各位朋友，各位同仁大家好，我是同盾科技汽车金融事业部的冯维文，今天我想借这个时间跟大家分享一下我对汽车金融-融资租赁全生命周期风险管理的一点认识。

我的分享大概分为三个部分，首先我会去说一下，目前汽车金融和融资租赁行业的一个发展的情况，基于同盾的大数据以及我们对行业的认识，从宏观层面讲一下行业的发展；第二部分，我们会梳理一下在实操层面，每一家主机厂金融公司、融资租赁公司、助贷机构所面临的风险管理的一些现状以及痛点；最后一部分会花一些时间去讲如何应对这些痛点，如何打通营销和风控从而实现全流程的风险管理。

下面我们进入第一个环节，上面显示的数据是同盾对过去2018年的前十月份，我们汽车金融、融资租赁场景的调用量的统计，从六月份开始到十月份，每个月的调用量都是稳定在100万次查询左右，可看到这个趋势已经比较平缓了，跟我们目前观察到的汽车销售市场以及我们相对已经平稳的渗透率是相当一致的。在这里也介绍一下数据背景，其实同盾介入的汽车金融和融资租赁的客户，市场占比已经超过了70%，所以这个数据还是非常有说服力的。总体上来说，我们的观察是这个市场，尤其是新车的融资租赁和汽车金融市场已经趋于稳定。

我们对整个泛汽车金融和融资租赁的大行业做了一个细分，按照客群的特征，我们把它分成四个部分：厂商汽车金融，主要是以主机厂为背景的汽车金融公司；融资租赁公司和助贷机构，助贷机构实际上对接了很多的资金方，包括银行，也包括一些厂商金融公司和融资租赁公司；最后是发展比较快的互联网平台，它主要是像优信、人人、瓜子这样的为代表的平台。

从2018年的1月到10月市场的占比来看，有一个趋势不太明显，但我们也观察到了：互联网平台的市场占有率从年初的20%到25%之间，现在上升稳定在30%左右，所以我们看到线上流量在汽车金融和融资租赁慢慢变得比较重要了。

同时我们也发现，助贷机构所贡献的流量占比和市场份额在最近一段时间也会有缩小，可能跟最近的监管、各方面的政策有些关系。相对来说融资租赁是非常稳定的，从年初的7%左右到年末的8%到9%，没有大的变化。

回顾了整个大市场的情况是趋平缓的，同时我们对底下四个细分领域厂商金融、融资租赁、助贷机构和互联网平台的市场占有率进行了追踪。我们发现，在汽车金融和融资租赁市场里面，客户有往头部机构集中的一个趋势，而且这个趋势非常的明显。我们这里说的头部机构对行业细分里一些比较大的机构的统称，一般市场占有率在前十位的我们认为是头部机构，头部机构所占有的市场比例从18年1月的35%一直保持持续上升，到9月、10月已经接近了50%，从这个比例变化来看，现在整个汽车消费信贷是加速地往头部机构去靠拢。

其实这样的一个观察也给我们一些启发，我们发现行业的壁垒在慢慢形成了，我们也慢慢看到一些实力很强的机构，他们的实力也会变得越来越强，他们不管是在获客还是在风险管理、定价、资产管理层面都有着非常强的优势。

从风险管理层面来说，这四个平台的客群已经有了非常明显的区别，上图是同盾的一个风险评估，分reject——拒绝、review——人工审核、accept——接受三个部分。厂商金融的客户，我们给到的拒绝比例是在2.79%；融资租赁的客户，我们给到的拒绝比例是在5.38%；助贷机构是7.04%拒绝比例；互联网平台的客户拒绝比例在6.53%，大家能非常清楚的看到，像主机厂金融公司，他们的客群从风险的角度来说是最低的，当然他的融资成本（借贷成本），利率也是最低的。所以每个细分场景应该有不同的一套风险管理思路，这也是跟风险偏好直接相关的。风险最高的一层实际上是助贷机构，这个其实也不难理解，很多被其他金融公司拒绝掉的申请，最终会落到了助贷机构这一层。

之所以跟大家分享这些数据，也是希望大家对自己公司所在的同一层的风险状况有一个大体认识，在不同的风险区间和层次里面，我们风险管理的套路肯定是不一样的。

下面我们从地域的视角去分析一下风险分布的情况，这是同盾大数据在1到10月份累计的申请的数据情况，我们从欺诈风险的浓度去判断，会发现整个风险从中国的南部往北部移的趋势非常明显。整个东北是我们欺诈风险最高的三个省，蒙古、宁夏、甘肃、山东，都是一些相对来说比较高危的省份。如果有机构正在做产业，那么渠道怎么去布，每个省份的风险定价是怎么样，希望这里能对大家有一些启发，一些思考。

