想要真正理解科技金融，有一個特別好的角度，就是看，把螞蟻金服搞清楚就是了解科技金融的突破口。

一、新物種：螞蟻金服

不知道有多少人知道螞蟻金服，但是一定沒有人不知道支付寶。你要知道，支付寶不是阿里巴巴，而是螞蟻金服旗下的產品。

螞蟻金服是阿里巴巴的姊妹企業，也是阿里系裡面衍生出來的一家超級獨角獸企業。它的估值是多少呢？是Uber加上滴滴的估值的總和。你熟悉的阿里系金融產品，支付寶、餘額寶、螞蟻花唄、相互保、芝麻信用，全部都是在它旗下的。這個企業在科技金融領域具有標杆性的地位。

第一，它的業態之複雜，產品之豐富和演化之動態，特別地具有科技金融這個新物種的特徵。

第二，它已經具有一個超級平臺的規模。比如說在全球的科技金融企業排行榜上，連續三年是第一的位置，而且相當於後面幾家企業估值的總和。

請注意，我們在這裡的用詞是“物種”。

也就是說，它的變化不是預設的，而是資料驅動的自我迭代。所以，你也沒辦法界定邊界，更不可能給它一個結論性的定義了。

其實，這也是科技金融這個領域現在的難點之一。

那麼我們到底該怎麼樣理解這家企業呢？如果一個詞來對它進行定位，可以叫做“資料驅動的金融平臺生態”。

“金融”很好理解，那麼“資料驅動”和“平臺生態”這兩個詞，則是它和傳統金融機構的分野之處。

接下來我們來分析一下第一個詞“資料驅動”。

二、資料驅動

螞蟻金服做的是資料驅動的金融服務業。傳統金融機構是使用資料進行分析、決策的金融業務。

請注意用詞，一個是“資料驅動”，一個是“使用資料”。這之間看上去有點像，對不對？但實際上完全不同。

有這樣一個例子，在浙江有一家很不錯的地方小銀行，泰隆銀行，它和螞蟻金服一樣，一直都做的是小微企業的貸款。其實泰隆銀行在很長一段時間裡，業績都很出色，而且風控也做得很好，壞賬率很低。要知道，這對於高風險的小微信貸來說，那是很難的。

那麼泰隆的經驗是什麼呢？它就是實地收集關於這些企業的一手資訊。

比如說吧，要決定是不是給一個小商鋪貸款，它會派一個專門的信貸員去蹲點，不是一天、兩天，而是相當長的一段時間，觀察和記錄商店的客流量、交易金額、服務態度，還有貨架上的品種豐富度，然後根據這些資訊，作出是不是貸款、貸多少額度這些決定。然後在放貸之後，信貸員還會跟蹤這個商店生意的活躍程度，然後及時地進行跟蹤反饋。

所以，這就是典型的“使用資料進行分析，支援決策”的案例。

好，那麼螞蟻金服是怎麼做小微企業金融服務的呢？它旗下的螞蟻小貸就是幹這個事的，但是它的業務順序是倒著來的。比如像泰隆銀行是有貸款需求了，就去收集資料進行分析。但是，當時螞蟻小貸為什麼會產生呢？是因為當時淘寶店家有很多融資需求，然後淘寶店家就去找銀行合作，最後發現沒法做下去。為什麼呢？因為這些企業規模這麼小，融資額度又低，還沒有抵押品。按照銀行的術語來說，信用資質真的是不好，根本過不了銀行風控體系的關。淘寶就自己開始琢磨一套給這些小微企業貸款的流程。

那它的最大的武器是什麼呢？就是資料。

我們知道，淘寶做的是電子商務，所以這麼多年下來，淘寶店家在平臺上留下了所有的交易記錄。像泰隆銀行花力氣收集的那些流水、活躍度的資料，對淘寶平臺來說都是現成的資料，而且資料量要豐富得多。所以，它就開始按照自己對這些店鋪的理解，給它們貸款。

