上周五，百度公布了第四季度财报及2016年全年财报。百度金融作为百度公司的核心业务之一，财报数据备受关注，尤其是在2017年新年伊始就动作频频的消费金融业务——在2月连续召开战略合作发布会，相继牵手新华教育集团和爱空间，在教育信贷和家装信贷领域双双发力。
事实上，百度Q4财报显示，百度金融刚刚成立一年，就已经在各业务线取得了令人瞩目的成绩，消费信贷尤为亮眼。其信贷产品“百度有钱花”已在教育信贷占据了75%的市场份额，而在家装、租房等领域，百度消费金融也逐步深耕，与各垂直行业领军品牌深度合作，逐步挖掘行业消费场景。
场景化金融的设计降低违约可能性
什么是场景化金融?场景化，就是建立起一个封闭的业务链条，从业务程序上降低违约风险。举个例子：某学生想参加一个关于IT技术培训的课程，但是由于还没参加工作，拿出几万块钱还是比较困难的。这时候，金融机构推出一个基于场景化的借贷产品，金融机构借钱给学生交培训费，但不是发钱发给学生，而是直接替学生把学费交给培训机构，然后等学生结业后，培训机构推荐学生给用人单位，然后每个月从工资中扣除部分贷款和利息。百度教育信贷的B2B2C模式，正是通过这种设计做到资金闭环，专款专用。
这就是一个基于培训的场景化借贷金融产品，在这个场景中，学生甚至都碰不到钱。而且培训机构推荐学生给就业单位，保证了学生的还款能力。这样的场景化设计，大大降低了学生违约的可能性。
与此相反，什么是弱场景化信贷?
简单说，就是没有像上面例子有清晰的消费场景，借款人借了钱 ，你不知道他是去投资了，买股票了，交培训费了还是出去旅游了。
互联网金融服务的人群，从总体上讲，是银行服务不到，或者不愿意服务的次级客户。如果还是用之前的思维和方式去做互联网客户，总体的违约率必然要高。这已经是在实践中被证明了的。
人工智能帮助风控实现自动化审批
人工智能大概可以分为两类，一类是模仿人做的事情，比如图像识别;另外一类是做人做不了的事情，比如信用贷款的审批。由于需要在短时间内快速处理海量的数据，是人脑是无法完成的。因此，人工智能技术天然适合应用于金融产品。百度的人脸识别技术准确率98%，这个识别度远远高于人的肉眼。人脸识别技术目前已经应用在百度金融远程申请贷款的过程中，能够帮助用户有效防护身份被冒用的风险。基于图像识别、数据风控技术，百度的教育信贷产品的审批过程无需人工干预，速度甚至可以达到“秒批”。
消费金融大数据：BAT各怀绝技
欺诈、多头借贷、用户失联等是消费金融发展面临的最大的几个挑战，BAT的大数据在应对上述挑战中，各有独到之处。
阿里、京东的电商数据，应用到金融最容易，但很大比例是自己闭合生态圈的数据，离开自己的生态圈就难以应用;腾讯的社交数据对于欺诈分子的关联探索，可以帮助做反欺诈。同时，相同群体的经济水平，可作为还款能力的指标，这是腾讯优势。
不同于阿里，京东，百度面向的是全网用户，我们知道，只要上网，一般都会用到百度的搜索，从这个角度来说，百度的数据维度，超出了其它几个大的平台，更具有跨平台性和通用性，覆盖了95%的网民行为;百度的日搜索超过100亿次;百度旗下的APP，有14款超过1亿用户，另有8亿+的移动设备安装了百度的产品。基于这些原始数据，百度用各种算法，提炼出上万维度的标签。一个很好的应用场景是识别多头借贷。传统手段获取的多头借贷数据一般是在贷款成功以后，具有滞后性。通过对互联网行为数据的分析，比如监测相关设备ID在哪些借贷网站上进行注册、同一设备是否下载多个借贷App,可以实时发现多头贷款的征兆。
为检验百读数据在风控模型中的有效性，前SAS中国技术负责人、北京大学客座教授刘时斌曾用百度的大数据在一款小额现金贷产品上做过数据验证。
没有添加百度数据时，C值仅在0.59， 模型的区分度有限：
(Figure 1 非百度数据建模效果)
添加百度数据，用同样的方法建模后，C值提高到了0.69，效果明显，模型达到了可用的效果。
(Figure 2添加百度数据的建模效果)
从实际验证效果看，百度的互联网行为数据，对于线上快速放贷的小额现金贷客群匹配度很高，其中某些标签对于判定客户是否违约的效果显著，有效的提升了模型的指标，达到了商业可用的效果。
虽然也在争取更多的数据维度，但和百度的基因不同，积累的历史数据不同，它要建立跨生态圈的信用评价体系，还需要很长的路要走。但百度不同，一开始就是跨场景数据。
金融产品的竞争归根到底是数据的竞争。腾讯现在对金融业务相对保守，阿里现在也在争取更多的数据维度，例如，将芝麻信用打造成一个开放平台，但和百度的基因不同，积累的历史数据不同，它要建立跨生态圈的信用评价体系，还需要很长的路要走。而百度一开始就是跨场景数据，这位百度未来的金融生态发展站得先机。
不可否认的是，百度自身生态中的消费场景并不强，但百度金融通过合作获取场景并设计相应的金融产品，这为场景匮乏的企业开拓消费金融业务提供了样本。
