对公信贷融资案例(对公信贷业务基本操作流程)

调研 | 李喆 青川

撰写 | 青川

金融领域是大数据重要的落地场景之一，目前，大数据技术在金融领域应用越来越广泛，具体应用场景包括零售、对公等业务，营销、反欺诈、风险管理等环节，不一而足。

誉存科技便是一家利用大数据技术为对公信贷提供风控工具的公司，成立于2014年底。今年1月，誉存科技获得星河互联、华耀资本数千万A轮融资。

誉存科技主要提供企业信息、反欺诈、风险预警等服务，以标准化SaaS产品提供给金融机构，为对公信贷业务提供工具。除了应用于对公信贷业务，未来其企业数据也可以用于金融机构其他业务类型、政府等其他机构的需求。

信息层面，誉存科技为金融机构提供多重企业信息，包括企业基本信息、股东变更等工商信息，也包括法律诉讼、招聘、招投标等信息，数据来源包括网络爬取的数据、合作机构反馈的数据等。这部分与企查查、启信宝等公司提供的服务会有较大重合。

目前，誉存科技能够覆盖全部具有工商信息的企业，在对企业行为分析后，累计筛选出500万高风险企业。

在此基础上，誉存科技对企业行为信息深度挖掘，包括贷前的反欺诈，通过关联信息勘查企业有没有欺诈的可能性；贷后的监控预警，在企业有高风险事件发生时及时向金融机构预警。

所以誉存科技能应用于对公信贷业务的贷前、贷中以及贷后全业务流程。对金融机构来说，这款工具可以显著提升业务和风控效率，比如之前了解企业信息以及经营情况变化，需要客户经理一家一家全部走访，通过誉存科技的工具，可以筛选出其中高风险企业重点观察，能显著提高客户经理工作效率。

另外，很多关联风险信息客户经理、风控人员靠人工挖掘很难发现，而誉存科技则可以通过数据挖掘将这些信息呈现出来。

由此可见，在金融机构原有业务流程的基础上，誉存科技可提高其业务效率。金融机构对该产品有很大的需求，誉存科技的产品从今年正式推出到现在，已经与几十家银行省分行达成合作。

未来发展上，誉存科技会选出几个行业深耕，做行业内的公司评级、评分，这对数据、建模要求更高，在对公信贷风控上切入的环节更深。

近日，爱分析对誉存科技CEO刘德彬进行了访谈，刘德彬曾任同盾联合创始人兼首席科学家，PayPal资深数据科学家。访谈过程中刘德彬对公司业务、发展战略进行了阐述，现摘取部分访谈内容如下。

当前提供对公信贷辅助风控工具

爱分析：目前誉存科技的客群定位是怎样的？

刘德彬：主要是在信贷行业，包括银行、非银的担保、融资租赁公司等。其中银行也是自下而上的，主要是跟省分行层面的合作。

爱分析：誉存科技提供的是风控系统服务，还是风控相关的辅助工具？

刘德彬：我们是风控相关的辅助工具，以前金融机构没有我们的产品，要靠人工线下调查、资料收集整理，凭经验判断。但现在情况越来越复杂，风险越来越多，我们为金融机构提供情报、线索、预警和指导意见，可以帮他们更好规避风险，所以我们定位是像GPS一样的辅助工具，帮助风控人员。

爱分析：主要提供数据类服务？

刘德彬：是的，传统银行对公业务偏重于企业的财务数据，包括企业的经营数据、纳税数据。但很多时候企业上交银行的材料是经过包装的，客户经理、风控人员还要通过其他材料认证。我们主要关注企业的行为数据，为金融机构提供风险线索。

爱分析：企业行为数据包括哪些维度？

刘德彬：主要是企业的外部行为，从企业地址的变更、股东的变更、业务范围的变化，到被起诉、偷税漏税或者是消防、海关发出的公告都会有。还有关联方的行为，比如企业在运营商那里的变化，之前有100台电脑上网，现在只有10台。

爱分析：誉存科技的产品能用于对公信贷的哪些环节？

刘德彬：贷前、贷中、贷后都有，贷前提供企业背景调查、企业画像、企业风险扫描。贷中帮金融机构把外部数据、非结构化数据处理好，在我们数据的基础上他们再做二次分析。贷后更是一个很大的需求点，很多机构之前重贷前、轻贷后，我们在贷后提供两方面，一个是监控、一个是预警。

