兩年前，在南京做燈飾生意的劉鵬接到一個大單——為江蘇某市的街道做城市景觀項目設計。在興奮之余，他卻遇到資金周轉的難題。不過，他不愿意找朋友借錢，“借錢欠的不光是錢，還有人情債。”

當時，由于業務尚處在持續擴張階段，劉鵬沒有足夠的流動資金來采購原材料。正在發愁時，恰好通過網絡知道了人人貸，于是決定嘗試這種新型的借貸方式。通過人人貸，劉鵬很快就拿到了一筆借款，及時補充了原料。

而在以往，像劉鵬這樣的小微企業要想獲得類似的小額經營性借款，往往需要提供詳實的經營流水，甚至資產抵押，而且通常要操作兩周甚至一個月的時間。

5月29日，中國人民銀行科技司副巡視員楊富玉在2019金融街論壇年會分論壇上表示，要著力增強金融服務實體經濟能力，把服務實體經濟作為金融科技發展的首要任務。

20萬以內的融資需求誰來滿足？

小微企業在不同的發展階段有不同量級的資金需求，每個階段應有不同的平臺為其差異化的需求提供服務。

目前，國家將針對小微企業的授信額度從500萬提升到了1000萬。如果把1000萬元分層來看，100~1000萬區間的小微企業已具備一定規模，它們要么是在上下游具有很強實力的核心廠商，可以通過應收賬款質押進行票據類供應鏈融資，要么具備很好的經營性流水，且具有合格抵押品等，能通過銀行獲得經營性貸款。在20~100萬區間，德國的IPC信貸模式成為一些銀行、民間商業信貸機構主要借鑒的模式。IPC模式的核心是重度依賴線下信貸員體系，對企業經營狀況進行層層把關。

近年來，作為我國金融體系中服務小微企業主力軍的城商行，一方面有小微企業貸款量增長的任務，一方面也面臨著資產不良率提高的風險。

全世界的小微企業都有相通的特征：盤子小，缺乏規范的財務管理和信用記錄，缺乏有效抵押物和資產，淘汰率高，反欺詐難度高。因此，在傳統的批貸模式下，銀行面對小微群體的資金需求時，其經濟效益往往面臨挑戰。

原中國工商銀行董事長姜建清曾指出，傳統上，銀行發放貸款前后，須對企業的資金流、物流和信息流的運行進行全過程、不間斷的監控。通過數據的異常變化揭示風險。由于信息割裂，融資銀行對融資企業缺乏整體把握，對客戶信息掌握不深不廣，維度單一，無法真正“了解你的客戶”。他分析稱，信息數據量不足是影響信貸判斷和決策的原因之一。

姜建清認為，銀行該如何識別風險，防控風險，讓風險可承受、讓風險與收益相匹配的小微企業能夠得到融資，同時又守住風險底線，避免出現系統性、地區性信用風險，其關鍵點在于解決信用領域的信息不對稱問題，這也是解決小微企業融資難問題的治本之策。

眼下，盡管銀保監會已經在逐步增加對小微企業不良率的容忍度，但無論是對于大型商業銀行還是城商行來說，20萬元以內的小微融資需求，都是一個棘手的區間。傳統的績效評價辦法、內部資金轉移定價、經濟資本安排、盡職免責制度安排，都決定著基層銀行客戶經理是否有意愿服務小微企業。而銀行內部信貸資金配置、內部審批程序是否復雜、授權層級的高低決定著銀行能不能開展小微金融業務。

小微融資需求，具有小額分散的特征，是否可能以規模化的方式去滿足？有這樣融資需求的小微企業多是個體、家庭為核心組成的小業主，處于事業起步階段，經營規模有限。對于他們來說，要以企業資質或者是資產抵押的方式，從傳統金融機構獲得融資，并不是一件容易的事情。

在傳統金融體系之外，以人人貸為代表的部分頭部金融科技平臺，提出以小微企業主為信用主體，通過衡量個人信用的模式，為小微企業群體提供小額融資服務。跟市面上大量小微信貸產品以保單、企業經營流水、房屋按揭、應收帳款等為核心風控數據為主的思路不同，人人貸的小微信貸產品風控手段更多地針對企業主個人純粹的信用判斷。其邏輯是：在大數據基礎上的個人信用評估，可以更加標準化和可規模化，同時，大數據也讓跨行業、多維度來衡量個人信用情況成為可能。

“小微企業主的反欺詐的問題其實是可以通過長期以來在個人信貸業務中的積累解決的。”人人貸聯合創始人楊一夫指出，小微企業主群體本身的信用水平其實并不差。

通過對個人信用的評估，上線九年，人人貸累計撮合交易超過830億元，其中有約80%的資金通過平臺流入了實體經營領域，支持了諸多事業處于起步階段的小微企業主的發展。

機器學習在風控中的應用

人人貸的借款人群體主要為小微企業主，其中80%以上的資產來自合作渠道友信普惠。

2017年12月之前，是線上小額信貸業務被狂熱追捧的寬松時期，人人貸選擇了最“難啃”的小微金融業務作為核心資產，從此開始建立業務護城河。

“人人貸剛成立的時候，原始的理想是遠程解決所有問題，看起來很fancy，只需線上過一下決策引擎，跑一跑模型，出借人和借款人都能在線上完成業務了。”楊一夫說。

但是，九年前，互金行業還沒有積累到足夠的數據量，信息過度碎片化，數據分析能力也欠缺，無法集中、商業化使用。

看清楚形勢的人人貸轉身扎進了小微金融領域。小微信貸是長期限的產品，門檻更高，一個完整風險周期大概在三年，如果模型、系統要支撐有效且低風險的放款，至少要看一個完整的風險周期，調優則至少兩個風險周期，也就是6年。

