文/小迪
本文是九卦金融圈原创发布，转载请注明来源，否则谢绝转载。
随着消费信贷，特别是信用消费信贷领域的快速发展，越来越多的传统金融机构、互联网公司进入这一领域，并逐步形成了新型的金融业态和生态。
对于传统金融，其传统的风控流程和技术手段已经不能满足新业务场景的需求，比如借贷的场景越来越多向网络上发展，秒级、分钟级小额放贷成为趋势，虽然众多互联网公司在技术体系上可以满足新的业务要求，但这些互联网公司却不懂风控，因此逐步就诞生了一批利用自动决策分析技术、机器学习、大数据分析等技术为各类金融场景提供风险分析服务的公司，这些公司的存在帮助这些金融机构大大地降低了欺诈及违约导致的坏账成本，同时也帮助提升了自动化审批效率。
比较有代表性的智能分析公司包括：第四范式、桃树科技、同盾科技、氪信、datavisor（美国创业后进入中国）等，智能风控已经成为中国金融科技里不容忽略的一股力量。
智能风控：智在何方？
智能风控，智在何方？其实从商业模式就可分辨一二。
从运营模式上可以分为两大类：
第一类是分析模型训练、运营及对应软件都在云端，比如同盾科技、氪信和datavisor，都是以提供类似saas软件及分析api的方式帮助金融机构识别风险，同样在国外类似的公司还有美国的41st（后来被experian收购）、siftscience、以色列的fraudscience（被paypal收购）、zestfinance等等；
第二类是分析模型和系统都部署在本地的，比如第四范式和桃树科技，这两家都有通用的机器学习平台，并且不仅帮助识别风险、也帮助客户做营销分析、交叉销售分析等。
从识别的风险类型看也可以分为两大类：
一类是欺诈风险，比如datavisor、41st等公司都是专门识别欺诈风险的公司，其中datavisor是利用非监督型机器学习技术实现了欺诈风险的预测以及自学习；这些区别于利用打标数据和监督型机器学习去发现欺诈的siftscience。
而两者算法也各有千秋：41st 则因为它的设备指纹技术闻名（笔者猜想其最初的模型有41个参数而因此命名公司），可以在专利搜索网站上搜索 41st公司的专利，笔者记得2005年左右他们就发表了类似的专利技术，设备指纹技术在业内人看来相对已经比较成熟，也有一些短期难以逾越的困难，该技术不仅用于风险识别、也用于个性化推荐及广告分析领域。
另一类则是在信用分析领域，美国的 zestfinance 则是利用社交网络数据在云端帮助识别个人的信用风险。
在国内，同时可以将欺诈风险和信用风险分析都做地不错的公司目前是位于杭州的同盾科技，他们已经拥有超过600人的团队，且在这个领域还在不断深挖，当然这个领域也不乏一些后起之秀，比如专门做反欺诈的猛犸科技、岂安科技，以及专门做信用分析的冰鉴科技等。
企业服务公司的困境和机遇
在国内，企业服务相对国外来说，需要更大的耐力、耐心以及热情，特别是云端企业服务公司，在国内也面临数据安全和客户信任的考验。这就是这些公司需要考量的“控制”点。在美国市值最高的saas企业服务公司是sales force，也就刚超过500亿美金，和苹果、google、facebook、阿里等公司市值相比较还是比较小的。
但是笔者观察企业服务也是一个大的趋势，salesforce在过去两年营收和市值大幅增长，amazon的云端企业服务收入也大幅增长，阿里更将阿里云作为集团的五大核心战略之一重点发展。可以这么说，企业服务在国内道路是曲折的，但是前途是光明的。
笔者和国内的一些企业服务公司聊过，一家crm公司的创始人分享其最大的挑战就是如何说服大客户上云：大客户付得起钱但是总想着在本地部署，小客户愿意上云但是付不起钱，这几乎是所有中国企业服务公司的困境和难点。对于智能分析服务公司，也许采取一种折中且混合的方式是一个生存之道，但是这其中也存在大量的“坑”需要创业者一个个去趟，比如如何监督分析的结果、如何保证数据的回流，如何不断赢得客户的信任……但是笔者认为，正是这些坑，才是做企业服务公司的真正门槛。
在中国，公司的成功要素有许多，且缺一不可：
第一、天时，智能风控分析公司只有在消费信贷需求大量井喷的年代才有很大的刚需，才会有快速发展的机遇。
第二、地利，企业必须给自己找一个最适合的商业模式，有的企业选择做底层的机器学习平台，有的企业则选择做偏上层的应用分析，这些都是基于创始人对于未来形势的一个判断，没有孰对孰错，选择好了模式并且坚持下去，相信会有好的结果。
第三、人和，笔者认为，做企业成功与否80% 取决于一个企业的内因，20%由天命。创始团队是否团结、是否有共同的愿景和目标、是否可以一起挺过难关是最至关重要的。
在国内，创业很难，创业做企业服务更难，而创业做分析型的企业服务则难上加难，有很多人看这个领域热闹想进来，也有很多人历经了酸甜苦辣想退出。
风控和征信之别
在国内，有不少人没有弄清楚风控和征信的区别，笔者通过行业调研和专家访谈，总结了几点区别：
一
征信是国家基础设施，是收集基础的全员信用信息的机构，要求各家金融机构无条件上报。依据这一条，目前在国内称得上征信机构的就只有央行征信中心一家；
二
利用客户的数据及外部合规的三方数据做信用风险分析不属于征信的范畴，而属于科技公司的范畴；
三
反欺诈不属于征信。反欺诈分析的是个人的行为数据，并不是信用信息；
四
如果是征信公司，需要符合国家的征信条例。如果第二类的公司或者是反欺诈公司，只需要符合国家的隐私保护法以及网络安全法即可，比如说：美国的41st、以色列的fraudscience等公司需要符合个人隐私保护法，如果涉及到银行卡的存储和分析，则需要符合支付行业的pci 规范（由visa、mastercard等卡组织发起）。
所以说，智能风控分析服务公司和征信公司还是有很大的差别的，不能将两者混为一谈，否则不仅不利于整个社会征信体系的建设，也不利于科技创新。
在美国，一些金融机构、大型互联网公司都会和三方的反欺诈公司合作，用来预防和及时发现各类欺诈行为。同时，一些金融机构也会和zestfinance合作，去评估特定人员的信用风险，或者利用它的分数作为fico分的参考。
从另外一个层面上说，整个社会的征信体系的建设，也不能只靠一家征信公司完成。征信公司只负责基础信用信息的收集和输出，但是现实的情况是央行不太可能收集到全体社会成员的信用信息，一是时间不允许，二是体制不允许（因为银行也不能覆盖全部的人群），所以需要由市场化的征信机构参与进来作为补充。
此外，还是需要众多的风控和分析服务公司去为金融机构服务，征信公司提供的只是原料，还是需要有专业团队帮助金融机构去加工和利用这些原料，最后输出的是模型和信用评分，且这些模型和各种金融场景相关，比如：汽车金融、消费金融（有场景）、现金贷、银行零售、信用卡等。
最后，反欺诈依赖的也是专业化的工具和分析模型，则更适合科技公司去做。
当然，现在还有一类专门的三方数据公司，其实这类公司也不属于征信公司，也不属于分析服务公司，这类公司只要合规合法，只需要进行业务报备即可。这类公司会为包括智能风控、广告服务商、舆情监测、企业运营管理等公司提供数据服务。
征信体系的建立任重而道远，市场化的征信机构、智能风控分析公司以及三方数据公司的存在都为这个体系的健全合理发挥贡献，不断发展前进。