其实我们国家每天都在发生翻天覆地的变化，半年前我们的风险地图显示福建和浙江实际也是有高风险的，尤其是福建的欺诈风险是非常明显的，但现在我们发现福建的欺诈风险明显降低了，而且大量的转移到了东北地区。所以反欺诈策略里，我们使用的一些分数是要及时去做更新的。这也是为什么很多的客户也通过第三方大数据机构去做反欺诈风险的联防联控。同时，对风险的宏观认识是需要结合大数据去做出机制的调整和判断的。关于反欺诈，会在接下来的解决方案、痛点的解析里面做更具体的讲解。

除了从大数据方面对汽车金融-融资租赁做了一些描述，同时我们也跟很多客户在聊他们怎么样去认识这个行业的发展，那我们也把大家的一些观点做了一个梳理。

汽车金融首先是要支持汽车销售，其次它有非常强的消费金融基因。所以，汽车金融行业有两个方向：向左走就是纯粹的消费金融，一个有抵押场景的消费金融；向右走实际上是资产管理，怎么样去管理好车，怎么样做好应收账款的管理等等。很多的金融机构选择了其中一个方向去深化，去筑建自己的壁垒，去构建核心竞争力。还有一些机构就走的比较宽，一些实力非常雄厚的企业，比如说主机厂金融公司，他们现在开始投资了分时租赁，还有mobility service，思考怎么样去服务好客户，让它去提供一个出行服务，而不仅仅是卖车。所以现在每家都在布局自己的一些细分的能力。

消费金融核心竞争力是什么？我觉得首先是要对汽车消费场景的控制，有了渠道，有了流量才可能把消费金融做好。然后是对客户信用风险的评估要有非常强的能力，包括数据的能力、模型的能力，还有就是具备利率定价和调节的能力。做消费金融需要拿到便宜的资金，这也是为什么我觉得将来持牌机构会具有非常非常大的优势，因为相对来说他们的资金成本，不管是直接融资还是通过银行间的借贷、ABS等，他们都有更强的优势。那从盈利的模式来看，消费金融其实很简单，挣的就是利息差，关键的是什么？关键是降低运营成本，降低资金成本，提高自己定价的能力来维持利息差。

向右走的话是资产管理。在像滴滴这样的平台出现之后，大家发现客户需要的是出行服务，那就意味着车辆的所有者实际上可以是平台方，所以有很多的汽车金融和融资租赁公司也在往资产管理方向走。他们的核心竞争力是什么？主要是资产运营的能力，包括单公里成本等几个核心指标。在我们去运营一辆车时，我们每公里的成本如果低于竞争对手，那就是一个巨大的优势。同时因为要拥有大量的汽车资产，所以汽车采购能力就要非常强。像一些走的比较前沿的平台公司，他们已经开始做定制车了，而且定制车的成本也相对会低一些。还有一个核心竞争力就是对于资产的处置和残值评估的能力，我们有一个客户是非常典型的，他们一方面做融资租赁，另一方面他们还做分时租赁。那在融资租赁产品里面，一些坏账对应的车辆回收之后怎么去处理呢？一般走拍卖周期非常的长，他们就可以直接用来去做分时租赁。他们就非常有优势，他们资产处置的能力明显是更强一些的。

相对来说，跟消费金融相比，资产管理这条路走得更艰难些。目前看，大家盈利的能力还是比较弱的，因为前期需要大规模的烧钱去铺业务的。将来的盈利点，更多的是租金的收入，通过降低车辆的运营成本，通过提高用户体验，获取服务的溢价，比如说专车、豪华车这样一个方向等等。

所以这是我们认为的目前行业里面汽车金融公司，融资租赁公司可以选择的两条路，大家目前还是偏消费金融的成分多一些，慢慢的有大量的公司去做直租，然后从直租再做分时租赁往资产管理这条路在走。

刚才我们梳理了整个汽车金融和融资租赁行业里的一些大趋势，以及我们对这个行业的一些理解。下面我们具体聊一下，汽车金融场景所面临的一些风险痛点。

首先，欺诈风险依然是最大的一个痛点，我们认为欺诈风险是更大于信用风险的。欺诈风险首先有伪冒申请的问题，同时虚假的资料也比比皆是，尤其是在高风险定价，就是利率比较高的产品底下。那另外还有内部欺诈，就是内部销售人员和外边的人串通起来，包括有做假资料的，还有更多的是飞单的问题。好的用户都跑掉了，坏的用户我们自己还在做。

