銀行信貸業正被破壞性顛覆:大數據+機器智能學習
本文為 Lightspeed(光速創投)美國投資總監Jeremy Liew關于i黑馬之前介紹的大數據業務的進一步深入思考。此前,以linkedin創始人Hoffman為代表的投資公司Greylock提出了Web3.0是基于真實關系的真實數據的概念,而投資公司Accel則直接進行了數筆針對大數據項目的有影響力的投資。而光速創投的這位哥們則直接指明了“大數據+機器智能學習”馬上將破壞性的重塑銀行信貸業格局的方向。
初創公司其實是更想從銀行貸款的,但這在之前看來往往并不現實,具體原因就不再贅述了。但現在情況正在發生變化。現在企業成功獲得貸款的概率正變得越來越高。各種類型的貸款的范圍正在不斷的擴大。很多面向小企業的借貸正在蓬勃興起。這種被稱為“另類信貸”的信貸形式正在下列三個因素的推動下不斷繁榮:
1.在次貸危機之后,大銀行都收緊了業務。他們都變得風聲鶴唳起來。很多信用級別比較低的人基本很難找到銀行和傳統的貸款來源。
2.利率的大幅降低正在拉低具有“資本成本”優勢的大銀行對于創業企業的吸引力。
3.大量的數據來源和強大的大數據分析工具正催生出很多新的貸款數據模型。
Wonga就是一家剛剛興起的替代貸款的初創公司,《連線》雜志剛剛報道了他們在英國的成功經驗。他們利用海量數據挖掘和算法來做一些貸款業務。而投資機構Accel的Sonali De Rycker,也是Wonga的董事會成員,他介紹說:“他們大量的使用了社交媒體和其他的網絡工具,但這些都是絕對想不到的。而這正是他們的奇跡所在。”
問題的關鍵在于算法,它怎么把你的郵政編碼,你的車的顏色,你的按揭是多少,它怎么能將你這些碎片化的東西關聯起來。這些都是Wonga對于它過去客戶的各種碎片化信息的數據堆積和整理,這非常關鍵。在Accel在2009年進入Wonga董事會的時候,Wonga已經有了10萬個貸款案例。這10萬條數據信息不斷集成和歸類變成了一個日益增加的信息網絡。其中每個貸款人都擁有6000到8000條數據。
“你用大量的數據串成了一個故事。我們愿意為這些數據付費,因為我們需要它。我們可以通過上千種組合來判斷做某件事是對的,還是錯的。”
這些大數據,機器的智能學習支撐著像Wonga這樣的小額貸款公司發展的很順暢。但它的一些重要特點值得關注:
1.它的每筆貸款額度都很校太多的資金額度需要更多次的檢驗。對于它而言,做一些單筆的100英鎊的貸款比做一筆25萬英鎊的貸款來的更容易操作。
2.不良貸款會迅速暴露。Wonga的平均貸款周期為幾個星期。這能讓它迅速的迭代它的貸款模型。如果你的抵押貸款都長達30年那你可能就只能忍受時間的煎熬了。那它對于你模型的反饋和改進時間也會拉的很長很長。
3.違約率高。目前這種在發薪日貸款的產品形態還不是特別成熟。只要你走到一個發薪日貸款的店面前臺提供一個工資證明和一個駕駛執照你就能獲得一筆貸款。在這個市場上,它根本就不關心你的待遇高低工作好壞。
4.利率很高。這也使得初創公司在獲利的同時,也要付出很高的資金成本。這也使得大多數強調聲譽風險的大銀行和大的借貸機構都不愿意涉足這個領域。
正因為上述因素,Wonga建立了一個更好的數據模型來幫助判斷這些借貸者是一個好的借貸者還是壞的。這也意味著它可以比其他發薪日貸款廠商可以以更低的利率貸款。在這個市場上,價格最低自然會獲得借貸者的青睞,這就讓它迅速占領了大量的市場份額。但由于有良好的風險管控依據,它的利潤率上絲毫不會降低。今年,也是它誕生以來的第五個年頭,它獲得了5億美金的年利潤。
建立一個大數據和機器智能學習模型是很難的,也是昂貴的。你需要不斷的根據你的不良貸款的出現情況更新你的模型,以免在未來派發出去類似的貸款。但是機器學習的依據就是不良貸款,所以失敗的次數越多,你交的學費越多,同樣的你的模型就會越完善。Wonga剛開始做發薪日貸款項目時甚至付出了50%的違約率的代價,但是現在它已經成功的證明這個問題是可以解決的。當然了,Wonga不是唯一一個解決了這個問題的公司。以下是一批類似的“大數據+智能學習”的公司列表。
Wonga:次級貸款,無抵押,貸款給在英國的消費者們。目前正把業務擴展到更多國家。
LendingStream:次級貸款,無抵押,分期付款貸款,主要面向英國消費者。
Zestcash:次級貸款,無抵押,分期付款貸款,主要面向美國消費者。
Klarna:無抵押,貸款給歐洲的消費者,在歐洲布了一些點。
PawnGo:次級貸款,有抵押,貸款給美國消費者。
如果大家還有興趣,也可以關注下面這幾家公司。
Billfloat、Progreso Financiero、Capital Access Network、Kabbage、OnDeck。
這里有幾個關鍵要素:信用質量[subprime, near prime, prime, superprime, new to credit], 安全性[secured, unsecured], 貸款類型 [bullet, installment, line of credit], 貸款用途[bill pay, inventory purchase, general] 用戶類型[consumer, small business, large business] 以及地理因素等。
這幾家公司正在把這種復雜的商業模式變為可能。但他們只是抓住了表面。我認為我們在接下來的幾年里在這個領域里將會看到更多的創新點。
由于資本已經瞄上了借貸領域,所以這個領域里的初創公司們急需大的風險投資公司支持。數十萬美金的種子基金已經不足以證實或證偽一個新的借貸公司數據模型的演算能力。這就是我會對這個領域的破壞性初創公司情有獨鐘的意義。
好吧,光速創投的這位哥們很實在,最后一句話說的更實在。如果你想做一個“大數據”項目,那就“快速”的拿“盡可能多”的錢吧。這不單是“資金決定成敗”的問題,也是一個“時間決定成敗”的問題。沒有疑問了?趕緊行動吧!@i黑馬也在這里溫馨提示您,如果您覺得自己的“大數據”項目靠譜,那盡可能找這些對這個行業有感覺的VC吧,國內可能有興趣的VC有光速創投、IDGVC等。也歡迎廣大創業者和投資人在文章后留言進一步補充,我們也會實時更新。