对于风控来说，风控所采用的技术不是万能的，风控必须与业务结合。我们看中的不是如何应用技术，而是如何找到适合的算法与技术应用在场景里面，这个技术不一定要非常高大上，只要能解决实际的问题就最好。6月12-14日，为期三天的“2019全球新经济年会”在上海长宁世贸展馆顺利举办。本次大会由上海市经济和信息化委员会、上海市商务委员会、上海宁区人民政府指导，上海宁区青年联合会、亿欧公司联合主办。6月14日，金融科技峰会隆重召开，与会嘉宾在“开放”、“场景金融”、“产业互联网”等方面的思维碰撞为科技创新企业探索金融科技赋能、落地业带来了极具价值的参考。
品钛首席科学家任然在会上发表了精彩演讲。以下是演讲实录：
任然：大家下午好，我是品钛的任然，以前我在国外的工作(编者注：Capital One)，现在也算半个互联网人，我的专业是互联网计算机，在公司主要负责数据和模型体系。过去几年金融科技的发展给了我们一个很大的启示：金融的还是应该回归金融，科技的还是应该回归科技。科技金融公司不是传统金融的颠覆者，而是一个合作者。
品钛从成立起定位就To B服务，于2018年在纳斯达克完成上市。所以在这里想跟大家分享一下我们在金融科技的实践和看法。
品钛的商业模式叫做“SaaS+”的服务体系。其实很多传统的IT或者软件公司，更多的是提供SaaS服务。但品钛希望做一个SaaS+的服务体系，不仅为金融机构提供系统服务，还有一系列的增值服务。
从SaaS的模式来看我们提供云端的金融产品，主要是聚焦在两方面，第一个是智能信贷，第二个是智能财富管理，也就是是智能投顾、智能投研等产品。因为从传统意义上来说，消费金融或者是智能金融可以分成信贷、理财、保险三部分。品钛也在做一些保险的事情，我们有一张保险经济的牌照，公司的布局也是在这三个方向上布局。
从金融机构的角度来看，我们跟金融机构合作的时候有几个痛点
另外一方面，我们提供增值服务，主要指哪些呢?：
第一，流量来源。
是不是可以从线上获客等。但是其实获客的途径不仅是线上，也有一些线下、互联、APP等。
第二，决策支持。
讲大数据或者人工智能的智能风控或者智能投顾、智能投研等。我们也给金融机构提供智能语音、智能算法分析得出的波动和资产走势预测，也给提供的决策支持，帮助他们决策，不管是信用评分还是决策支持的形式进去。
第三，联合运营
很多金融机构对某一部分业务开始做的时候不是特别有经验，而品钛已经服务过很多金融机构和场景，可以快速地帮金融机构进行联合运营，主要是采取类似于分润的模式去做。
第四，咨询。
跟联合运营是一脉相承的，我们从轻到重，从金融产品到增值服务，我们希望提供全链条金融科技的解决方案。我们经常讲一句话“总有一款适合你”。
我的背景也是，公司很多人也都是从出来的。我们认为我们是实战派，品钛围绕着借贷和理财这两个方向，从一开始就有很多的决策辅助、智能风控的业务，我们服务了的金融机构累计100多家，个人用户累计撮合放款550万左右，小微企业50多万家，一些数字就不详细说了。
今天的议题是开放，开放其实从的视角我们听到很多。从科技金融公司的角度来说，我们帮助的工作主要是三类，第一个是数据风控，第二个是流量，第三个是如何高效落地。
对于风控来说，风控所采用的技术不是万能的。风控必须与业务结合，这是我的体会
我在工作的时候比较有幸既做过风险又做过业务，业务和风险在里是不可分割的部分。。
我提一个观点，我们现在讲的贷中，不能叫做贷中，应该叫做贷时，这个时候用户已经来了。我认为，应该把风控前置到获客端。
我们做风控的时候也是所谓经典的贷中、贷前、贷后这三个方向。
除此之外，不同的金融机构也有客群偏好。怎么样给金融机构获客，怎么样为金融机构提供想要的客户是我们的优势。
贷前的工作有很多，并不是简单地把系统植入到场景、植入到APP，背后还有很多数据开发、数据清洗、数据治理，包括用户筛选、精准获客等环节。比如白名单授信，就是经典的贷前。风险定价是我们给金融机构建议给这样的客户什么样的价格和额度。还有反欺诈，我们也在做一些技术输出。
贷中是非常关键的，过去互联网金融的互联网属性很强，如像借呗、花呗这种传统的To C模式，但是互联网的逻辑是不一定非要赚钱，还需要烧钱，把用户先获客获进来，慢慢转化从而获取更大的价值，这两种思维应该是相互融合的
贷中是用户的还款管理、额度管理、交叉营销、用户退出、盈利管理。。用户的贷前，比如说用户第一次在你这借贷的时候你不一定赚钱，但是你怎么样通过贷中的运营客户使得其价值最大化，也是我们擅长的一个领域。
贷后是一些催收，或者是SIM卡、用户风险指标监控、模型优化。举一个我们自己做的例子，一个金融机构与我们一起做定制化模型通过我们的迭代可以提高金融机构的模型效果到40%左右。
翻开任何一本讲机器学习的书，第一章就是逻辑回归，不同的算法用在不同的领域有不同的效果
