深度好文丨金融科技与消费金融的创新结合

消费金融是过去一段时间中国金融业各领域中发展最快速的领域之一。

科技与消费金融的融合

首先,我们从理论角度思考金融科技是如何跟消费金融融合发展的。我们知道,消费金融与一般的金融业态相比,具有自己的特殊性,我们把消费金融的特征归结为以下5个方面。

01、消费金融的特点

第一,从客户特征来看,消费金额服务的客户包含较多的长尾客户,由于长尾客户本身风险较高,且很多长尾客户在现有金融体系中缺乏相应的信用记录,相应地,金融机构在提供消费金融服务过程中也面临着较高的风险。

第二,从消费金融需求特征来看,它具有小额、分散、高频的特点。一般企业的金融需求额度通常较大,并且与企业的生产经营周期是相互关联,但是消费金融需求跟一般企业的金融需求相比具有不同的特征。一是小额。消费金融需求通常与消费品的价值大小相联系,由此产生的融资需求也不是很高。二是分散。消费金融需求取决于消费者的消费需求,而这种消费需求涉及生活的方方面面,不具有周期性。三是高频。每人每天都会产生大量的消费需求,由此决定了消费金融需求具有高频的特征。

第三,从谈判地位来看,消费金融服务的客户主要是个人,个人的谈判能力相较金融机构偏低,并且个人客户的价格敏感性低,通常是价格的接受者,而不是制定者。我们举个例子。银行跟企业客户谈判时,企业往往会根据自己的需要跟银行进行谈判,然后确定最后的贷款条件或者是价格。而个人客户只能接受金融机构提供的产品及价格。

第四,从供给角度看,供给门槛较低,不仅传统银行可以做消费金融业务,连小额贷款公司、互联网金融平台、信托公司等等都可以做,因此,提供消费金融服务的机构范围非常广。

第五,从获客特征看,消费金融业务的开展与消费场景深度融合。金融机构在设计消费金融产品时,通常需要紧密结合消费需求的特点,以此来设计消费金融产品。

与传统的金融需求相比,消费金融需求所具有的以上5个特点,决定了金融科技可以更快更好地运用于消费金融领域。

1527736825879091659.jpg

 

02、科技与消费金融的融合

(1)金融科技的含义

从以下几个维度谈一下对金融科技的理解。

一是底层技术维度。在经济领域得到广泛应用的底层技术包括人工智能技术、区块链技术、大数据技术、云计算技术、生物识别技术。除此之外,包括移动互联网、物联网、5G等在内的其他技术也已经或预期将在金融领域得到广泛应用。需要说明的是,上述底层技术对经济社会的改变可能是全方位的,既可以被用于金融领域,也可以被用于其他领域。从这个角度讲,底层技术与金融科技之间并不能画等号。

二是金融维度。金融维度又可以分为4个方面。首先是金融产品,最基础的金融产品包括股票、债券、保险、信托计划、存款、贷款等等。其次是金融机构,它是提供金融产品的主体,包括传统商业银行、保险公司、证券公司、信托公司等。然后是金融生态,即金融聚合生态圈。最后是金融功能。诺贝尔经济学奖获得者莫顿将金融系统的基本功能分为六种子功能:清算和结算功能、积聚资源和分割股份、在时间和空间中转移资源、风险管理、提供信息、处理激励问题等。

那么,金融科技到底是什么概念?它实际上是底层技术维度和金融维度的融合。

从图1我们可以看出,底层技术对金融产品的改造往往是最简单的,我们可以用这些技术改造我们的产品,更好地改善消费者的需求,改善客户体验,等等。其次是底层技术对金融机构的改造,利用数字技术对金融机构的业务流程进行改造,实现金融机构的数字化转型,提高金融机构的效率,等等。底层技术对金融生态的改造也具有很强的作用,而最难的是金融科技底层技术如何改造金融功能。由于金融功能具有高度稳定性,因此这种改造是最难的,也是最具有突破性的。比如,实际中,区块链技术被用于进行金融去中介化的改造,如果这种改造能够实现,将会在很大程度上重塑金融功能。

