刘德彬：用大数据做好供应链金融风控

誉存科技创始人兼CEO刘德彬

　　新浪财经讯 “2017中国金融论坛”于6月7日-8日在北京召开。誉存科技创始人兼CEO刘德彬出席并演讲。

　　刘德彬：大家好，很高兴今天来到这里，跟大家分享我们做的事情。刚才听了前面几位嘉宾的发言，我觉得很有意思的是我可以来跟大家填补一个空白：我认为互联网金融不仅仅是个人的金融，也同样是面对企业的金融。而我们公司就是专注于企业大数据和瞄准以大数据帮助企业做互联网金融的公司。

　　首先自我介绍一下，我叫刘德彬，我是2003年从中国科技大学本科毕业，之后在美国读书。博士毕业后一直做的风险相关的研究工作。我曾经在美联储和PayPal公司通过大数据和机器学习模型来帮助金融机构做风险管理。我是2013年底回国的，之后参与创建同盾科技，做一些个人反欺诈的业务。2015年1月份，我们创建了誉存科技。

　　我们这个公司和团队想解决的问题是专注在大数据风控的领域。我们认为在现在经济下行的阶段，中国的金融行业面临着很多风险，从操作风险、合规风险、收益风险、市场风险等等到信用风险。我们想要帮助解决的是企业的信用风险。今天我想用供应链金融作为一个案例来具体讲一讲我们是怎么用大数据方式方法来帮助供应链金融解决它的风控问题。

　　供应链金融是金融机构开展的一种财务融资的金融服务行业，它的抵押物并不是固定资产，而是应收账款、预付款或者存货的流动资产，它管理的是供应链的资金往来。它是一个金融创新的业务，跟传统的信贷行业、信贷业务最大的差别在于它是想利用供应链中的核心企业，第三方物流企业的资信能力来缓解金融机构和中小企业的信息不对称，解决中小企业的融资、抵押、担保等资源匮乏这种问题。在整个链条里，如这个图展示的，我们认为它的风控是非常重要的，而核心企业的信用风险又是这个里面主要的风险来源。整个供应链里，核心企业和这个链中的其他企业，它们之间的交易是需要被监督，确保金融机构不向虚假业务进行融资。

　　接下来用整车制造业作为一个场景，跟大家讲讲供应链金融风控的一些难题。这个行业它的特点就是产业关联度特别高，规模的效益很明显。它的平均的零件数量大概是三万件，上万的零件至少要关联几千供应商，至少要关联上万个管理人员，这样的风控单靠人力是没有办法去做的。

　　我举一个实际的例子，在某著名汽车厂商有一个大概200号人的采购部，他们管理了近800家供应商，这些供应商很多是单一来源供应商。他们的管理方式呢，则是三五个人一个组开一辆车，每天去各个厂家巡查。在去年4月份的时候发生一件事情：其中一个供应商的老板，在另外一个地方参与了一个房地产项目，该房地产项目由于出了一些问题，资金链断裂，导致这个老板没有办法发工资，供应商最后停产，零件停产，整个车厂也就停产了。所以这种风险是巨大的，而这样的风控完全没办法纯靠人工巡查能做的好。此外，供应链金融的生产、供销、贸易领域、支付、维修这些环节，都要进行管理，所以风控的成本是很高的。

　　我们认为，大数据一定可以能帮助解决这样的问题，帮助他们从原始的人工手动的风控状态提高到智能化、数据驱动的风控方式。所以我们提出了基于大数据的智能风控解决方案：在我们的应用层面上，我们提供从WEB，到APP，到SDK，到API的各种服务方式。提供的服务功能从搜索到核验、到查询、到分析、到评估、到监控、到预警，这些都是我们提供的功能。所以在金融机构的业务上来讲，比如说融资业务、投资业务、信用管理我们都能给它一定的帮助，提高它的效率，减少由于客户经理或者风控人员的责任心、道德风险，能力参差不齐带来的各种问题。

　　还是回到刚才整车制造业这个例子来讲，在这个例子里面，它的核心企业是整车制造公司，围绕着它的供需产生了一系列的金融业务：包括像订单融、保兑仓、融资租赁等等。在传统的供应链金融业务里面，它的上游只能够做订单的融资、票据，下游的经销商只能够做保兑仓的有押品的业务。现在，基于我们提供的这样一套风险控制的平台，通过穿透式的排察、趋势的预测、风险的量化，我们提供它的整个供应链企业的画像，包括像刚才嘉宾也介绍过的复杂网络的关联图谱，包括我们去做的智能的风险识别，智能的风险分析、量化，还有智能的监控和预警。这样我们还帮助他们创新地去实现基于大数据供应信用贷，基于POS机收单的流水信用贷，基于大数据的消费信用贷，改变了传统业务模式，重塑了风险量化的体系。整个风险量化的平台就把上游的原材料商，中游的整车制造厂，下游的经销商、客户进行了多数据、多维度的综合信用管理，从而为整个产业的风险量化提供决策的依据。

