正文
董聪介绍到,金蝶会在场景内嵌入一个金融的服务入口,如果有用户进行点击,后续就会有AI机器人进行主动呼出,获取用户贷款意愿并进行跟进,「这就是我们在SaaS时代跟进和挖掘销售线索的方式,与以往销售的骚扰电话截然不同」。
当然,连接和介入企业服务,不只能够帮助优化营销方式,其在数据维度的多元、数据明细的颗粒度和可溯源性,都能够直接为风险控制提供判断。此外,通过对于被服务企业进行长期数据的监控,金蝶还可以提供穿透到企业的风险管理等。
事实上,无论是微众税银还是金蝶征信,他们都是这个时代小微金融服务进化的缩影——一方面,基础设施的完善使得可采集、可利用、可量化的数据维度不断增加;另一方面,人工智能、云计算等技术的应用又使得这些数据得以发挥更大的价值。
虽然这些新的市场参会方、新的技术手段和服务模式清除了小微融资中的一部分障碍,但还有许多难题待解。
首先,
数据维度的增加固然为小微融资提供了很好的抓手,但依然没有给出最优解。
新网银行首席运营官刘波在演讲中提到,很多人觉得今天整个小微金融市场上的数据源少,
其实今天的数据源不是过少,而是过多。
只是每一个数据都有很高的缺失度,不能覆盖全部,单纯用某一个数据源都是不保险的。
与此同时,数据的准确和真实度的问题,也需要通过交叉验证来解决。据许卫透露,即便是前述覆盖率较高的税务数据,数据的真实度也刚刚从前几年的50%提升至70%~80%的水平。
数据源本身存在的限制之外,对于小微金融服务而言,基于不同场景和行业,不同客户类型,
大数据建模的难度也更高。
事实上,眼下大多数公司推进小微金融业务的逻辑确实和消费金融类似,都是依靠数据做风险管理。收集数据之后建模、做决策树,然后通过更多客户的使用反馈不断优化模型和策略。
但是即使是一样的情况下,小微的风险比消费信贷的风险要难管理得多。
因为要积累这些做模型策略数据的难度非常大,一笔小微贷款业务的体量可能是消费金融的数十倍不止,贷款时间也要长很多。如果要积累到足够的样本,需要花费大量的时间和资金成本。
「通常小微信贷模型和策略比起消费信贷的模型和策略,稳定性会差一些」,大数金融联合创始人陈志坚表示,「一是由于开发的时候样本数量较少,二是小微企业客户天生受到市场景气程度的影响很大,而外部的影响是再好的模型和策略都没有办法抵抗的,这就对风控技术提出了更高的要求」。
这些困难也使得小微贷款的真实坏账表现依然远高于其他资产类型,换言之,小微金融的难题远为真正解决。
眼下,一切只是刚刚开始而已。