(2)科技与消费金融的融合

具体到消费金融业务领域,基于对金融科技的理解,我们认为,科技和消费金融的融合主要体现在以下4个方面。

一是利用技术手段优化消费金融功能的发挥。优化和设计消费金融产品,提高它的定制化、场景化,改善客户体验。

二是利用技术手段提高消费金融机构的运营效率。

三是用技术手段打造消费金融生态圈。

四是利用技术手段优化消费金融产品设计。

当然这里面难度是不一样的,对产品的改造可能是最简单的,对机构效率的改造也是比较简单的,但是对生态圈的打造和对消费金融功能的改造,我个人觉得难度非常大。

从实际中看,消费金融是科技和金融融合程度最高的领域之一。那么,科技与金融为什么会在金融领域融合得如此之深?我们将其归结为以下5个方面。

电商的发展使得消费金融需求自带互联网属性。过去的一段时间电商迅猛发展,基于电商消费所产生的消费金融需求往往自带互联网属性,包括购买、支付、配送、退货等绝大多数环节都在网上完成。

消费金融客户的长尾特征需要金融机构采取新的风控手段。大数据技术、云计算技术、人工智能技术等正好能够匹配金融机构对于此类客户进行有效风控的需求。
消费金融需求的小额、高频和分散特征对技术应用提出了更高要求。
应用最新技术是新型消费金融机构应对竞争的需要。由于消费金融需求门槛低,所以供给的方非常多,导致行业竞争非常激烈。在这种情况下,新型消费金融机构如果想在市场生存,就必须采用新的技术手段提高运作效率,否则很难跟传统的商业银行竞争。
个人消费领域数据的快速积累为融合提供了支撑。近年来,快速积累的数据中很大一部分是与个人有关的,比如个人社交数据、生活缴费数据等等。此类数据的快速增长为主要基于个人数据的消费金融业务发展提供了便利。

 

二、我国消费金融发展的总体格局

1. 需求端:居民消费支出快速上升

从需求端看,随着居民财富的增长,我国居民人均可支配收入和人均消费支出都在快速增长,消费不断转型升级,由此产生了巨大的消费金融需求。

 

2. 供给端:消费贷款增长迅速

从供给端看,如图3,我国金融机构个人消费贷款余额从2014年的15.37万亿元增长到2018年的37.79万亿元,年均增长率接近24%,远高于一般贷款增速,个人消费贷款保持着高速增长。

 

3. 消费金融市场的供给格局及不同机构的优劣势分析

从供给角度看,目前整个消费金融市场的格局如图4。

传统的商业银行在开展消费金融业务的过程中主要依托于它的信用卡,还有个人的消费贷款业务。

 

持牌消费金融公司大致可被分类为银行系和产业系等。银行系消费金融公司如中银、招联等,由商业银行主导,在整个消费金融公司种具有独特优势。产业系消费金融公司如海尔、苏宁等,可为顾客提供小额消费贷款产品,提升客户体验。其他类型消费金融公司以金融集团作为大股东,如捷信消费金融公司。

互联网消费金融大概可以归结为以下三类:电商类消费金融平台,如蚂蚁金服等;分期购物平台,如乐信等;网络借贷平台,如拍拍贷等。

除此之外,其他机构如信托、汽车金融、小贷公司、典当行,也在开展消费金融业务。

从消费金融的供给角度看,商业银行客户的信用等级相对最高,风险较低;持牌消费金融公司的客户要更加下沉一点,风险相对较高;互联网消费金融的客户更加下沉,风险也相对更高。不同机构的优劣势如表1。

4. 有关消费金融发展的政策

为了促进发挥消费金融对经济增长的积极作用,增强金融对扩内需、促销费的支持力度,规范消费金融市场的运行,近年来,我国也陆续出台了一系列政策文件,如表2。

三、金融科技与消费金融生态建设

1. 消费金融业务链条解构及其与金融科技的融合

为了研究金融科技在聚合生态中的应用,我们将消费金融链条解构为以下几个主要节点。

 