另外除了欺诈以外，在任何金融场景里面，信用风险是不得不谈的。那现在最大的痛点可能是什么？是征信的数据不足。我们有一部分客户已经有人行征信的接入了，那还有一大部分实际上是没有数据的，同时人行征信的白户也没有覆盖的那么全，这也是为什么很多企业也在跟大数据机构达成各种各样的合作，通过打通数据去作更精准的客户画像。总的来说，风险层面面临的是内部欺诈、外部欺诈、资料造假，以及信用风险很难评估等这些没有足够信息去评估的问题。

金融场景传统的风控手段，不管是贷前、贷后都有成体系化的东西，从填写申请表、提供相应的资料、电话审核、实地家访、批准相应的额度、审批权限的设置等等。虽然各家有各家的做法，但是归纳一下其实就是这些东西。那贷后方面也都是从早催、从M（Months）0、M1一直到M3+，都有一个套路。当然我们一旦到了M2+的话，可能好多都是外包催收、实地催收，那外包催收最初的资源怎么管理？佣金怎么设置？也是各家有各家的做法。最后一步就是通过诉讼的法律手段去实现催收，那这里更多的是利用律师的口气去给客户做施压实现催收，但真正很少会有去做诉讼的，因为成本太高了。这是传统汽车金融场景贷前和贷后所能用到的一些风控手段。

传统的风控手段实际上有很多问题：

第一是用人成本高，在比较传统的金融公司和融资租赁公司有非常大的贷前审核的团队，同时还有非常大的催收团队，包括早催的团队和实地催收的团队。

第二是标准化程度低，每个人有每个人的做法。有可能一个单子你过来审，我们是能通过的，额度能给到20万，换一个人来审可能就不一样了。因为中间有很多东西，比如对于月收入的认识，对于可抵押的物品的认识是不一样的。

第三是效率偏低，一个有经验的审贷员一天能审的单子是非常有限的。

第四是自我学习能力弱，团队每天都在执行分工运营的事情，他很难站出来思考这样做法是不是对的，所以会陷入一个不良的循环。就比如大的团队一天能处理2000个进件，那他目标很简单，就是到几个月之后，每天能处理两千五百单就是很大的进步了。但实际上中间他没有从更广的范围去审视问题，很难从根本上去做自我提高。

第五个问题，也是最大的一个问题还是风险的盲区太多了，因为风险是在不停变化的。我们操作规程里面有各种各样的检查，有些是针对信用风险的，有些是针对欺诈风险的。尤其是欺诈风险，它每天的变种特别多，每天有各种各样的套路过来，如果不能及时得去更新流程，那风险盲区是非常多的。针对这些问题，后面我们在第三部分会去讲一下应对方法。

整个市场竞争非常激烈，给风险管理工作提出了更高的要求。首先是我们对用户体验的极度关注，从产品设计来说，现在有大量的零首付和一成首付的金融产品，同时提交的资料是越来越少，大家都在做两证一卡，快速审批。这的确是市场对于汽车金融、融资租赁公司的要求，我们竞争对手这么做，那我们也必须要这么做。这就要求我们在仅有的这些资料情况下，依然能够获得这个客户的信息，减少对客户的打扰。

第二方面是下沉的客群引入了很多增量的欺诈风险，现在整个汽车金融市场的渗透率已经做到30%多、40%多，甚至有些公司在豪华车这一块超过50%了。那怎么样才能更高得去占有这个市场？就是渠道要多样化，下沉到三四线去。在这种情况下，欺诈风险也会随之上升，因为越是下沉到底下，我们对于下沉区域的把控力度就会越低，催收的能力、渠道的渗透能力都会差一些，欺诈风险会新增。

从贷前来说，下沉渠道的同时，我们降低了对客户的一些要求，我们把产品设计得越来越接近。另一方面，监管却给我们提出了更苛刻的要求，催收受到了很多的限制，所以抵押物本身的风险缓释能力也得到了一定的限制。

这三方面是激烈的市场竞争对于各家机构的风险管理要求。那下面我们就分享一下具体的案例事件，在这个快速变化的市场里面，我们的客户会遇到什么样的问题？举一些简单的例子：

