产品发起攻击，但由于每家企业的产品流程和模式不同，场景也有区别，导致漏洞具有差异化，导致企业不可能共用一个风控模型。而且即使模型的个性化部分只占5%­10%，也需要投入极大的成本。因此，在欺诈风险方面，每家公司都需要交足一定“学费”后，才会具备大数据风控能力。

　　总体来讲，大数据风控发展还处于初级阶段，无论是数据丰富程度还是模型的有效性和完善程度，都有待进一步发展。