顾凌云在美国生活了16年，先后在知名金融科技公司ZestFinance、Kabbage任职，并担任ZestFinance算法模型负责人，领导开发了前四代风控模型，奠定了为没有信贷历史的贷款申请人进行信用评估的算法的基础，同时在算法方面获得了美国多项专利。

此外，顾凌云还是美国Turbo Financial Group联合创始人和首席风控官。在大数据的基础上，利用自己的核心算法为机构客户提供个人和企业的信用评估服务。

顾凌云可以说是精通金融、大数据和机器学习的行家。

近几年，随着中国金融业的发展，顾凌云发现与美国相比，中国在金融领域上的创新具有很大的发展空间，并且为以科技驱动的公司发展营造了有利环境。

2013年，他选择回国发展。

顾凌云先在IDG资本做了两年驻站企业家，观察中国金融行业。经过更深入的观察，他逐渐发现有一个极大的空白市场还没有人做，那就是独立的第三方征信平台。于是，在2015年，他创办了冰鉴科技。

在回国之初，顾凌云说服了14位美国同事一起回国创业，因此，冰鉴初创团队具备其独特的技术优势。而技术，也是顾凌云反复强调并引以为傲的地方，他认为冰鉴最大的特点，便是立足于技术，利用技术对小微企业和个人征信进行革新和改变。

近日，爱分析对冰鉴科技CEO顾凌云进行了专访，顾凌云博士在征信和科技领域经验丰富，兼具美国和中国征信经验，可以说是征信行业里的资深专家。

在访谈中，顾凌云博士从企业征信发展方向、企业征信技术优势、美国征信市场借鉴意义等角度，深入阐述了自己的理解和观点。现摘选部分访谈内容，与各位分享。

顾凌云

冰鉴科技｜CEO

小微企业征信护城河足够宽，可以兼容个人征信

爱分析：为什么选择从小微企业征信切入？

顾凌云：对于我个人来讲，企业征信和个人征信二者之间，并不是不可逾越或者不可互换的，二者之间是有方向性的，企业征信可以向下兼容个人征信，反过来个人征信无法向上兼容企业征信，这跟企业征信内在的逻辑有关系。

首先，做企业征信，一是要对小微企业的贷前进行风控，包括企业的税务、流水、经营状况等等；二是要对小微企业的贷后进行分析；三是对于企业法人和主要股东的征信，通常有些企业的实际控制人既不是法人，也不是主要股东，甚至没有出现在任何一个和企业相关的名目当中。

当然，冰鉴本身要解决的问题，也是一个从0到1、从1到8的过程，我们并不希望从0直接跳到10。因此，冰鉴在初期并不会过多关注边边角角的问题，或致力于解决所有问题，主要还是从企业征信的贷前、法人或者股东、贷后这三大方向来解决问题。

其次，从这三个方向来讲，企业征信自然而然就包括了个人征信，只不过它包括的是一个相对比较特殊的群体，或拥有企业，或部分参与企业经营的个人，但从理念的角度看，分析的方法论几乎是一致的，这就决定了企业征信可以兼容个人征信，并且，小微企业征信的护城河在技术门槛上面相对会更高一点。

再次，小微企业的数据源天然会形成一个壁垒，跟个人征信相比，企业征信的数据来源更多。然而数据源本身的质量会更加参差不齐，因此对它的清洗和要求都会更加高，也更加有挑战性。

最后，从市场发展、技术门槛和监管风险的角度来看，一是美国个人征信市场是三大巨头鼎立格局，而中国个人征信市场，在我看来，在5年之内一定会收窄成5-10家。同时，美国市场还有一个特点是，在主流征信局出现之后，一定会有评级机构出现，也就是以数据源为依托提供量化征信，但只是一个特定小方向的量化征信，中国也一定会出现类似的评级机构，并且应该是50—100家。

二是对于个人征信机构来说，所有的变量和维度都是高度趋同的，基本上是性别、年龄、学历等个人身份信息。另外，做好个人征信，更多的是行政、地推等资源和因素糅合在一起，包括是否能以更便宜的价格拿到更多的数据源，是否能保证用户的粘性。因此，从某种程度上看，对于个人征信，技术并不是门槛。