2016年開始，互聯網金融基礎設施逐漸成熟。這個過程中，人人貸的運營和服務效率均發生了深刻的變化。2013年時，人人貸一線審核人員大概有300~400人，目前，一線審核人員已經降至100人左右，其中很關鍵的一點是風控效率的提升。

得益于大數據、前沿人工智能技術的應用，人人貸實現了更精準、高效地的風險甄別。目前已建立起貫穿貸前、貸中、貸后的大數據風控系統，不僅降低了全環節中的欺詐和信用風險，同時也優化了審核效率，形成“大數據-建模-大數據”的閉環，實現了系統自動化、智能化和互聯網化，實現包括但不限于進件審核、放款審核、額度調整、貸中監測、交易審核等多種風險事件判定，并且將數據源接入或調整時效縮短至小時級別，大大提高了服務效率。

人人貸所屬集團友信金服聯合創始人張適時此前介紹，平臺過往在風控環節上，人工的占比達到70-80%，數據的作用只占到20%左右，使得每筆借款的批核需要3-5個工作日；但是隨著金融科技能力的提升，目前數據在整個決策中的占比已經達到了90%。現在，人人貸平臺的批核速度是以分鐘甚至秒級來計算，極大提高了小微金融服務的效率。

人人貸是較早運用機器學習技術的網貸平臺之一，線上審批流程中主要包括反欺詐、信用評估兩個環節。

反欺詐環節主要是判斷提交借款申請的客戶是不是出于騙貸等惡意動機。一般來說，”欺詐攻擊“主要有兩種方式，一種是申請資料造假，不法分子為了獲取貸款會對申請資料進行包裝，以求通過審核；另一種是申請身份造假，不法分子冒用他人身份申請貸款。得益于機器學習模型的應用，人人貸可以精準、高效地識別出疑似欺詐人群。按照巴塞爾協議的風險分類，重要性僅次于欺詐風險的是信用風險。在信用評估環節，人人貸利用風控系統中部署的卷積神經網絡（CNN）、隨機森林、XGBoost 等算法，為不同信用水平的客戶實現了差異化定價（費率），同時將整個信貸周期的不良率控制在極低水平。

根據借款客戶的信用水平，人人貸將提交到作業系統的借款人分為 A-E 五個風險等級，對不同等級的客戶匹配不同的算法模型。從機器學習部署至今，人人貸系統中的算法模型數量已經達數千個，更先進、更復雜的模型也在持續訓練和調校中。

人人貸在客服領域也引入了前沿AI算法。一個典型的場景是：在人工客服接聽電話時，AI同時在線收聽，并會對客服進行實時評價和提醒。若出現了答非所問或者不合規用語，AI都可以做出及時提醒。這種做法也使得人人貸客服效率有力提升。

運用金融科技手段，人人貸已經積累了豐富的用戶數據，對于小微企業主的經營發展特征及資金需求特征有精準的把握，構建了千人千面的用戶畫像。

小微企業相較成熟的大企業貸款來說生存風險較高，傳統金融機構在服務小微企業的融資需求時往往會更加謹慎。而小微企業融資往往面臨小規模修繕或業務擴張，應急性以及季節性、規律性的周轉等需求，其相應的融資往往表現為需求急、頻率高和金額小等特點，在傳統的授信評估體系下，對于缺乏資產抵押、擔保的長尾小微企業群體來說，這些資金需求很難被高效滿足。

央行副行長潘功勝認為，針對民營和小微企業普遍面對的貸款期限短、抵押物缺乏等困難，商業銀行應該在信用貸款產品、貸款期限方面作出更多適應小微和民營企業生產經營規律的設計。

金融科技也將在其中扮演越來越重要的角色。友信金服CFO王海琛認為，個人經營性融資已經形成傳統金融機構和新興金融業態優勢互補的多元化融資格局，未來，新興金融科技平臺會和傳統金融機構產生更多的合作關系，在助力傳統金融機構發揮普惠信貸主力軍作用上提供支持。

楊富玉在2019金融街論壇年會指出，發展金融科技應以互利共贏為基調，堅持多方參與的發展模式，鼓勵多元化市場主體開放合作，包括加強機構合作、產用合作和國際合作。

友信金服在今年以來也逐步調整策略，引入了機構資金。4月份，集團單月新增業務中約24%為銀行等金融機構資金，短時間內機構資金占比可能會提高，楊一夫也表示，從長期來看，P2P未來仍然是具備顯著優勢的重要資金來源。