第一个是非常典型的中介欺诈的案例：客户只需要支付车贷首付款，然后再车身贴广告，便可以不用自己还月供，而是通过广告公司“帮你还月供”。一辆10万元左右的车，骗子收取客户3万首付，选择金融公司首付一两万的产品，扣除各种税费差额就是骗子的收入。而客户可能是会不仔细看车贷合同的，尤其是一些三四线城市会出现这种情况。接下来出现纠纷之后，真正受到损失的是买车人和车辆背后的资金方（汽车金融公司或者融资租赁公司）。这是在一两年前比较常见的一个套路。

第二个是一个骗贷团伙的案例，也是非常典型的套路，多发生于三四线以下城市甚至农村地区，由专业骗贷团伙将当地无征信记录的白户集体通过包装工作证明、银行流水、社保记录等方式，集体申请车贷。这些被包装过的借款人通常呈现高度标准化特质。例如借款申请表格填写特别规范、各项证明材料特别完整等。

第三个案例实际上是一车多贷，在汽车金融、融资租赁场景，车辆大部分是要求抵押的，那抵押实际上是风险控制非常强的一个手段，但现在很多欺诈分子会在这上面做文章，例如去做假绿本，由于现在作假水平越来越高，所以绿本本身完全看不出任何问题来，需要通过去车管所办理抵押登记手续才能看得出来。但往往因为我们考虑到要给这个用户提供更好的服务，所以有时会先把车交出去再去做抵押，那中间实际上给欺诈分子提供了很多的机会可以去利用。

实际上我们也是要慢慢通过一些防伪的手段，包括跟大数据的合作等等，去解决这样的一些问题和困难。

刚才我们梳理了汽车金融、融资租赁行业的痛点，接下来说一下如何去解决这些问题以及怎么样通过科技的手段去实现全流程的风险管理。从上面这个图可以看到，全流程的风险管理实际上是从营销层面开始的，不管是从三方引流过来的，还是通过销售管理进来的申请进件。

第二步是反欺诈的环节，我们有相应的数据支持、模型支持、技术支持来实现把欺诈挡在贷前之外。

第三步是贷前准入环节，贷前准入更多得是去确认需求的真实性和有效性，所以背后有一些身份核验、手机实名核验的数据支持，同时我们会去判断申请的手机号的在网时长，因为很多新的手机号是存在高风险的，还有教育信息的核验、地址存在的核验、银行卡的核验以及工商信息的核验等，工商信息主要是针对小企业的信息核验。在这个环节里，我们通过一些策略，逐步做完验证之后来确认申请是否有效，是不是一个真实存在的人，对汽车消费是不是有真实的需求。

第四步是客户授信环节，我们的客户授信是非常经典的信用评估模型，一方面通过互联网大数据搜集到客户部分的画像，有人行征信接入的这部分客户，也可以直接用人行征信的数据，也能很好得评价客户的信息。当然如果这两方面数据都有欠缺，就可能需要走人工审核的流程，包括电话审核，大额审批的可能还要做简单的家访等售端去解决这些问题。也有会要求客户把相关的一些资质证明提交过来，通过客户提交的资料去解决风控的问题。在集中所有数据之后，不管这个数据是从大数据公司过来的，还是从人行征信过来的，或是客户提交过来的，我们都希望能够有一个标准化的东西，把这些数据集中起来跑一个模型。

跑一个利率管理模型或是额度管理模型解决的是什么？额度管理模型解决的是我们总共能够贷出去多少钱的问题，利率管理模型解决的是客户这个人是怎么样的问题。信用好的，我们可以考虑利率低一些；信用不太确定的，我们可以把利率调整的稍微高一些，通过这样市场化的手段把好客户留下，把坏客户分流出去。最终我们会在信用风险客户授信这个环节去做放款的确认，如果放款的话，会进入贷后管理环节。

现在有特别多的客户用非常高科技的手段去做贷后管理，包括还款的提醒、语音合成的逾期催收等等。刚才说了催收容易产生一些纠纷，尤其是在监管管理非常严的情况下，通过一些工具去做催收反而效果会好一些。在放款之后，逾期之前，同盾这边还提供一个贷后监控的产品，放完款之后可以定期对身份证号和手机号进行扫描，我们如果发现这个手机号、身份证号所对应的人在其他的平台有新增的借款，再或者是最近有涉案等一些高风险信息的时候，我们会第一时间反馈给我们的客户，让我们的客户有时间能够在早期进行介入，不管是从客服还是早催，去跟客户做一个更细的了解。