三是个人征信还可能具备高监管风险。未来监管会越来越严格，一定会以个人征信作为切入点，出于保护个人隐私的需要，个人数据的使用会逐渐常规化，很多个人数据将不能再使用。而这在企业征信中是不存在的，因为企业本身就是为公众服务的，比如不管上市不上市，企业的财报对某些机构来说就是应该披露的，从这个角度来说，小微企业的监管风险也远远小于个人征信。

所以这几点加在一起，对于我来讲，第一，如果做小微企业征信，并不意味着个人征信不能做，第二，从小微企业征信本身来讲，它的难度比较大，并不是所有人想竞争，就能竞争的，这就是之所以选择小微企业征信的原因。

爱分析：对比美国，邓白氏是美国企业征信领域的巨头公司，那么它有涉及个人征信吗？

顾凌云：这个和美国征信市场的早期发展有很大关系。大概在1840年到1860年，美国个人借贷需求的满足，往往是依靠社区银行或信用社，并不取决于大规模全国性金融机构的借贷，因此市场对于量化征信的需求并不明显。

但是相反，全国企业征信的市场需求就很大，因为往往地方融资不能一次性解决其融资需求，所以，全国银行对于企业借贷的需求强于个人借贷。这就是邓白氏存在的时间远远长于三大个人征信公司的原因，也是邓白氏上市时间早于它们三个的原因。

到了上世纪60年代，由于FICO出现，才使得三大个人征信局在搜集数据的前提之下，有了量化评估的可能。也就是先有了邓白氏对于企业基础事实数据的评估，再有了三大个人征信局对于个人基础事实的评估，然后三大征信局再把数据给到FICO，FICO量化之后再返还给三大征信局，才形成了一个泾渭分明的格局，征信局就是征信局，只做数据搜集的事情，FICO就是FICO，只做量化的事情。 

这种明确的分工在中国还没有出现，现在中国还会是做征信的想做下游数据的事情，做数据的想做上游征信的事情。这可能是中美之间会有不同的地方，但这在我看来，区分也可以是微乎其微的。

回到这个问题，邓白氏初期提供的是企业基础运营数据，而且因为市场对于个人征信需求不大，所以邓白氏在长时间内，一直没有介入到个人征信领域当中来。另外，美国相对来讲，比较信奉专业的人做专业的事，即使是三大征信局也会留出一些空间给FICO做征信。

所以从这个历史沿革的角度上来讲，邓白氏在早期没有切入个人征信，之后就没有切入个人征信的机会了，但这件事情目前在中国几乎不成立。

爱分析：您怎样定义“小微”？

顾凌云：“小微”有很多种定义方法，有以人数定义的，比如雇佣人数不超过50、150，或者200人；有以营收定义的，比如一年营收不超过3000万；还有以时间定义的，比如企业的存续期不超过3年或5年的，等等类似这样的。

对于冰鉴来讲，我们也会考虑这些因素，但不会把它们作为评估小微企业的主要标准，我们定义“小微”最重要的标准，是其借贷金额。

比如我们认为150万以下的纯信用贷款，往往只会是小微企业在做。事实上不能百分之百区分出来，但在实际的金融实践中，一般大企业是不会借150万的，所以自动就会通过借款金额区分开来了，而且这个区分相对来讲还比较有效的。

最关键的是，这对于我们后面的建模来讲是比较有意义的，比如说30万以上的小微企业借款所表现出来的形式，和30万以下的借款是完全不同的。

30万以上的，几乎都是以小微企业注册的企业为单元来进行借款；而30万以下的，尤其是十几万波动的，往往是以个人的形式和名义来借款，尤其是个体户、工商个体户，但也是为了企业的经营和发展来借款的。

