目前，維信理財借助劣後/優先份額結構化產品（杠桿率1：4-6）與關聯融資擔保公司擔保（杠桿率1：10）等融資工具，已經獲得數十億的放貸資金。

“其實，這套數據驅動模型，本身是壹個方法論，關鍵是如何在海量數據裏找出效益/風險的平衡點。”廖世宏直言。

這是互聯網金融壹路高歌猛進的時代，而大數據分析在其中擔綱著越來越重要的角色。

維信理財作為國內首家涉足小額無抵押貸款的公司，營業已達10年，累計貸款余額約7億美元，如今每月放貸規模控制在4億元人民幣。

“相比規模效應，我們更專註做好數據驅動業務模式。”維信理財總裁廖世宏接受21世紀經濟報道記者專訪時表示。

維信理財的數據驅動業務模式特別之處在於，它不向個人投資者募集資金，而是通過和信托公司、銀行等金融機構合作，利用數據風控信貸工廠模式進行融資，再放貸給國內百余個城市的小微企業主或個人。

目前，維信理財借助劣後/優先份額結構化產品（杠桿率1∶4-6）與關聯融資擔保公司擔保（杠桿率1∶10）等融資工具，已經獲得數十億的放貸資金。

這套數據驅動業務模式如何能吸引銀行、信托公司向高風險的小微消費貸款提供杠桿資金，不少業內人士也直言“摸不透其中奧秘”。

“其實，這套數據驅動模型，本身是壹個方法論，關鍵是如何在海量數據裏找出效益/風險的平衡點。”廖世宏直言。

他舉例稱，壹家小微貸款機構分別從10個客戶選擇4個、7個客戶放貸，其產生的壞賬風險與獲客成本是截然不同的。前者明顯壞賬風險更低，但獲客成本更高；後者則恰恰相反。此時數據驅動模型的最大作用，就是讓機構基於海量客戶還貸動態數據分析，優化某些放貸審核規則，壹方面放寬信貸審批門檻降低獲客成本，壹方面又能有效控制壞賬風險。

隨著互聯網金融的投資熱潮來臨，眾多機構面臨巨大的短期利益誘惑，大數據分析概念往往成為其做大規模效應、吸引風險投資的壹大法寶。甚至有的機構基於自身大數據分析模型，開始涉足征信業務，創造更高的企業市值。

“維信理財會將征信業務看成是主營業務的壹種延伸，不會刻意去涉足這個領域。”廖世宏稱。

在他看來，金融領域的大數據應用，並不是壹個炒作概念，而是壹件苦差事——由於壞賬風險往往是滯後的，數據的最大應用，就是在信貸審批環節提前建立起壹道防火墻，盡可能過濾掉各類引發壞賬風險的因素。

數據驅動的“賬本”

2006年廖世宏從壹家外資銀行大中華區負責人崗位離職，創建維信理財，正式切入國內個人、小微企業信貸市場。彼時，中國的個人信貸市場所需的各類數據，基本處於空白階段。

具體而言，要建立壹套面向個人、小微企業主的小額無抵押信貸數據風控模型，必須具備四大要素：壹是有效搜集個人征信信息的渠道；二是有足夠大的個人貸款者樣本；三是有足夠長的觀察期以評估貸款人各類還款行為；四是賠出真金白銀，拿到足夠的“壞樣本”。

“當時，這些要素基本都不具備。”廖世宏稱，從維信理財誕生起，他就抱著試錯糾錯的態度，用了整整6年收集足夠多的個人貸款者樣本及征信信息，並長期考察其還款行為。

當2012年維信理財準備搭建數據模型時，廖世宏又發現，由於數據收集期間格式不夠準確，數據要求不夠嚴格，加之人工輸入導致的錯誤，不得不再花費2年時間調整數據模型。直到2014年，維信理財正式推出首家客戶信用評分卡，並逐步引入反欺詐引擎、評分引擎、決策引擎、支付引擎、分析引擎、數據采集引擎、機器學習引擎等八大引擎，構建了壹套自動化的信貸審批“工廠”。

他認為，這是基於提高信貸審批效率的需要，壹個完善的數據模型，應兼顧成本維度與風控維度。

他給21世紀經濟報道記者算了壹筆賬，目前壹家小微貸款機構（包括P2P機構）平均獲客成本約占貸款額度的3%-4%，加之投資者投資利息在11%-12%/年，即使不考慮壞賬備付金，這類機構貸款利息必須達到16%以上，才能實現盈虧平衡。於是，小微貸款機構必須面臨兩個選擇：要麽基於壓低壞賬風險的需要，在10個客戶裏只選擇1-2個優質客戶放貸，但這意味著獲客成本還會持續上漲；要麽基於降低獲客成本的考量，放寬貸款人審核門檻，在10個客戶裏選擇5-6個客戶放貸，但這又會導致壞賬風險驟然提高。

