百度副总裁黄爽：直击改革痛点 开启智能金融

    黄爽：我在传统金融工作了10多年，大概是三年多以前去了陆金所，一年多以前去了百度，我想结合自己传统金融的一些工作经验，特别是在百度这样一个工作实践，今天可能时间有限，15分钟的时间，所以很难给大家做一个完整的体系性的介绍。更多的可能是我们在工作中摸索的一些实例，来讲讲在今天我们这个新的时代，当我们面临更高质量发展的时候，智能金融能给大家做些什么。

    应主办方的要求，由于是讲讲痛点，我觉得这个主题还是非常一致的，可能我讲市场面多一些。整个经济结构的调整可能是过去几年的一个大基调，当经济的结构在调整的时候，很多传统的智慧可能并不能很快告诉你好资产是长什么样子的，很多传统的信息也不能够用于评估这个资产的收益和风险。我们也发现其实在大消费、大健康整个消费升级的概念下，金融也是同时共振的，个人业务在金融整体的占比是逐步提高的。新金融这一方面在产生一些冲击，但是冲击刚刚来临的时候，可能也会出现一些初步的乱象，这也就迎来了一些新的监管，这些可能都是痛点。

    当个人业务比重逐渐增加的时候，我们怎么能够回归本源，更加有序、健康的把这一块做起来。现在看起来，在去发展这个过程当中，也是有就个人业务本身产生的痛点的。比如说个人在中国有一个非常有利的现象是中国的移动占有率非常高，中国的客户可能比世界上任何一个国家的客户，包括美国的客户在手机上沉淀的数据要更多一些。但是这些数据有没有非常完整和有效的运用到我们的金融布局当中。

    另外我想特别讲一下金融需求的问题，很多乱象其实和金融的真实性有非常大的关系。比如金融，你每天都要消费，每天都要注重健康，可是大家不会每天都去买理财产品，也不会每天都去借钱。那就出现一个问题，你可能要抓住这个人需求的时机，让这个需求的满足更加有效。另外是你可能对他的定价和他是不是真的需要这个东西还是受你的“蒙蔽”去做了这个东西，做很准确的评估。很多高利贷是在哄骗客户的情况下产生的，所以金融风险的评估和金融本身的评估是同样重要的，我想这也是新金融可能会给大家带来一些促进的地方。最终我想做金融的都关心的就是一个风险定价的问题，所以我可能更多的是从这几个方面去看待我们今天的痛点。

    我们提出了一个智能金融的概念，其实这也是在整个百度对人工智能进行一个非常大的投入这么一个大前提下，刚好今天我们Robin的帅照也上了《时代周刊》的封面，好像上一期是习大大。他主要讲的是说，中国在人工智能上的投入和创新已经给美国的硅谷造成了一些冲击，因为刚好我们前一阵子做了中国无人车的技术在硅谷的演练，所以可能也造成了一定的科技界的影响。

    在这样一个大背景下，我们怎么能把人工智能应用到金融界？所以我们提出了智能金融的这样一个概念。智能金融我觉得它可能具备两大系列的特点：第一个特点是它就是在一个数据极大的丰富、算法到了一定的水平、算力到了一定水平的时候，以至于这些数据可以用在这样一个金融产品的设计和金融业务的模式里面，这是数据、算法、算力的问题；第二个特点，人工智能有很多类别，最先能够影响到，或者最先能够商业化的类别，其实很多时候是对传统产业的一个改造，也是对我们传统产业全链条的改造，不仅仅影响到我们从资产到资金各个环节的。实际上很可能把这些环节分割的更细一些，今天可能我不做全面的阐述，重点讲一下获客和风控这两个方面。

    获客其实刚才也提到了一个需求的评估，不仅仅是获客成本的问题，也和我讲的画像前置和金融产品本身的设计有关系。另外这样一个风控其实是我们讲的具体的风险评估的应用，以及反欺诈的一些方法，这是讲一个智能金融的概念。

    其实很多互联网公司都会讲人群画像，你去阿里，他会给你讲人群画像在营销上的应用，很多互金公司会讲人群画像在风险上的应用。我个人认为，人群画像本身对风险的评估是比较有限的。但是人群画像其实是对金融产品的设计，对金融产品的本身会不会满足这个人的需求是有非常大的借鉴意义的。人群怎么画像？或者他怎么改变了一些传统的东西。首先讲讲我们有什么，对于百度来说，他可能有60亿的日搜索的请求，14款上亿用户的APP，10个亿移动设备的行为。刚才讲的所谓的智能金融，首先要建立在数据够多的情况下。当然了，你要有算法去处理，抽取出这些数据里面隐含的东西。抽取出什么？最早很多人说百度不能做金融，不能提炼对金融有意义的事情上。可以在过去一年半里面，很多的时间是花在提取对于金融有意义的标签上的，比如关系数据，谁和谁是朋友，谁和谁互相关注了，照片上可能有互相的熟人，或者在贴吧上其实是在一个吧里面的。身份信息，大部分时候还是实名的，或者和一个设备串在一起，其实很多时候，我们是把人、设备和信息串在一起。设备号本身能够代表的这种信息串起来的这种能力，其实可能比手机号还要重要一些。还有一些金融属性，比如说有没有车，经常出现在什么地方，LBS的一些数据，这些都能够帮助我们形成一些金融数据的标签。