这样相对来讲，就会以比较清晰的方式定义小微企业的借贷。因此，冰鉴并不去界定什么是小微企业，而是去界定什么是小微企业贷款。

爱分析：所以冰鉴也会覆盖30万以下借款？

顾凌云：是的，只不过是30万以下和30万以上，企业的表现形式、冰鉴的建模方法，以及对应的模型形态是不同的。

建立三级风控，解决小微企业征信难点

爱分析：相对于个人征信，小微企业征信的难点是什么？

顾凌云：举个最实际的例子，对企业网上的留存信息进行舆情分析，当然这件事情在企业征信和个人征信中都存在，但是企业征信更为重要。

比方说e租宝，如果只是简单将一个企业有没有被法院裁决、有没有上黑名单，来作为对于企业征信主要的判断标准之一，那么就会发现对于e租宝来说显然不合适，因为很多企业从基本面的角度来讲，已经处于出问题的边缘。

但出问题不意味着法院的审判已经进入到正规的程序，甚至进入也没有用，因为判决下来也要很长时间。另外，也不能因为企业被起诉就进入灰名单，因为有的时候可能是没有问题的，可是要等到判决结果出来，那就都晚了。

所以对于企业的舆情进行分析，就会变得比较重要，当然，这只是我们对企业进行评估的维度之一。

爱分析：那么如何做好对于企业的舆情分析？

顾凌云：对企业的舆情进行分析，是挺有技术难度的。首先，要做好自然语言处理，而这个首要就是分词，分词在美国比较简单，因为英文单词天然就是分开的，但是在中国就不一样了，到底是切哪几个汉字在一起，这样就是一件很难的事情，切出来以后还要把褒义的和贬义的分开，分完了还要再建矢量，再建模。最后才能决定一篇文章当中，对这件事情的态度到底是怎样的。

那么对于很多论坛平台的爬取，最终都是要通过层层递推的数据的清洗、整理、建模，才能形成最后在报告上简简单单的指向，也就是舆情分析这家公司目前到底是怎样的。但实际上，对应背后的技术积累是需要很长时间才能完成的。

同样，对于法院的起诉也是一样，并不是认为法院起诉这件事比较重要就可以了，还要看企业主或企业有没有法院的判决，等等。有些时候很可能一看有黑名单击中了，征信的结果分数就会比较低，也有可能对应的金融机构就不会放款了。

但仔细看来，还是因为颗粒度做得不够细，因为有的企业是由于劳动法的问题，比如说最低工资、职工退休金发放等问题，员工把企业告了，告企业就自动告到法人了，所以法人也受到牵连。

但这和法人的借贷、企业的借贷其实没什么太大的关系，这对于衡量整个企业的经营来讲，不能说没有影响，但是是微乎其微的，跟企业欠钱或者涉诉是完全不同的。而怎样能把这些因素有效细分到一定的颗粒度，并放到模型当中去，也并不是任何一家征信公司想做就能做到。

爱分析：企业征信的难点在于，相对于个人信息，企业信息是快变量，冰鉴是如何解决这个难点的？

顾凌云：具体体现在技术上，第一，如何处理稀疏数据，这在个人征信当中不难，但是在企业当中很难，因为很多企业受行业的限制，想完全采集到一个行业的密集数据，几乎是不可能的，所以，如何对这些稀疏数据进行有效处理和建模，就比较困难。

第二，如何处理缺失变量，通常大家比较简单的方法是，获取一百条数据，如果有一千个维度，其中可能不到30%的维度对应有数据，其余就会扔掉，但是这样就会发现只剩下一半数据，而这些也不能建模，所以得出结论这些数据源不可用。但实际上不是这样，很多缺失的数据都是可以通过一些技术方法解决的。

第三，如何跳出行业的分析，这也是为什么冰鉴想用金额来取代行业的原因。就是在借贷金额比较确定的情况下，有没有一些通用的变量，或者相对比较通用的变量，建立一个比较稳定的模型，来预测企业。

举个例子，行业再不同，只要使用POS机，冰鉴就可以进行集中建模，并不要求具体到一个特定的行业，就可以相对把很多原来不太能解决的问题，近似地解决掉。

其实还是回到一开始讲的，冰鉴不解决一个从0到10的问题，而是解决从0到8的问题。但是有些我们还是不能解决，比如说前面讲到的实际控制人，这个在企业的表象性上一点都看不出来。在这方面冰鉴就吃过亏，没有做好。

