视野金服刘雨濛：金融大数据如何助力金融机构在一级市场高效挖掘客户

进入2018年，金融科技行业发生了一些新的变化，从P2P机构的备案登记，预示着监管日趋常态化，这也是行业正本清源的开始，是价值发现，去杠杆、严监管、重风控下的金融科技重塑。

4月26日，融资中国2018（第五届）金融科技创新峰会在北京四季酒店召开，此次会议紧扣政策热点，面对行业难点，来自政府部门、行业协会、研究院所、金融机构、金融科技公司、互金公司、区块链技术公司、区块链应用公司以及数字加密货币相关公司精英齐聚一堂，共同探讨了金融科技企业的融资与并购，金融科技、供应链金融与新技术融合的市场空间及未来发展方向。

会上，视野金服CEO兼创始人刘雨濛发表了题为·的主旨演讲，刘雨濛认为，一级市场金融机构人士在工作中所应用的金融科技很显然还是相对落后的。从业务挖掘到开拓客户需要凑的数据太多，如果市场能提供一种金融科技产品，帮助他们解决数据的搜集与筛选，行业的整合与对比，在AI实现之前，将极大提高工作效率，减少时间人力成本的投入。

以下为刘雨濛演讲实录：

刘雨濛：大家好，我是视野金服CEO兼创始人刘雨濛，这次受邀过来做一个简单的分享，我们也算是金融科技公司的从业人员，但我们不像投资机构或者研究人士，站在比较宏观的理论高度。我将更多的从业务实践过程角度做一些分享。

先简单介绍一下视野金服，视野金服成立于2015年，主要服务于投行和投资领域。我们主要服务于应用场景，依托互联网手段，深度理解用户需求，对数据处理和加工。我们的业务不像各位投资人提到的那么被大众所熟知，而是选择了比较偏门的领域。另外还有一批比较有实力的投资机构在帮助我们，管理人是清华控股下属的VC投资平台清控银杏，另外有首创证券和杭州银行作为投资方。

我们现在拥有的金融机构付费客户已超过上百家，各种银行都有，还包括证券、市场化FA；甚至在政府招商领域也有涉猎，包括前海管委会等；另外，融资中国也是我们的客户。

我个人是金融机构出身，原先在中金公司投行部做了近十年，我分享一下在市场细分领域里我们所能提供的价值。整个资本市场大概从股权、债权到收益权都有一级市场和二级市场的划分。在二级市场金融科技早就在利用了，量化已经应用多年，所以二级市场一直都是比较领先的，相对来说，一级市场有点像原始社会的状态。我从事投行多年，过去十来年所做投资业务都是单一的，导出一个数据表格，这是一级市场人士认为信息化跟科技沾边的地方，大家在工作中所应用的金融科技很显然相对还是很落后的。

我个人理解金融科技在一级市场领域，大概有两个纬度，一块是风控管理，一块是业务挖掘和客户管理。现在已经有相当多的公司在应用金融科技手段进行风控管理，包括大数据挖掘及预警系统，尤其银行运用的比较多一些，许多公司在这做这块。视野金服选择了一个细分的市场做业务挖掘和客户管理的应用，这个细分市场的金融科技公司也相对较少。

大家可能会问，为什么业务挖掘和客户管理应用就比风控管理公司要少呢？我认为有两个原因：第一，做投资PEVC、券商银行、信贷管理，你想投一个公司需要凑齐99个理由，否决一个公司只需一个理由，而从本质上来说，从业务挖掘到开拓客户需要凑的数据太多了，从而导致做这块应用的科技公司相对较少。

第二，作为业务挖掘和客户管理的公司，需要对与金融机构业务的理解深度远远超过风控，现在很多做风控的科技公司可能它的团队背景更多是数据专家或技术专家，并没有金融从业经验。本质上风控只要找到一个理由驳回，这个相对来说是容易的，对于业务的理解层面并不需要特别深入，但是做业务挖掘就要了解金融业务的本质和场景需求，这个难度会大一些。我们更专注的在做业务挖掘和客户管理，相当于在啃硬骨头。

在业务挖掘和客户管理场景里边，视野金服有四个服务场景。无论PEVC，还是券商做IPO业务，以及做公司银行信贷，工作场景大概就是这四类：搜索标的找寻这个公司和客户；第二，找到以后对比参考，做一级市场，你看到一家公司收入是两个亿，净利润是五千万，你无法判断它是否为一家好公司，你必须把它放在整个行业中对比去看；第三个就是行业研究，大家非常熟悉；第四，辅助信息，你做投资决策和业务决策时，除了公司本身信息之外，需要多个信息进行辅助决策。

在四个工作场景下，这些金融科技和金融数据，如何提高一级市场金融机构人士的工作效率？首先说客户搜索这块，视野金服目前主要从事数据的整合推演和清洗。刚才论坛嘉宾说的特别好，每个投资机构都想获得一些独家数据，辅助进行投资的决策，愿望是好的，但很可惜这个市场会慢慢变得越来越有效，只要有一个渠道，我保证大概三个月之内所有投资机构都可以获得该数据，用非法数据做决策还是违规的问题。

