今年以來，雖然FinTech在資本市場的表現起起伏伏，但大體，股價呈上升趨勢。

促成這一變化的因素有很多，一方面，FinTech在金融業的整體分工中占據了助貸這一技術和服務驅動的新分工，難以替代，對于現有金融機構，這是必要的外部助力；另一方面，他們正在以新的姿態捕獲更多的用戶，重新構建自身的護城河。

從監管層面看，今年以來，行業雖然也曾經出現斷直連、限制最高貸款利率等政策調整，但本質上都是為了規范行業，不會影響行業的長期發展邏輯。而且行業開展的小微業務和消費業務也受到監管鼓勵。

綜合上述因素，雖然FinTech出現了較大漲幅，但相對來說，還是非常的低估。市場上，大多從業績增長、估值對比等角度說明FinTech 如何被低估，本文不在贅述。

要從根本上理解FinTech的價值，還是要回到行業發展的底層邏輯-FinTech 是如何在傳統金融機構所占據鐵板一塊的市場中，撕開一道口子？靠的是金融為表技術為核的科技能力。投資人要意識到FinTech 的價值，清楚其技術和風控能力對業務的驅動是少不了的一節課。

昨天樂信剛發布了2季度財報，多項指標都創了新高，前段時間我也參加了它組織的一場交流活動，正好以樂信為樣本，說下FinTech 的科技是如何驅動業務的。

1、風控：FinTech制勝的核心

風控是FinTech公司這一輪真正制勝的核心，也是個人認為被低估的底層邏輯。過去幾個季度，樂信整體信貸規模逐季增速，截至今年二季度為905億，較去年同期增長了46.2%。

信貸規模高速增長的情況下，樂信做到了較好的風險控制，逾期率呈現穩步下降趨勢，今年二季度，M3逾期率較去年同期下降了1.14個百分點。

M3逾期率受歷史借款影響，不能很好的反映新增借款逾期率變化。在財報中，公司提到新增借款的FPD30已經連續12個月保持在1%以下，6月底，樂信一天以上的逾期率同比降低40%。

風控能力的提升，得益于公司的風控系統，公司以復雜網絡、自動特征生成、LBS風險識別評估等“黑科技”作為底層，構建了一套風險策略管理系統。

通過風險管理策略系統，樂信可以對用戶的壞帳，用戶生命周期利潤進行跟蹤和預測。有了上述跟蹤和預測能力，公司搭建了一套風險管理體系，形成按日、按周、按月的追蹤預警分析機制，并把用戶特征、催收運營等指標拆分為若干維度。

當用戶風險出現偏差后，風險監控預警機制可快速監測到業務異常，自動化算法，又對造成偏差影響力最大的因素總結出來，進行針對性的風險管控和攔截。

這樣說比較抽象，舉一個公司提到的案例。

今年早期樂信入催率有一定上升，自動化預警系統做出預警后，自動化歸因系統從用戶特征的若干維度中發現，使用某類其它金融產業的用戶是造成異常的最大因素，之后系統將這部分用戶進一步拆分，細分到年齡、地域等更精細化的維度，從而對用戶進行針對性的策略攔截和管控，公司入催率也很快恢復了正常。

當然風控不只存在于獲客后的監測，在貸前對用戶進行風險定價以及反欺詐同樣重要。在風險定價方面，公司通過用戶定價體系，基于不同人群在一定利率期間內的風險表現，為客戶進行差異化定價，推出針對性產品。

樂信基于用戶定價體系，將用戶分為價格敏感類、信貸饑渴類、優質用戶，針對不同用戶對價格的交易敏感度、單位交易收益率，采取更靈活和更精準的價格策略。舉個例子，優質用戶定價越高，潛在的交易量越小，但單位交易量潛在的利潤率越高，公司會找到交易量與利潤的最優解進行定價。

在反欺詐方面，公司建立了超過23億節點和千億級聯接的核心多實體關系圖譜，針對高風險交易行為TOP5的預測準確率提升10倍。

這樣說有點抽象，不好理解樂信反欺詐是怎么做的，我用大白話說明一下，公司通過LBS網格化技術，將中國版圖按照100×100米的畫工方式切成了無數個網格，公司基于每個網格內的用戶體征、所在街區、影象解析等做風險管控。例如，公司從街區圖象識別中發現，某類街區有大量含金融字眼的商鋪，意味著街區有很多線下中介，風險相對較高，公司就會減少該地區的業務量。

在自身風控有穩定表現后，樂信正將風控能力對外輸出。樂信風控能力對外輸出有一定的產業邏輯可循：

一方面，區域性銀行無法承受巨額成本構建完善的團隊來提升長尾客戶貸款能力，另一方面，對于風險的定價需要持續的數據積累和模型優化，而且需要持續迭代相應的反欺詐和風險預警能力，這是服務億級用戶之后的寶貴實踐，并非區域小樣本客戶可以習得。