比较典型的例子就是，一个煤老板资金亏空很厉害，但是他拿出几百万让手下的人开10家餐馆，这对他十几亿的资金缺口来讲是没问题的。而这10家餐馆从法人、资金流、经营等各方面看都是健全的，如果这10家餐馆每家都借100万，那也是可以的，但一转眼就投到煤矿的黑洞里了，这种几乎是完全没有办法的。

针对这种情况，想要完全通过线上纯粹的小微企业征信建模，是不现实的，冰鉴会做成三级风控，来逐步解决这个问题。

爱分析：冰鉴的三级风控具体是怎样的？

顾凌云：一级风控，是只根据企业的名称，针对所有不需要授权的信息进行建模，给金融机构一个初步的白名单，金融机构也比较接受。以前所有小微企业都需要他们线下尽调，这也是为什么小微企业在银行的批准率不超过2%的原因。而我们把白名单给金融机构后，金融机构就可以筛选出一些较质优的，并进行简化的现场尽调，这样他们的资金借贷规模可以向下沉，避免大规模系统风险。

当然，目前在有些地方是不能实现的，但是比如在北京，告诉我要看东城区，冰鉴就可以自动在包含6600万家企业的数据库里跑一遍，把注册在东城区的企业全部过一遍，并给出一个白名单。

二级风控，我们对白名单里的部分企业发出邀请，有反馈回来的，便会要求其提供法人的身份证号码、纳税信息、银行流水、应收应付账款信息等等，根据这些信息会做二级建模。这在一定金额下，就不是白名单，是最终的借款了，也就是在一定的场景下，不用见企业就可以放款。这种一般在30万以下，有合作的金融机构已经这样做了，并且违约率很低。

三级风控，当借款金额比较高的时候，比如100万，不仅需要前面两步，我们还会让线下合作尽调团队一起完成，通过标准化的线下尽调流程，把尽调过程当中拿到的信息，放到冰鉴的模型里。

通过形成三级风控，当出现小微企业不同借款需求的时候，冰鉴才能更好地满足所服务的金融机构的要求。

冰鉴要做的是标准的SaaS平台

爱分析：您之前介绍过，刚开始冰鉴是想做纯技术，后来发现不做数据是不行的，那么对于冰鉴的定位是什么？

顾凌云：冰鉴的定位是跨领域的征信公司。我们是很想专心把一件事情做好，但在现阶段的中国是不可能的。因为有时候下游数据供应商提供的数据质量不高，往往根据一个标准卡号得出的结果是非常稀奇古怪的，即使经过清洗也没办法用，这就给我们带来了极大的困扰。另外，有些数据几乎是掌握在一些独有的资源方手中的，如果只是纯粹做技术是不可能的，不过好在现在的趋势就是要打通数据孤岛。

所以，对于冰鉴来讲，只有部分掌控下游的数据，才能把这件事情做好。 

我比较喜欢中国历史，举个例子，任何一个中国南方政权能够在南方长久的经营，一定不会是以长江划线的。最好的例子就是陈，陈之所以灭亡，是因为其在梁朝侯景之乱的时候，把所有江淮的领域全部丢掉了，只能以长江防线来防守，这是守不住的。也就是所谓的守江必守淮，想要控制住长江以南，就一定要把淮河和长江之间的领域控制在自己的手中，才有和北方讨价还价和拉锯的场所。

做征信也是一样，纯粹只是局限在技术领域当中，在美国是可以的，但是想在中国做好，一定要把自己的触角向下延伸才行，只有这样才能保证生命线不完全掌握在别人手上。

爱分析：冰鉴在数据清洗和处理方面的优势是什么？

顾凌云：主要有两方面，一方面冰鉴行业经验比较好，知道把数据处理成什么样子。比如，仅仅知道一个人在什么时间点搬家，把这些数据放到模型当中是没有用的，也不会认为这是个有效变量。但是，如果有经验就会知道，应该把所有这些时间连在一起求一阶导数，求完了以后看这个人搬家的频率是越来越快，还是越来越慢，而这个才是有用的变量。怎样把变量变成有用变量，是要行业经验加上技术，才能解决的。