视野金服定位并不是提供一个多神秘，多独特的东西。其实更多金融机构挖掘投资标的、贷款标的或找寻IPO服务对象，本质上还是在汪洋大海般的公开数据里边进行寻找。

很重要的一点是整个一级市场构建了多层次资本市场，包括A股、三板、四板、香港市场，很多数据你要跳过单一市场进行挖掘和比对才能找寻到你想要的数据，我们现在正在谈一家公募基金，他们经理说，并不是要投资创投企业，他经常调研A股公司为什么毛利率提不上去，董秘说了很多，只要你跳开A股，在整个市场并联的区域搜索，就发现那家A股公司所在行业有543多家公司，一百多家公司有PE投过，毛利率上不去的唯一原因是竞争压力过大，因此，很多咨询数据是要跨市场来看待的。

第二，我们做了一个很重要的集成处理。现在很多金融数据都是碎片化的，最大问题是数据集成处理问题，数据在交易所、税务、财政部、发改委、商务部以及在各个券商手里。这两年我作为行业从业人员，数据的整合和清洗占据我们整个金融数据公司开发时间的一半以上。在挖掘的本身并不花很长时间，大部分放在处理和清洗方面，因为中国金融数据太碎了。

第三，我们怎么去挖掘客户？我们所说的机器学习，听起来是高大上的词，机器到底学习什么？其实机器学习就是学各位金融机构投资人员和领导的idear，我们从多个角度进行挖掘，例如从业人员的思维角度，比如说投资机构有的会说我们专门找高新园区企业，这就是你们的纬度。行业更不用说了，甚至有一个客户跟我们说，你们能不能把被省部级领导访谈过的企业挖掘出来，听起来很怪异，但这确实是一个投资人在进行业务开发挖掘的想法。原先的想法实施过程，人来做可能需要半年，或者最少一个月，机器来做可能大概一周就能挖掘出来，我所说的机器学习，就是学投资机构各位的思维。

第四，推演。大多金融机构找寻数据的时候，很多是推演，这个公司股东是谁？下游客户是谁？上游投资商是谁？是推演的关联关系。我们有一个数据库来做投资关联关系，大家如果对这个有兴趣我可以邀请我的技术团队跟大家做沟通和交流。实际上科技数据高效的帮助用户，从你有一些思维，可以进行业务搜索，我们机器可以协助你高效数据挖掘，这是金融科技和数据在一级市场应用的场景。

我简单做一个示例，投资机构找寻一个公司，我们看到有各个纬度去挖掘这些公司。其实中国注册公司差不多有5千万家，对金融机构来说，绝大部分公司是没有价值的。刚才几位嘉宾说的，从消费金融公司来说，比如我开一家混沌店也注册一家公司，我卖衣服的也注册一家公司，这对个人信贷是有意义的，但从投资角度来说参考意义不大。

我们相当于从5千万家公司里边，把中国有投资价值，值得金融机构看一看的公司，通过刚才所说的几种手段挖掘出来，包括刚才提到的被省部级工信部，或者科委以及经信委奖励过的企业。比如央企下面一些特殊企业，政府颁发证照的企业，我们通过各种纬度把这些公司挖掘出来。

在投资机构这块，没有备案的私募基金远远超过备案的，另外包括银行系、保险系各类金融机构，他们的投资组合与投资企业也可以提供给一级市场参考。接下来我们说到第二和第三个产业，就是对比参考。我个人理解金融数据在二级市场，挖掘核心是落在公司本身或者个人，可以想象一下，各位做量化投资，做单个债券交易的时候，80%数据来自于公司本身估价各方面的情况。

我的理解是在一级市场里边金融数据挖掘核心点是落在行业上，这是做一级市场投资的人士会容易理解的。像刚才各位嘉宾说的，我投医药的，我投环保的，你没有说投环保哪家公司，所以一级市场是落在公司核心点上，我们通过投资链、信息连、产业链和供应链来展开我们的挖掘。

在做对比分析和行业研究过程中，我们利用一些技术，这些技术本身并不稀奇，监督型机器学习，NLP，公司都应用这些技术。我们的差别在于我们是覆盖全金融领域的分析，我们团队是金融和技术结合的团队，我们没有死磕技术。很多技术公司现在的技术并没有达到完全准确，通过机器和人往复的运作，我们准确度大概也就是50%-60%，就准确度来说客户并不满意，尤其专业级的机构，准确率必须达到90%以上我才愿买单。

现在的技术，我敢保证每一家公司，给你一篇文章你能够辨认出它的行业这样简单的场景，能够做到的也就是50%-60%，怎么跨越这之间的鸿沟，实现平衡呢？我们用人工和技术参与的方式，找到人和人往复运作的方式满足客户90分的需求，我不称之为技术，我称之为工艺，像发动机技术，一百年前都一样，为什么奔驰发动机比奇瑞的好呢，这就是工艺。最关键在于技术上的高效运用，而且能够控制好成本。我们形成了一整套机器学习系统，对1300多个细分行业都有分析。当前面几个场景满足以后，客户也会找另一家公司标的，最想做的事情就是搜索公司所有决策和参考数据信息。