贷后方面，银行可能给几百家企业放贷，如果靠几个客户经理贷后走访，很难覆盖。我们会监控企业关联方、上下游、股东、行业政策的变化。在此基础上，我们有智能化预警系统，把其中的风险事件抽取出来。比如某家企业出现变化，历史上发生相同事情的公司基本都会赖账，则提醒银行这家企业需要重点关注。

爱分析：贷前主要是企业反欺诈？

刘德彬：其实很多服务组合的，有企业报告、有反欺诈。

贷前的企业报告和央行征信报告不太一样，我们更关注企业的一些基本信息，比如有没有被人起诉，这跟启信宝、企查查差不多。但是我们还会进一步挖掘，比如我们跟运营商、银联合作拿到企业在运营商的数据、交易数据等。

反欺诈是另一个服务，把企业关联方可能隐藏的负面情况、风险情况一键扫描出来。比如我们一个客户准备放贷给A，然后我们在系统里发现A刚换了老板，这个老板旗下B公司搬家到新的地址，一模一样地址上还有一家C公司，是被法院判罚的老赖。我们能立刻发现这种情况，如果是人工去找则是大海捞针。

爱分析：贷后监控模型的迭代周期是怎样的？

刘德彬：全国公司注册的企业我们都有信息，其中挑出来500万家高风险企业，数据还在不断更新，每天有很多新的违约企业或者新的风险事件入库。数据入库后，模型以最新的数据学习和更新，基本上能做到每天有新的数据进来，每周有更新。

爱分析：企业风险、违约数据来源？

刘德彬：有合作伙伴反馈的，比如银行、担保公司、租赁公司；还有一部分通过爬虫手段在网上爬取的，比如债券违约信息，或者企业欠债信息。

爱分析：未来数据会成为一个壁垒吗？

刘德彬：我觉得未来数据不太会成为壁垒，我们更多的是希望从数据里面挖掘出价值，以报告的形式呈现。数据作为壁垒的价值不大，因为你能找到的数据其他人也能找到，没有谁是完全独有的渠道。

爱分析：如何向金融机构收费？

刘德彬：我们是按照SaaS年费的方式，根据服务范围也有不同。我们是一个大的软件，可以关闭一些监控选项，也可以增加很多节点，根据使用范围收费会有很大的差别。银行的话从十几万到一百万不等，担保、融资租赁等非银信贷机构一般在5万到50万之间。

爱分析：银行使用誉存科技的工具后，哪些指标会有明显变化？

刘德彬：主要是效率，特别是在贷后很明显。两三个人贷后就可以管理几百家企业，能够做到有针对性去调查，效率提升很明显。

爱分析：如何获客？

刘德彬：现在有几十家银行客户，获客分两部分，一部分是自己团队通过BD获客；另一部分是与合作伙伴联合销售，现在主要是中金支付、中国电信。

未来会深耕垂直行业

爱分析：目前是工具类产品，未来产品线上有何规划？

刘德彬：工具还是要继续做好，另外我们会在贷前环节再前进一步。现在我们只是初筛，发现哪些企业有很大风险，再往下我们会选一些垂直行业，要给企业做量化评级、排名。

爱分析：垂直行业量化产品类似于FICO分？

刘德彬：类似但是不一样，fico评分是通用的个人评分，能大致反映人的信用状况。但对企业来说，由于地区、行业、规模、业务的不一样，很难用一套分数或者模型衡量，比如不能拿重庆的一个酒店和北京的一个餐馆、上海的一个医院一起比较。

所以我们会在现在比较通用的产品基础上，在一些垂直行业深挖下去，根据行业和场景，增加额外的数据来做模型。

爱分析：如何选择垂直行业？

刘德彬：会按照银行的放款量去选择行业，以及我们的合作伙伴的需求。

爱分析：跟银联、运营商是怎样的合作形式？

刘德彬：我们跟中国电信、银联下面的子公司中金支付合作，他们先是我们的客户，再是我们的战略合作伙伴。我们之间有很多研究上的合作和数据上的合作，然后共同去做品牌、市场、销售。

爱分析：誉存目前团队规模多大？

刘德彬：现在全公司120人，研发团队近70人，BD团队约30人，其他还有市场、品牌等人员。