另一方面，是我们对于大规模的数据处理，比较有经验，这点其实还是比较有难度的。可以处理16G的数据，并不代表也能处理一个T的数据，因为同样的算法做不了。比如使用阿里云，如果它最多给你128G，但是数据远远大于这个，不能一次性读到内存当中去，就意味着现在市面上所有的统计软件都是失效的，也意味着这些算法不能一次性把这些数据放到里面来算。

对于冰鉴来讲，我们会把这些算法单独重写，这样才会变成单线程事情来做。我们现在基本上所有的东西，都是我们自己重写的软件包。

爱分析：您之前提到过，中国还远远没有达到建模的阶段，具体怎么理解？

顾凌云：什么情况下需要建模，举个例子，天上有个隐形飞机，肉眼看不见，必须要用隐形雷达、多孔径雷达才能找到，这个过程就是一个建模的过程，也就是当用最原始的方法无法进行判断的时候，就可以做这件事情。但是在目前，中国还没到这一步，因为中国现在还处于底层数据的拼杀过程中。

合成孔径雷达要想做得好，前提条件是所有的器材和材料要能达到这一步，这就好比是数据源，在数据源都还不全的情况下，是无法做到建模的。皮之不存，毛将焉附？而且某种程度上中国往往是只要拿到数据源，就不用征信了，这还是强调数据源的重要性。

只有当数据源的重要性变得不再重要了，也就是当肉眼已经无法看到云层以下的飞机了，云层以上的隐形飞机才需要用技术来解决，到目前为止，中国还没到这一步，或者说只是刚刚才开始。

爱分析：对比美国的发展历史，是怎样解决这个问题的？

顾凌云：早期美国市场大概有两千多家征信机构，最后逐渐演变成3家大的、100多家中型和几百家小型的。主要的叫征信局，其它叫做评级机构、可替换数据源。原因就是所有的数据在最后一定不能成为征信的核心环节，因为数据本身最终一定会成为期货，是可以通过价格的调节和自由市场的配置来获得的，数据并不是一个行政垄断的稀缺资源。 

随着中国征信市场的开放，数据源会逐渐变成看谁能更便宜拿到，而不是你有我没有的区别。所以数据源最后一定会形成强强联合，征信机构也会变成越来越少，越来越强有力，越来越能占据市场，就像Experian、TransUnion和Equifax这样。 

但是以技术立足的征信公司就不太一样，更多是建立在数据源基础之上，对于那么多数据源，能不能判断出有没有用，能不能以更好的形式把不同数据整合起来，达到意想不到的效果，都是要依靠技术才能解决的，这才是冰鉴最基础想要做的事情。而获取下面更多的数据源，是为了保证在建模的过程当中，不受到数据的过多干扰。

爱分析：冰鉴未来的发展目标是什么？

顾凌云：冰鉴想做的是一个标准的SaaS平台。既然要做SaaS平台，对于我们来讲，就必须要有取舍，我们是把个性化建模放在次要地位，而把提供标准化产品放到一个更主要的位置上。也就是我们会更专注地以自己为中心，来发展市场上有最大公约数的标准产品。 

换言之，客户只要给一个冰鉴要求的输入，而且很少，例如身份证号码、手机号，冰鉴就能给到标准的输出。比如说，如果这个人是3千元的线上借贷，他的风控危险有多少；如果这个人是线下4万的现金贷，他的风控危险是多少。

只要有固定的输入，就会有完全不会改变的固定输出，当然这是指形式，分数肯定是会有改变的。总之，这种会成为冰鉴的重中之重。因为只有这样才能够快速发展，并且能够在极大程度上把其他产品带起来。

爱分析是一家专注于创新企业研究和评价的互联网投研平台。爱分析以企业价值为研究内核，以独特的产品形态，对创新领域和标杆企业长期跟踪调研，服务于企业决策者、从业者及投资者用户群体。关注爱分析公众号ifenxicom，及时获取重要信息。

读完文章，您有没有什么想聊聊？

或者您也是互联网金融领域的创业者，希望我们报道？

您可以发邮件至xuekaili@ifenxi.com

或者加微信号xkl1227联系作者。