　　刚刚介绍的是我们为整车制造业的供应链金融提的具体大数据智能风控案例。不仅仅是供应链金融，我们这款产品同样也服务各种金融行业。我们从网页端、到APP端、到SDK的多种方式，给金融机构提供风险的量化和预警。这样的一个数据驱动决策的平台，作为一个辅助工具，是可以帮金融机构比较高效的管理企业的信用风险，从查询到智能的分析，到智能的风险识别，到监控预警，是一个一体化的服务。这是一个SaaS产品，也符合大数据的本质：模型是需要不断地优化，不断地更新。传统的软件方式可能实施部署起来很麻烦，难以优化和更新。我们通过SaaS这种方式，把我们的越来越多的数据补充进来，把我们的模型优化的越来越好。

　　刚才嘉宾也提到，大数据时代你要解释清楚数据的来源。我们的数据，瞄准的是企业的数据。在这里我简单比较一下中国和美国对企业大数据的态度。我个人认为中国的大数据在企业端实际上是有优势的，这是因为中国政府对企业监管比较严格。比如说非上市企业，在美国的non-public公司的cap table是一个公司的机密，而在中国的话就必须按照规章制度，向工商系统、税务系统去申报，去上交这些数据。

　　简单来说，我们的数据来自于四个方面，其中企业内部数据是通过用户授权之后和政府部门和机构合作获得的，比方说像工商的信息、财务的信息，比如说股份结构、运营商数据等等。另一方面我们也有很多企业外部的数据，是我们通过技术手段在互联网上进行搜集和整理，像动产抵押、土地转让、招投标、企业不良资产、员工评价等等。另外我们也接入了一些个人数据做为辅助。比方说我们看到一个企业的大老板，他出了一些问题，比如说他上了黑名单，在外面被人告了，这是非常重要的风险指标，可以帮我们去判断一个企业的风险情况。最后是行业方面的数据，通过我们定期的分析整理，我们有一个地区一个行业的趋势和表现。有了这四个数据类型，我们整合了大约7500万左右的中国企业的数据。这些数据大部分都在每天进行更新。这样，我们够比较准确及时地抓到企业及其关联方的行为变化，比如说供应链，那就是整个供应链体系每天的行为变化。我们的核心原则就是，通过对企业及其关联方的行为建模和异常检测，发现异常的行为，异常就是风险，我们就可以得到有意思的风险方面的评估或者警报。

　　限于时间关系，今天我主要介绍的是我们的大数据智能风控怎么在供应链金融领域帮助金融机构做好风控。但这不仅仅局限于供应链，我们也在很多我们服务的银行里面，帮助它们的传统的对公信贷业务。我举两个例子，一个是浙江的庄吉集团有限公司，它是很大的一个集团公司，但是从2014年开始，它的有些子公司孙公司，一些关联公司就出现了金融合同贷款纠纷等风险事件。随着时间的推移，到2014年底，有些这样的关联公司就被注销了，到2015年更多的子公司和关联公司出现了金融合同贷款纠纷或者涉嫌诈骗案，或者是出现了被宣布破产重组等等的风险事件。就像我们这个图上展示的，从2014年到2015年9月份，中间有接近两年的时间跨度。在2015年中之前，图中间这个黄点，庄吉集团有限公司，它本身并看不出有什么异常，员工在上班，银行存款很好，新闻也没有曝出来什么。而当我们能够从一个点上升到一个面的去观察一个企业的整体系统的时候，你会发现整个系统已经出了很多的报警。所以说到2015年底2016年初的时候，等到爆发了公司员工离职、高管变更、负面新闻、员工工资拖欠，等到这个时候你上门再去做风险管控的时候已经晚了。最后导致300亿人民币的坏账，很多家银行共同去承担了这笔坏账。如果用我们这套系统的话，某些银行就可能提前几个月去发现问题，这个时候数据就是金钱，信息就是金钱，可以帮他们挽回极大的损失。

　　类似的案例是一个P2P的平台。从2013年开始，该平台的分公司出现了被注销，或者是关联公司出现停止合作一些负面情况。这些数据被及时地收集起来，通过系统性地进行分析、关联、趋势方面的预测，是可以提前发现它的风险。这家公司到最后是出现25000万的风险。

　　所以说，我们的理念是通过企业及其关联方进行行为的检测，我们通过行为模型加上异常检测算法，包括刚才提到的复杂网络理论，风险传统模型，我们是可以对一个企业进行在线的及时的风险评估分析和预警。

　　最后简单介绍一下我们公司，誉存科技，我们公司很年轻，是2015年初正式成立的。但我们团队是很资深的。我本人是来自于PayPal，我的合伙人是来自于Visa、eBay、google、百度、京东金融等等。我希望能把我们基于数据驱动的智能风控理念带回国，服务我们更多的金融机构。今天我的分享就到这里，谢谢大家！

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。