这个就是我们同盾的全生命周期的风险管理体系，现在整个风险也都是越来越前置了。之前我们说的最多的风险是信用风险，就是通过对于客户的理解，我们去回答两个问题，借多少钱给这个客户？用什么样的利率去借？现在我们逐步把这个重心往前移了，慢慢移到了营销的阶段，我们在营销阶段就会需要对客户有非常精确的一个认识，一方面是方便我们做风险管理，还有一个很重要的原因是方便我们去做营销。现在大量的公司在做白名单的机制，他们希望能够维护出来一些资质非常好的，有很好还款历史的客户。比如说你今年买了辆卡罗拉，那下一次你可能要升级到凯美瑞的时候，你还是要去使用我的服务，在这样的流程底下风险是最低的，这个客户也是我们最了解的客户，用最低的利率来做更长期的合作。我相信白名单一旦成了规模，它对整个生态的促进作用，一定是优于黑名单的。

信用风险是风险管理最重要的一环，那怎么样通过数据和模型去支撑整个信用风险和欺诈风险的管理？同盾会提供联合建模的服务，能够把客户自有的数据和外部第三方平台提供的数据做一个充分的融合，把最多的数据融合在一起后，会去评价每个变量的有效性，当然前提是说客户有一定的数据积累，尤其是坏客户历史上的一些特征这个数据有一定的存留，那我们做一个结合之后，会找到一个模式去发现有这样特征的一些客户，我们觉得他的违约概率是更高的，这就是这个数据和模型背后本质的东西。

联合开发、联合建模的好处是什么？联合建模能够充分的去挖掘数据背后的一些规律，能够最大范围的去使用数据的价值。当然我们还有一些客户，尤其是规模比较大的客户，他们有自研的模型，我们也可以通过联合建模的方式对这个客户输出一些标签的信息，客户画像的信息，最终可以把这个模型放在客户这边。当然我们也希望客户能够把数据给我们做一个分享，把这个数据也放在同盾这边，我们可以提供更高频的监控，当模型出了问题的时候，或是模型需要调优的时候，同盾可以更专业得去发起模型的调优。

最后说一下我们模型的效果，客户如果有自己的模型的话，一般在同盾介入之后，整个模型的K-S普遍能够提升10%以上，这应该是非常好的一个效果了，尤其是对于那些风险比较大的客群，就是欺诈风险比较高的，我们K-S提升的比例可能还要超过10%。

当我们的模型和策略都已经制定之后，如何通过软件，通过基础设施去实现它？同盾可以提供一个企业级的私有云服务，主体实际上是风险决策系统。风险决策系统包括两大部分，规则引擎和模型引擎。我们反欺诈的策略、一些业务的准入规则都可以放在规则引擎里面，比如说关于“年龄”，可能低于18岁，高于70岁的，我们就不做了；接待超过多少次的我们不做了；黑名单上网也不做了......这些是放在规则引擎的。在我们综合的评价一个客户好坏的时候，我们也可以很好得将模型部署在我们模型引擎上，在入参经过计算之后，我们最终给一个反馈出来说这一单申请是直接通过，是人工审核，还是拒绝。响应速度也是非常快的，能够在200毫秒以内给到客户一个反馈。

整个图的下面还有个数据集市，数据集市实际上是我们对历史数据的一个沉淀，刚才说了做模型的基础设施是历史数据，尤其是历史上曾经出现问题的这些客户申请的信息是越多越好，越多的话，我们模型就越有月准、月统计的意义。数据集市也是分主题的，风险实际上是其中一个主题，我们可能狭义上讲的数据集市是风险管理的数据集市。现在有特别多的公司在大范围的去做数据仓库的建设，包括营销主题的数据集市、进销存的数据集市、风险定价的数据集市都在这一块，这是一个方向。同盾也能提供这样的一些咨询服务给到我们的客户。

在后台管理环节更多的是一些通用的功能，包括交易管理、统计报表、规则管理，还有权限管理、系统管理都在这块。整个图的上面有一个数据前置的系统，实际上数据前置给我们的客户提供非常宽的一个数据接口，所有的数据都可以通过数据前置对接到我们的核心业务系统，然后传入我们的这个风险决策平台。这也是能够让我们的客户很快的、可扩展的去管理所有的数据源，像数据前置对接的有业务渠道系统，其实还可以对接外部数据，比如人行的数据、法院的数据、公安的数据、运营商的数据等等，当然同盾的数据也是其中的一个部分。

