春天里的B端金融科技，如何打好服务小微持久战？

解决小微企业融资难是一场持久的攻坚战，给小微企业“解渴”，金融科技公司的注入无疑是一股清泉。

用科技手段赋能小微企业，把服务下沉至更加小微的商户，这是金融科技公司常常谈到的业务本质。国家金融与发展实验室理事长李扬曾表示，金融科技应当朝向解决传统金融解决不了的领域发展。

最新发布的《中国金融科技运行报告（2018）》中强调，金融科技创新要在安全稳健的前提下,突出“服务实体经济”。那么，在创新技术和模式过程中，金融科技公司能否贴合场景，持久的为小微商户服务？

小微企业信用评估靠什么？

在借助科技手段，解决小微企业经营规模小、缺乏合格的抵押物等痛点后，信用评估成为金融科技公司为小微企业提供服务的关键。

To B端金融科技业务模式有多种，其中包括通过数据对接，获取交易场景和核心数据，利用科技手段，为小微企业服务。

比如电商平台，具备交易、物流、评价等数据。“有的公司会使用线上+线下数据结合的方法完成信用评估，我们更坚持线上数据驱动。”宜信普惠商通贷总经理孙萌对野马财经表示，数据对接是金融科技公司服务小微企业的核心。

与线上数据相比，线下收集数据，时效性较差。而且在线下数据采集的过程中，无法保证数据的真实性。那么，仅依靠线上数据，如何为小微企业做信用评估？

以电商数据为例，小微商户在平台上的经营情况，包括销量、物流、退换货比例、店铺评价等可以作为信用评估的基本要素。“在电商平台开店卖过多长时间，客单价与同行相比处于什么位置，是否形成品牌，退货率如何等等，都会影响到对商户的评价。”孙萌告诉野马财经，经过评价后，商户的评分越高，越有可能获得高额度授信。

早期看到了这些数据价值，商通贷对接eBay、亚马逊、淘宝、京东等电商平台。而使用电商平台的经营数据痛点之一，是刷单问题。孙萌告诉野马财经，主流电商平台采取措施处理刷单商户，也让其平台数据规范化，成为风控可用的。

再比如，过去小微企业经营数据没有云化，整合这些企业的数据是一项庞大的任务。经过SaaS化进程，云端化的数据会帮助验证其有效性，帮助商通贷这类普惠金融业务找到成长模式。

换言之，丰富的线上数据是金融科技企业开展信用评估的基础，而拥有官方数据授权则成为平台的优势之一。

数据授权是核心竞争力

“2015年到2016年，我们主要做电商行业，商业假设基本上已被验证。从2016年底，跟畅捷通达成合作以后，我们开始通过数据去做其他行业小微企业的信贷服务。”

孙萌透露，eBay最初与银行合作，后来选择金融科技公司，原因之一就是给更小微的商户提供金融服务。

这也给商通贷这类金融科技公司获取数据开放了官方渠道。

中国信息通信研究院安全研究所发布的《2018年大数据安全白皮书》指出，大数据应用场景下，无所不在的数据收集技术、专业化多样化的数据处理技术，使得用户难以控制其个人信息的收集情境和应用情境；企业间的数据共享日益频繁，利用大数据的超强分析能力对多源数据进行处理，导致现有数据脱敏技术“失灵”，直接威胁用户的隐私安全。

但是，通过官方渠道，首先平台本身保证其数据安全规范，且经过用户授权。其次，通过API的数据无缝对接方式，商通贷可以为合作伙伴以及客户快速准确地实现数据实时信用评估。其也凭借模式创新，获选《亚洲银行家》的“中国最佳API产品项目”，也是唯一一家获奖的非银行机构。

“我们经过了国家的信息安全存储认证，对数据库存储、使用权限也有相应的规定。”在数据安全方面，孙萌告诉野马财经，商通贷一直以行业中的高标准在运营。

与官方合作获取数据，一定程度上保证数据有序性、集中化以及互相可验证，进而帮助这类普惠金融业务找到成长模式，不断完善风控模型。

行业重视研发创新

金融科技企业完善风控模型，将其跨行业、领域应用，需要创新。

商通贷将最初与电商平台合作的经验，应用到其他领域，并融入行业数据，建立风控模型。孙萌告诉野马财经，离开电商以后比如进入餐饮行业，从行业特点入手，计算成本收入比、客单价等，在原有针对电商的模型基础上，把电商特殊的属性、指标拆分，用餐饮行业通用的指标试跑。等到模型成熟，再把数据纳入进来驱动，形成新的模型。

“我们去分析没有还钱的人有哪些特征，把这些特征用来做风控的模型，然后进行测试、优化、迭代更新。”她补充道。

《金融信息服务蓝皮书：中国金融信息服务发展报告(2018)》统计，该行业中，企业研发支出占主营业务收入比重在2%以下的数量，仅占6.36%。投入超过6%的数量，达45.45%。

蓝皮书对京沪杭部分企业进行调研发现，其中金融信息服务企业普遍对大数据、人工智能、移动互联网等信息通信技术，是投入研发力量较多的领域。

在孙萌看来，金融科技领域的技术创新似乎没有很多黑科技，听起来没那么令人激动兴奋。行业需要耐心去处理复杂的交易、清理数据。“我们的客群与传统银行客群不同，需要把金融属性强的数据跟稍弱的数据结合，比如社交、学历、社会关系等。用机器学习的算法结合建模，需要对模型的分拆组合结构做非常多的考虑。虽然不及搜索引擎广告推荐的数据量大，但是决策的准确性一定强于它。”