获客节点。通过线上线下获取客户,实际上就是生态的概念。

风控与数据节点。它主要关注风险的评估和数据的融合。

增信节点。由于消费金融面向的客户主要是风险较高的客户,所以金融机构在开展消费金融业务的过程中,通常需要引入外部征信机构。在整个消费金融生态构建过程中,征信机构的引入起到了增信的作用。

资金节点。资金的供给方可以是商业银行,也可以是持牌消费金融公司等等,不同的机构在整个的消费金融生态圈里面扮演的角色是不一样的。

接下来,我们将一一描述每个节点是如何与金融科技相融合并发挥作用的。

获客节点。通过掌握客户大数据和拥有较强科技实力的头部机构为消费金融业务提供精准导流,而如何在获客的环节把有效的客户引入到消费金融生态圈里是非常重要的,金融科技在此过程中就发挥了重要作用。除此之外,金融科技的运用有助于缓解营销人员的道德风险。

风控与数据节点。在反欺诈环节,金融科技有助于验证借款人的真实身份和偿付意愿;在信贷风险评估环节,大数据与聚合生态结合能够提升风险控制的质量,数据来源包括聚合平台本身、征信机构、社保、财税、工商等公用事业系统、个人信用管理平台等。

增信及资金节点。金融科技能够帮助不同资质的借款人与金融机构差异化的风险偏好进行精准匹配。

2. 金融科技与开放式聚合平台系统构建

在消费金融生态平台的打造方面,金融科技的应用是非常重要的。通过金融科技手段,打造聚合平台系统,把不同的主体聚合起来,构造消费金融生态。

 

四、金融科技在消费金融机构中的应用

1. 金融科技在消费金融业务流程中的应用

消费金融业务大概可以分为贷前、贷中和贷后三个环节。

贷前环节。客户的审核、身份认证、反欺诈、征信、授信等都有金融科技的应用。

带中环节。信用评分、风险定价、审批、交易监控以及交易反欺诈中都大量运用到金融科技的手段。

贷后环节。将贷款发放出去之后,可以利用科技的手段对客户进行贷后监控,除此之外,金融科技也可以运用在存量客户管理以及贷后催收上。

2. 金融科技在消费金融机构中的应用现状

利用金融科技进行精准营销:准确分析客户行为特征;持续跟踪评估营销效果;维护关键客户关系;进行市场预测与决策分析。

在客户准入环节,利用人工智能模式识别、知识图谱等对用户进行身份验证;利用深度学习、神经网络技术等进行分析,减少人工干预。

风险控制环节,大量应用金融科技。如图像/活体识别、人工智能技术、大数据算法等反欺诈技术;信用风险评估技术;人工智能逾期贷款催收等等。

我们以表格的形式向大家呈现金融科技在传统消费金融机构应用的优劣势分析,如下表。

五、促进消费金融及其与科技融合的建

健全法律法规,培育法治观念

目前,关于消费金融、互联网信贷业务未形成统一的规则体系;部分消金机构不具备向人民银行征信系统上报个人违约信息的资质;具备资质的机构上报违约信息需要经过严格的诉讼流程,法务成本和时间成本很高;部分“老赖”把合法合规的催收人员诬蔑为黑恶势力。

针对以上问题,我们建议:

(1)形成完善的消费金融法律体系,出台专门规范,建立准入退出机制。美国:《消费信贷保护法》的《统一消费信贷法典》。

(2)畅通消费金融机构对违约人群的诉讼和征信报送机制,简化诉讼流程,降低诉讼成本。

(3)保护消费金融机构合法追偿、催收的权利。

统一行业监管,防止监管套利

79ed4262a25947dfb487adecca80d0b8.jpeg

消费金融领域里面有很多机构,不同机构面临的监管政策不一样。地方性银行开展线下信贷业务受属地制约,但互联网消费金融机构开展线上消费信贷不受此限制。传统银行在开展消费信贷业务中对信贷流程和资金用途有严格限制。新型消金机构限制较少。比如校园贷业务。消费金融公司资金来源单一、支付成本高。