    在标签的基础上，我们再去跟人群画像，这个画像其实未见得是百分之百准确的，但是如果你想他是90%准确的时候，对你金融产品的设计和营销其实已经是非常大的促进了。我比较喜欢用的一个例子，可能大家都能明白，就是讲一个500强的员工，以前你可能要问他要张名片，现在你可能只需要他每天开车是不是去这个地方，还有他用的Wi-Fi。你知道这个人是不是一个500强企业的员工，在一个新金融的环境里面你不需要见到他，就可以给他一个金融产品的设计，要容易得多。

    需求的评估，我们常常说搜索是一个人需求非常真实的表达，你朋友圈发的是不是真实的自己我们不知道，但是你搜的东西通常是你最真实的需求的表达。关于这个人需要什么，比如他是有贷款的需求，有旅游，有各类的消费需求，包括他可能在什么样的渠道或者什么样的一个App上跟我们有一个更好的互动，这些其实都会直接影响到他想要什么东西，以及他有多想要这个东西。

    刚才讲到，金融产品毕竟是一个低频的东西，所以及时性和延时性也是很重要的。就是有些东西的决策周期是很短的，比如说你因为租房需要钱，你租房的决定估计两三天就决定了，等你真正查租房这件事的时候，你就需要住了。当一个人开始考虑装修到装修结束几个月，第一天跟他讲装修借钱的事一点用都没有。所以你深度分析这些数据的时候，你会形成一些及时响应的模型和延时响应的模型，可能对他们的展业会产生很大的作用。可以帮助我们设计更好的金融产品，满足他们的需求。这已经实际应用到了我们的资金端和产业端，从资金端角度来说，可以降低获客成本，你找到一个合适的顾客，找到一个合适的时机，能够让他有效的对你响应。所以理财金用户的获客成本一般是我们的常规渠道，大概是1/10到1/30。而我们信贷的用户，其实也是最高的20%和最低的20%，大概相差10%。如果最高的1%和最低的1%，可能是相差90%，如果我们做一个所谓的需求评估模型，是有非常大的区分度的。

    刚才讲了一个需求的评估，现在讲一个更加传统的信用风险的评估。信用风险的评估我想讲的是，也作为一个传统金融的从业者，我们其实一方面是在用很多的百度数据，一方面我们认为，数据本身，或者也不是全部，还是要集合很多其他的信息，还要进行信息的厚度对用户进行分层。现在看起来，这个分层也是有效的，时间有限，我就不多说了。

    企业其实也是一个有同样的应用，企业的应用比如说一个商圈的人流或者车流，一个商店的人流和车流，一个城市的开发区人流和车流，本身可能并不能完整的评估什么。可是刚才我们讲缺少一定的透明度，至少是可以呈现一个检验的验真或者补充的作用，不管从保护投资者，还是对这种财务风险进行一个有效的参考，都是具有实践意义的。

    这一张虽然是讲的反欺诈，其实我想讲的更大的一个意义在于这是一个线上的能力应用到线下。这是什么东西？我们内部把这个叫“癌症图”。第一个就是线下有一个机构，它是一个正常的机构，每天正常的作业，我正常的跟他合作进行一个信贷的服务。第二个是一个骗贷的机构，你就会发现，所有的人流里面，人和人的相关性突然变大了。就是如果有相关的会变颜色，但是如果你把所有的机构加在一起，以前所有骗贷的人，逾期人员都放在一个同样的关联网络里面，就会发现，同样一个机构就会长成第三张图那个样子，也就是说，当我掌握了一定的骗贷数据以后，他每天都可以告诉我，我面对的这个线下的机构是健康的，线下的机构这个客群和来申请我金融产品的客群是不是健康的，如果是健康的，应该长得像一个正常的细胞，如果是不健康的，他长的更像一个癌症的细胞。我想这也代表一种趋势，越来越多的线上能力，其实可以应用于传统的线下机构。

    刚才讲的是第二个特点，贯穿在整个业务链条里面。实际上我们在整个链条里面也是有非常多的实践和输出，左边的这种大型金融机构是整体的解决方案，我们跟农行在做一些金融实验室，不仅仅是从模型的角度，还有从具体的一些感知方面的引擎，像柜面的文字，在线的一些东西，包括我们有很多远程授信，还有一些营销的场景，比较全面的一些应用。中小型的机构，可能更多的是一种菜单型的东西，还包括我们的区块链也都已经应用到我们自己发行的证券化的产品里面，这样我们在律所、信托公司资产方之间和投资人之间，都会形成一些智能的合约。

    如果总结一下今天的发言，还是在讲随着人工智能的发展，我们在业务里面，不管是从资金端还是资产端都有更多的实践。这些产生的解决方案，其实是能够帮助我们解决刚才讲的需求真实的评估，线上的数据更广泛的应用，能够增加资产的透明度，包括资金资产更多的匹配。我想即使百度是一个数据大咖，但是我想它的数据毕竟是有限的。我们常常对无真性人群百度的数据有很好的评估能力，对于有真性人群是一个有益的补充。所以很多时候，我相信如果是一个共建生态的概念，我觉得智能金融也可以走得更远。

    我就介绍到这里，谢谢大家！