我们虽然也会用很多复杂的机器学习算法，但我们不会强调高级算法的高级效果。。
还有一个是深度联运的例子，我们当时做的时候风险事件大概8000件的测试样本，在保持高件均的同时，通过使用我们的产品之后风险同比下降9%，一个月的损失减少420多万。
我之前在国外做模型，最后高手拼的是刀尖上的东西。你的模型比别人好5%、7%，听起来没多少，但是体量大了之后，减少的都是上亿，上十亿美金的量级
第二个部分是流量
流量其实是一个多元化全场景的适配。我们的商业合作机构比较多，品钛有一个很大的流量入口，我们更多是跟商业合作机构，有很多电商，并不是只有阿里、京东，社交平台也不只是微信。，这些合作伙伴也不小了，也是头部的企业比如我们的合作伙伴有携程去哪儿唯品会等等，我们可以帮助他们做金融服务，甚至我们不一定要露出品钛，而是帮他们实现流量变现或者销售额的提升。
品钛连接的另一端是我们的合作金融机构，品钛的名字在英文里面就是芯片的管脚(PIN)，我们希望能做一个金融科技的芯片，把左手边的流量和右手边的资金做适配和对接。
流量运营的学问有很多，包括怎么样对接等。的金融机构和场景方都很多，怎么保证他们高效的对接?包括刚才说的流量运营，怎么样帮他做存量的转化，甚至自建品牌?我们跟流量方合作的时候，并没有把品牌露出，更多的是帮场景方开发他们的场景，提供一个解决方案。
最后是高效落地
很多人写文章内容大同小异，但是有一句话叫“做过业务才知道痛点在哪里”。我本人是做模型和机器学习出身的，很多同事是做金融产品出身的，在这中间我们非常知道的痛点在哪里，更理解金融机构的痛点。
做模型基本上花80%的时间在数据上，怎么把数据进行规整的清洗、留存、版本迭代、共享，有的人要基于流水衍生的变量，另外的人又衍生了另外的变量，很多工作是重复的，大家都有共同的想法。
这是一个品钛全部SaaS的图表，我们起了一个名，叫指标工厂、决策引擎、决策支持、智能催收、资产中枢、Plus咨询。
但现在很多时候我们看到，不仅是，在很多科技金融公司里面，其实都没有做到非常好的指标管理，很多人都是拉个表格
。我们专门做了一个工具和平台，帮助金融机构管理他们接入的数据和指标，以及指标之间衍生逻辑，包括怎么样衍生的、谁衍生的、什么时候衍生的等几个版本。这是特别小的创新，我们叫做微创新，但是确实是有这样的诉求。
决策引擎大家都在谈，做决策引擎的在不下几百家，后面我会讲为什么我们的决策引擎是有优势的。决策支持更多的是轻组建、API形式，不管是数据产品也好，研究报告也好，都是比较标准化的。我们希望产品能够服务更多的金融机构。
智能催收系统、咨询服务是我们的链条。这些都是可以模块化输出的，通过组件化我们可以实现拼积木，缺什么就买什么，非常快就可以上线。我们也会有一些定制化，但是在做定制化的时候，是基于这个模块灵活去调整，所以上线时间、交付时间也比较短
我们还有资产中枢。管理资产就是ABS，做金融机构ABS的平台。。
刚才讲的决策引擎，我就不展开说了，大体功能差不多。从决策引擎的角度来说，现在很多的决策引擎是同质化的。现在我们做非监督的模型，或者做机器学习的模型。模型很复杂，很多是模型团队、数据团队把模型做完，给到科技团队实施，再给到厂商实施。对金融行业来说这个过程是非常慢的，模型做出来只要2-3天，因为机器学习很多时候是可以自动化的，但是上线模型却可能需要6个月甚至更长的时间——这时的模型已经不够有效了。
我们在这里面做的事情，就像一个简单的机器学习模型的外挂，不管已经用了哪一个厂商的决策引擎，不管什么算法，品钛都可以实现非常快速的模型部署和上线，模型做出来上线只需要半天的时间。我们跟交流的时候，他们的技术团队、科技团队很喜欢这些模型，这可能不是一个很大的系统，但是确实能解决需求和痛点。
指标工厂是我们数据接入的数据指标管理工具，其实应该有更好的Demo，时间有限我就不展开说了。资产中枢刚才也提到，主要用于用户的资产管理、资产管理账户系统、用户管理、资产证券化ABS等包括BI的统计报表，这一部分是我们认为比较大。
我们可以提供智能催收系统。催收系统也是比较同质化，我们的催收系统是被人工智能赋能，会把一些数据的能力放进去，在做催收的时候其实你会更多的知道这个客户的催回概率是多少，应该怎么样催收，制定什么策略。我们每个单子都会给一个建议。
一个服务B端的企业，需要让复杂的科技系统，具备很高的可视化程度和可操作性
很多、金融机构里的不管管理层还是领导层，都需要一个实时管理工具，包括大、中、小屏。大家看图，其中小屏就是手机APP，我们会提供APP给他们看资产表现、KPI，大屏、中屏显示在端，驾驶舱一样的可视化进程，让人用起来很简单。这些虽然看起来比较标准、简单，但是我们都会提供。
在开放路径之中，与之间、与商业场景之间的互联互通往往需要一个中间方，起到技术支持、流量筛选、差异化运营等作用，而品钛作为金融科技解决方案提供商就起到了这样的角色。