做业务挖掘数据是远远超过风控的，这些数据进去以后，并不是说我们替代投资经理进行投资决策，这在看见的未来是不能实现的，如果那一天可以实现把所有的决策所需要的信息录入之后，可以替代各位投资经理的决策信息，那人工智能就可以实现了，但是现在人工智能还处于发展阶段。

我们提出了一个比较现实的目标，视野金服通过技术手段汇集信息，最主要帮助金融机构解决效力的问题。原先各位PEVC券商，汇集各类数据的工作一般交给投资经理，分析师，大学刚毕业的实习生来做，汇总起来给合伙人进行投资决策。视野金服提出一个现实的目标，我们机器学习相当于金融机构原来雇投资经理，这三个投资经理把更多的精力放在尽调跟客户的交流上，这是服务于现实金融机构的需求。

前面所说的是金融技术和金融数据在一级市场里的工作场景和服务。其实我们在开发业务过程中也发现，更大的变革来自于对于一级市场的流程再造，尤其是我们在为银行提供服务的过程中，总结了一些想法，跟各位分享。

无论你是PEVC券商银行也好，其实目前传统的业务开发模式和组织架构，大概是这样的，你有一个银行总部，券商总部，一个投资委员会，一个决策信贷中心，下面有业务员客户经理分布全国各地，大型银行业务员数量可达7千以上，券商500到700甚至更多，大家各自找项目，通常从自己身边的朋友、同学跟前找来感觉不错的项目。数据都是落在业务及技术员工层面，技术员工把数据汇总反馈到智慧中心、投委会汇报，所有银行券商PEVC，金融机构决策业务架构和开发模式都是这种。

我们给银行开发系统过程中，通过再造业务流程的模式，利用大数据系统把数据直接接入到银行总部，由他们进行筛选把名单下放给基层员工。意思就是说别瞎跑，投资经理，各个合伙人不用一天到晚请人吃饭花很多精力出差，浪费精力也浪费成本。通过大数据精准的把各个地区的名单下放给客户经理，由他指导进行追踪项目和客户挖掘开发。再把他们获得的信息数据反馈给总部。本质上整个流程再造换来的是精准，这样节省了大量的效力和成本。

我们简单的介绍一下视野金服给银行提供的技术架构，我们有一个平台和数据中心，全部是各个部委过来的数据，集成了多达一百多个数据员进行处理。数据第一合规，第二权威，第三准确，我们只拿我们自己认为符合上面三种标准的数据。集成处理以后，客户提出需求，我们会给客户布置一个服务器，我们按照他们的需求加工处理数据，存储在他们的服务器上，由他们服务器接入他们的CRM系统。

客户反馈的数据再反馈给数据中心，进行二次的挖掘。从客户收集回来的企业标的信息可能更有价值一些，那个数据可能会更加的难以挖掘，因为更加的非标化。我们后期会跟银行会在二期三期项目进行对客户数据进行挖掘和分析。

有些金融机构没有自己的CRM系统，我们可以建立一个模拟的CRM系统，由CRM系统进行下放，我们开发了移动端、微信小程序，有几种下发的方式，提供查询演示办公。

视野金服现在面向一级系统的客户群体大概是这么几类，银行主要面对信贷托管资管部、投行部等，券商是投行部、直投部、机构销售部、研究部，投资机构是PE、大型VC，资产管理公司，母基金，产业基金等等。其他机构就是政府招商部门，财经媒体，大型企业。作为一级市场的从业人士，我们能覆盖的基本都覆盖了。

我们服务方式有三种，一种是标准化数据平台，主要面向各类金融机构，没有IT部门，有这样的需求就可以使用；第二种是API数据接口服务，面向拥有IT系统的金融机构，有CRM部门配合我们进行开发；第三种定制化数据+系统服务，我们给A类大券商提供一个关于国有企业的专项平台，针对一系列的定制化需求，给他进行专项开发，这个主要面向大型金融机构。

我们刚刚获得财政部中小企业发展基金的支持，公司进入了一个新的阶段，在未来9个月，海外数据将进入开发阶段，希望未来9个月之内，香港、美国、英国、德国、以色列、澳大利亚、加拿大几个主要发达国家的资本市场数据可以实现集成运用，然后进入到行业分析阶段。

很多公司现在也提供一些行业分析，如果没有海外数据，很多行业基本上是不能实现的。很简单，现在有多个产业，实际上完全是跟海外产业完全融合连接的。只在中国数据里边打转，对这个行业覆盖是不完整的，所以我们将以最快的速度完成全球最主要资本市场数据的覆盖。

未来18个月我们将建立一级市场跟踪预警系统，完成智能搜索。比如一个客户，因为他创始人合伙人是南开大学毕业，希望我们能把南开大学毕业校友开办的企业查询出来，但现在实现这种搜索还有一些困难，但是我们希望在未来18个月能满足这样的需求，不管搜人搜公司搜产品搜供应等，实现智能搜索。

未来两年我们将延伸到一级债权数据市场，研制出自主债权评级系统，把我们业务从股权领域延伸至债权领域。

END