针对以上问题,我们建议:

(1)对不同机构开展同类业务适用相同监管标准。

(2)拓展消费金融资金来源,对消费金融公司适度放宽融资条件,简化金融产品发行核准程序,丰富消费金融资产证券化方式。

严格准入,防范风险外溢

由于消费金融市场参与主体众多,部分不具有业务资质的机构也开展消费金融业务,导致风险外溢。

针对以上问题,我们建议:

(1)开展金融业务必须要持有相关业务的牌照或经营资质。

(2)现有法规要求持牌的业务,只能由持牌机构经营。如支付清算、资金吸收、贷款发放、信用增进(保险或担保)以及数据征信等业务等。

(3)现有法规未要求持牌的业务,如获客、信贷技术以及贷后管理等领域,应允许持牌机构与各类具有专业优势的非持牌机构的合作。

加强个人征信等基础设施建设

目前,很多消费金融用户还没有征信记录,造成较大的“多头借贷”和“共债风险”。

因此,我们建议加强个人信用征信体系的基础建设,将消费金融信息纳入征信系统,加快建立消费者个人信息数据库,推进商业信用数据、五险一金数据、人事档案数据、消费数据、金融数据等多维数据的整合,逐步形成覆盖人群广泛、信息多元的征信数据库。

明晰法律关系,厘清责任与风险承担主体

消费金融生态圈涉及不同主体,各个主体之间的界限并不清晰。“联合借贷”和“助贷”等不同的聚合模式,法律关系和风险承担各不相同。

针对以上问题,我们建议:

(1)联合贷款模式:参照银团贷款的一些做法,约定各成员按照“信息共享、独立审批、自主决策、风险自担”原则自主确定各自授信行为,由主管部门或行业协会制定标准化的合同模板等。

(2)助贷模式:参照《银行业金融机构外包风险管理指引》(2010)、《银行业金融机构信息科技外包风险监管指引》(2013)等,外包业务不能妨碍银行核心能力建设、不得将信息科技管理责任外包,等等。

强化监管能力,加快监管科技建设

微信图片_20200325171453.jpg

随着科技因素的叠加与模式创新的演进,消费金融行业的风险往往更具隐蔽性、易传染、覆盖面广等特点。

因此,我们建议:

(1)构建完善的监管科技体系,打造消费金融领域管理的技术标准。

(2)丰富消费金融监管手段,提升跨地域、跨行业、跨市场等交叉型金融风险的甄别、防范和化解能力。

(3)推进沙盒监管机制在消费金融领域的落地。

强化消费者权益保护

近年来消费金融快速发展,但监管相对滞后,高利贷、过度贷款、恶意催收等侵害借款人利益的行为屡见不鲜。

因此,我们建议:

(1)近年来消费金融快速发展,但监管相对滞后,高利贷、过度贷款、恶意催收等侵害借款人利益的行为屡见不鲜。

(2)促进消费者教育。要宣传理性消费文化,鼓励消费者树立正确的消费观念,谨防盲目攀比、超前消费和过度借贷。

 提高金融科技应用的有效性

提高金融科技应用的有效性,避免对金融科技的滥用。比如,一些机构通过简单地变更风险控制筛选规则;以基础的、单一的客户静态数据代替特色化的、场景化的动态数据积累。

因此,我们建议要完善大数据风控技术。拓宽数据来源,增强数据获取的技术能力,利用大数据技术对客户风险进行有效甄别;提升技术手段、加强数据标准化研究,促进多维数据整合。对数据内容进行专项分析,提取数据关键要素,降低非标准数据的处理难度,并通过建立各类数据的关联性分析模型,不断优化反欺诈及信用风险评估模型,提升风险控制模型迭代速度。