好了，最有意思的地方就在這裡了。經過一段時間之後，這些貸款的行為又成為了新的資料，因為淘寶可以從中分析出店鋪特徵和違約率之間的關係。然後它發現，傳統金融的風控體系真的是很難覆蓋這些小微電商。

當時它發現，影響違約率有一個重要指標，旺旺的活躍度，也就是店家響應買家的速度。長期“剁手”的同學，尤其是女同學，估計現在已經馬上反應過來了，說白了，就是在品質類似的情況下，它會決定你對店家的黏著度，這就決定了店鋪未來的銷量，未來的現金流。

而且這個迴圈在這裡還沒有結束，使用螞蟻小貸業務的這些店鋪的還款記錄，甚至是很精細的還款時間，還款額度都留存在淘寶平臺上，又成為這個資料池的一部分，進入螞蟻小貸的貸款模型。這些資料都是實時線上的資料，在模型中不斷迭代，然後再支援著下面的決策。

好了，現在估計你已經發現了，這種模式和上面泰隆銀行的那種信貸模式，看上去都是使用了精確的資料。但是，實質上很不一樣。為什麼呢？在這裡，資料才是主體，一旦模型和演算法確立下來，就像有了生命——資料就是糧食，不斷地餵養著這個模型演算法的生物體，然後讓它越來越具有自主決策的能力，讓資料說話，這才是資料驅動。

人在這個模式裡面的作用，主要是除錯模型，優化演算法。你既不參與資料的收集、整理，也不參與決策。

再舉個例子，比如保險。女生買東西的時候，經常會有運費險、退貨險，這一點熟悉電商的同學，長期“剁手”的同學會深有體會。如果一個東西不能夠輕易退換，就會很大程度降低你的購買意願，對不對？那麼螞蟻金服旗下的保險產品就是針對這個來設計的。因為並不是每個人都會退貨，也不是所有的商品都會退貨，退貨的難度也不一樣。那麼，這其實是個概率問題。所以，這種保險產品上線以後，它的結果也是同樣的，迅速地形成了新的資料，然後變成了一個決策的閉環。什麼產品退貨率高，高多少，男性還是女性更喜歡退貨，哪個地區的退貨率高，哪個店的退貨率高，甚至高到多少，這樣下來以後，保險合同可以變得極為精準和個性化。那麼對於螞蟻金服來說，風險也變得更低。

一旦模型演算法確立以後，覆蓋和服務新使用者的成本就變得極低，新使用者的資料又沉澱下來，就變成這個資料驅動決策閉環中的一環。

我們經常使用的螞蟻花唄、螞蟻借唄，背後的邏輯都是一致的，是資料驅動的金融服務。

三、對傳統金融模式的降維打擊

所以說，所謂資料驅動，並不是簡單地收集和使用資料，在這個語境下資料是基礎，但更重要的是動和驅。所謂動，也就是資料得是活資料，而不是存在硬盤裡的一串串數字，是實時線上，能反映那些被服務者的動態變化的資訊。那驅是什麼意思呢？驅就是決策，比如說是不是提供借貸保險等金融服務，怎麼服務，服務費用是多少？這都是資料和演算法決定的。決策是資料累積，交易場景，到演算法優化這個閉環中間的一個部分。所以，在決策的過程中，人是不形成干預的。

這樣的模式，和傳統的金融模式就有了本質差別。

第一，精準度有了質變。資料驅動的最大優點，是實時動態捕捉服務物件的變化，進行迭代優化，這就使得風險下降。

第二，高度標準化。使得服務規模擴大，成本下降。

第三，外延的空間擴張。這點非常重要，資料在閉環中不斷地沉澱，就使得資料變得越來越智慧，也就具有了更多業務模式擴張和創造的可能性。

所以，在這種情形下，你會發現，這種資料驅動的金融服務，相對於傳統模式，確實是一種降維打擊。在未來你可以想象，任何想向FinTech轉型，或者想進軍這個領域的企業，必須採用這樣的業務模式。