基于此，樂信正將風控能力對外輸出，推出了三大產品：

• 樂圖：對接樂信資產，金融機構可通過借助樂圖提升通過率的同時，保證資產的風險并不上升。

• 樂圖PRO：對接樂信外的互聯網資產，如金融機構在今日頭條等巨頭上獲取的流量，金融機構通過樂圖PRO，在提升通過率同時，保證資產的風險并不上升。

• 負熵：針對銀行自營資產開展資產有效“回撈”，可幫助資放精細化運營自營資產，實現降本增效。

   

  不難發現，三大產品都解決了金融機構的風險定價問題，而這正是金融機構的核心痛點，缺乏風險定價，使傳統金融機構定價范圍窄，無法滿足多元的用戶需求，導致通過率變低，即不利于吸引新用戶，也不利于存量用戶運營。

   

  也正是對風險定價這一問題的解決，樂信三大產品也取得了不錯的成果，使用樂圖的金融機構超過6家，平均每家通過率提升1.69倍；樂圖pro的日均調用量超過8萬次；負熵使合作銀行的業務量提高一倍。

   

  從長期來看銀行最終要與Fintech 公司合作，持續更新金融科技方面的能力，確保業務的可持續性。

   

  2.技術能力的強弱決定未來金融業務能力的強弱

   

  樂信技術能力的賦能并不僅僅體現在風控環節，而是體現在金融科技業務貸前、貸中、貸后的全業務流程賦能，最終樂信的運營效率也有所改善。

   

  在貸前環節，以獲客為例，樂信獲客成本低于行業競對，以銷售費用/新增用戶數量計算，二季度，樂信獲客成本為291.2元/人，信也科技為400元/人。（注：360數科為批露新增用戶數）

   

   

  一方面，樂信通過機器學習平臺建立的學習模型，可以幫助公司更好的做廣告投放計劃，規避高成本流量，找出ROI最高的獲客渠道。

   

  另一方面，公司獲取用戶后，公司通過聯邦學習算法，也可以從更多維度了解用戶，聯邦學習可以根據現有數據，對人群特征進行深入挖掘，既能為用戶提供更適合的產品，也能通過數據驅動對用戶進行二次營銷。

   

   

  在貸中環節，以資金接入為例，樂信接入時間金融機構資金的時間，由兩周縮短為幾分鐘。背后得益于樂信通過Toplink系統，對貸前，流程編排，自動校驗等接入環節，進行AI驅動的自動配置，免去了大概60%-70%人工。

• 

   

  當然，資金方接入后，也需要和金融機構做資產報表，結清證明，盡調工序，等大量測試，公司通過魯班系統將上述測試環節進行標準化處理，可以實現數據自動測試。

   

  在貸后環節，以賬款回收為例，樂信歷史不良資產回收率較去年提高了30%，不良資產實現賬款回收的提升，正是得益于公司通過算法，分析出客戶畫像，從而針對每個客戶，找到更適合的回款手段。

   

  除了對業務流程的賦能，技術也能使公司更好的應對外部環境的變化，始終在發展中保持確定性。

   

  我舉個例子，監管加強「數據治理」已經是大勢所趨。一方面，以往違規收集大量用戶金融數據以及非金融類替代性數據的粗曠式做法，將受到限制。另一方面，過往公司之間可直接交換數據，但目前這種情況也被禁止。

   

  隨著數據采集、傳導和使用機制等發生變化，曾經的大數據、厚數據時代將逐步進入小數據和薄數據時代。

   

  在上述背景下，如何弱化小數據和薄數據對業務的負面影響，成為FinTech必須解決的問題，這時候，樂信的技術能力至少起到了兩點作用：

   

1. 通過新技術的應用，將數據“由小變大”。比如，樂信通過聯邦學習建模，即多個實體間在不交換原始數據的情況下交換機器學習，從而達成雙方模型的共同提升，最終做到在不交換用戶原始數據的情況下，只交換數據訓練的中間結果，就可獲取到集合多家數據后的用戶分析結果。

    

   2）加強數據深挖，將數據“由薄變厚”，在過往，數據廣度較多，導致行業數據挖掘的深度不足，當在市場環境倒逼下，樂信通過技術優勢可以對數據進行深入挖掘，弱化數據變少后的影響。

    

   在交流會中，樂信CTO陸勇提到下一步工作的核心就是通過技術提高企業的運營效率，精耕細作——以樂信目前一年2000多億的促成借款額算，千分之一的效率優化就就將影響到2個億的金額。

    

   回到FinTech行業的發展邏輯，行業發展早期，行業內公司即使粗曠式發展，也能取得不錯增長。但當下，行業發展成熟，利率下行，獲客成本上升是大勢所趨，行業內公司必須向精細化運營求增長。這時候，通過風控降低業務風險，通過技術對業務降本增效就成為必然之舉。

    

   從這個角度看，風控和科技是FinTech的核心競爭力，未來科技和風控領先的玩家，將是行業內最具確定性的企業。