所以有这样的一个系统架构之后你会发现是非常方便的，不论你今天想扩展两个数据源，还是你明天想断掉这个数据源，还是想建立自己的数据路由，或是怎么样更有效率去使用这个数据等等，从成本和效果考虑，都可以在外部数据上做很多很多这样的调整，这是我们能够提供落地的全生命周期风险管理的一个系统架构。

我们花了很多的时间讲贷前怎么样去管理，刚才那个大的系统架构实际也是集中在贷前。现在随着汽车金融融资租赁这个行业逐步在成熟，大量的资源也在往贷后风控的建设去投入。在贷前，我们主要是去确认这个客户能不能做，贷中和贷后是说放款之后如何管理好这个资产，包括车在什么地方，贷款人最近的情况是什么样子的，所以我们要打通贷前和贷后，实现全面的风险管理。

从数据层面来说，贷前的风控已经说了很多了，我们最终把数据落下来之后，主要是控制贷前风险，提升贷前审核的效率。从全流程层面来看，我们还要非常有目的性得去沉淀贷后的数据，形成贷后数据的集中，要能够把业务指标体系化。举个例子，我们关心比较多的是审核通过率和放款比例，那放款之后我们M0到M6之间的分布是多少，逾期1到30天的占比是多少，30到60天的是多少，30到60天又能回滚到M0、M1的有多少......这些指标也非常非常有价值的，我们要能够通过系统去把它沉淀下来，同时能够跟贷前做一个连接。我们再举个例子，例如我们在三个月之前新设立一个审批规则，这规则好不好，可能要到半年之后我们通过贷后的表现，去做一个确认和认定。好的话，可以扩大、加强；不好的话，可能要做优化调整。

这是一个全套的风险管理体系，在这个体系做好之后，我们可以做基于内部数据的风险定价。就是说一个客户来了之后，我们先去判断一下，当发现风险高的时候，你可以把风险定价提高一些；对于好的客户，我们可以提供低于市场平均的利率，希望他能和我们去做这笔交易。希望好的客户越来越多，这样整个生态才能得到一个很好的优化。在这里我想说，我们做风控的主要目的并不是为了控制风险，本质上还是要去最大化我们的利润，所以风险定价很好的平衡了这两个要求。

最后我想讲一下，新生态下风险管理的思维。汽车金融是一个重资产的行业，投入是非常大的，所以对成熟的汽车金融公司来说，应该有一个风险管理思维。一个成熟的风险管理思维是什么？首先是要设定公司的战略和风险偏好，基于这个战略和风险偏好，我们去设定我们产品的定价和其他的一些市场竞争力的设计。举个例子，我们是要做利率在年化20%以上还是10%左右的产品？我们是要去新疆、西藏展业？还是去东北，或是只做一线城市？这些实际上都是跟我们的风险偏好，公司的战略直接相关的。

当这些东西都定下来之后，就会有个逆向选择，当你选择风险偏好比较低的设计，那好的客户就会过来，因为我们的利率比较低，我们面对的客群都是一些白领、工薪阶层这些比较好的客户，风险是比较低的。那当然如果选择定价比较高的，选择高风险这一层的话，那相应来说整个风险的情况会不太一样。这两种选择都是可以的，而且市场也很广阔，目前看每一层都有很丰厚的利润。你怎么样去选择风险偏好，你的客群特征就会是你的选择。

到了贷前和贷后的运营层面，更多的是去执行我们的战略，执行我们战略背后所需要去做的规则。在贷前和贷后运营层面，我们能够沉淀大量的数据，我们贷前审核是怎么批的，我们的贷后是怎么样管理的，最终是损失了还是盈利了......这些数据沉淀下来之后，进入我们最终的成本核算。

我们风险成本、资金成本、运营成本是什么样子的？跟我们当时制定的计划是不是一致？我们去重新review一下之前的战略和风险偏好是不是一致的？如果有偏差的话，是不是要做一个调整？所以在这样的思路下有两方面特别重要，一方面是我们风险体系的建设，我们一定要有战略层面的讨论，以及基于这个战略的规则和产品设计要有非常明确的一个方向；那另一方面我们要有一个非常好的数据体系建设，我们贷前、贷后运营的数据是不是能够非常规准的、能够被人理解的沉淀在我们的数据库里面，我们有没有定期去观察这些数据，然后去核算我们的成本是不是跟之前的预期是一致的。可能对于新公司来说是面临挑战的，但有了这样一个循环，最多一年他对市场的理解、对客群的理解、对业务的理解就会不一样。

总的来说，我们要牵引数据，要设计规则，最终构建一个健康的生态，这样才可以让这个企业更持续的、更稳定的往前发展。