“說白了，數據模型就是不斷幫助機構算清這筆業務的盈虧賬。”廖世宏解釋稱，具體而言，當機構決定在10個客戶中選擇5-6個客戶放貸時，這套數據模型可以根據客戶的年齡、職業、消費行為、收入等各個因素進行考察，幫助機構優化某些審核標準，過濾掉高風險客戶，從而實現壞賬風險與獲客成本雙雙降低。

廖世宏發現，這套行之有效的數據驅動業務模式，同樣需要與時俱進。比如2012-2013年間，維信理財的女性貸款客戶比例僅有20%，但現在這壹比例達到45%，由此整個數據模型需要重新調整。

有時，數據模型還會帶來意想不到的風控結論。

此前，維信理信開發了壹款為小微企業主提供消費信貸的產品。當時產品研發團隊認為，小微企業主有房有車，還款風險理應不高。但產品運營數據卻意外發現，沒有房產的企業主壞賬率要低於有房產的。

“我們壹時也想不通，但數據模型就得出這樣的結果。”廖世宏說，最終整個產品團隊重新去分析這些企業主的個人信息，發現他們偏向於拿房產去銀行、民間借貸機構申請抵押貸款，導致隱性負債較高，壞賬風險自然增加。因此，維信理財在壹段時間後悄然叫停了這款產品。

廖世宏直言，當時這款產品讓整個團隊見識到數據應用的威力。

如今，廖世宏發現維信理財又面臨著類似的問題：隨著P2P平臺的激增，不少貸款人可以同時在不同P2P平臺申請貸款，無形間增加了個人隱性負債。

他表示，要將這類借貸人剔除，沒有捷徑，只能不斷地試錯糾錯。目前，維信理財每研發出壹款新產品，就會在壹段時間內做出調整，引進不同類型的客戶，觀察幾個月後了解其還款行為，進而優化自身數據風控模型。

“數據驅動模型從誕生起，就沒有100分，只有不斷地自我完善，無限接近100分。”廖世宏說。

布局智能金融產業

在不少業內人士看來，維信理財正趕上壹個好“風口”——隨著國內征信產業的興起，維信理財完全可以設立壹家征信機構，將10年數據積累及其信貸工廠風控模型轉移進去，進壹步提升自身估值。

目前，維信理財旗下設立了小額貸款公司、融資租賃公司、融資擔保公司、金融服務公司等，布局征信產業似乎也水到渠成。

“我們不會貿然進入征信市場。”廖世宏表示，在歐美成熟金融市場，征信產業經歷了壹輪又壹輪整合兼並，最終美國留下三家巨頭，英國與德國也只有少數壹兩家做大做強，維信理財與其將業務精力耗費在征信產業的整合浪潮中，不如另辟蹊徑，以10余年消費信貸數據模型為基礎，在智能金融方面下功夫。

所謂智能金融，即在某些互聯網消費場景下，小微貸款機構基於全智能、無人工參與的閉環風控審批操作流程，以最快速度向客戶提供授信放款。

這背後，是互聯網給金融業務流程帶來的壹次全新變革。長期以來，金融機構與客戶的接觸頻率不高，導致客戶粘性較差；但在互聯網時代，金融機構與客戶之間的接觸頻率加快了，比如客戶在各個消費場景隨時隨地都有可能需要貸款消費，這就需要金融機構不但能提供24小時金融服務，還必須以最快速度完成信貸審批流程，滿足客戶高頻率金融服務的需要。

“互聯網比拼的就是速度，誰提供的金融服務速度越快，誰就越有機會脫穎而出。”廖世宏認為。

近期，維信理財嘗試發行了首款智能金融產品“卡卡貸”，專註基於互聯網的信用卡余額代償服務。

廖世宏坦言，之所以將信用卡余額代償作為智能金融產品切入點，本身也有業務模式討巧的成分。因為信用卡用戶屬於零售金融業務的最優質客戶之壹，其壞賬風險相對可控，可以讓維信理財騰出更多精力完善智能化操作流程。

21世紀經濟報道記者了解到，目前維信理財已經與中國電信“翼支付”建立了戰略合作關系，並且還在與大型地產中介公司合作，針對租房買房需求，推出智能化操作的首付貸、房租貸等產品。

在業內人士看來，布局智能金融轉型互聯網消費金融服務商，可能是維信理財在給IPO做鋪墊。目前，這家機構已拿到約2億美元風險投資資金，需要在壹個合適時機給投資人提供可觀的回報。

廖世宏對此表示，目前經營團隊與主要股東更關註的是，如何利用基於大數據分析的信貸工廠模式，結合有效的場景，更有效地為用戶提供智能消費金融產品。