本文为 Lightspeed(光速创投)美国投资总监Jeremy Liew关于i黑马之前介绍的大数据业务的进一步深入思考。此前，以linkedin创始人Hoffman为代表的投资公司Greylock提出了Web3.0是基于真实关系的真实数据的概念，而投资公司Accel则直接进行了数笔针对大数据项目的有影响力的投资。而光速创投的这位哥们则直接指明了“大数据+机器智能学习”马上将破坏性的重塑银行信贷业格局的方向。

初创公司其实是更想从银行贷款的，但这在之前看来往往并不现实，具体原因就不再赘述了。但现在情况正在发生变化。现在企业成功获得贷款的概率正变得越来越高。各种类型的贷款的范围正在不断的扩大。很多面向小企业的借贷正在蓬勃兴起。这种被称为“另类信贷”的信贷形式正在下列三个因素的推动下不断繁荣：

1.在次贷危机之后，大银行都收紧了业务。他们都变得风声鹤唳起来。很多信用级别比较低的人基本很难找到银行和传统的贷款来源。

2.利率的大幅降低正在拉低具有“资本成本”优势的大银行对于创业企业的吸引力。

3.大量的数据来源和强大的大数据分析工具正催生出很多新的贷款数据模型。

Wonga就是一家刚刚兴起的替代贷款的初创公司，《连线》杂志刚刚报道了他们在英国的成功经验。他们利用海量数据挖掘和算法来做一些贷款业务。而投资机构Accel的Sonali De Rycker,也是Wonga的董事会成员，他介绍说：“他们大量的使用了社交媒体和其他的网络工具，但这些都是绝对想不到的。而这正是他们的奇迹所在。”

问题的关键在于算法，它怎么把你的邮政编码，你的车的颜色，你的按揭是多少，它怎么能将你这些碎片化的东西关联起来。这些都是Wonga对于它过去客户的各种碎片化信息的数据堆积和整理，这非常关键。在Accel在2009年进入Wonga董事会的时候，Wonga已经有了10万个贷款案例。这10万条数据信息不断集成和归类变成了一个日益增加的信息网络。其中每个贷款人都拥有6000到8000条数据。

“你用大量的数据串成了一个故事。我们愿意为这些数据付费，因为我们需要它。我们可以通过上千种组合来判断做某件事是对的，还是错的。”

这些大数据，机器的智能学习支撑着像Wonga这样的小额贷款公司发展的很顺畅。但它的一些重要特点值得关注：

1.它的每笔贷款额度都很校太多的资金额度需要更多次的检验。对于它而言，做一些单笔的100英镑的贷款比做一笔25万英镑的贷款来的更容易操作。

2.不良贷款会迅速暴露。Wonga的平均贷款周期为几个星期。这能让它迅速的迭代它的贷款模型。如果你的抵押贷款都长达30年那你可能就只能忍受时间的煎熬了。那它对于你模型的反馈和改进时间也会拉的很长很长。

3.违约率高。目前这种在发薪日贷款的产品形态还不是特别成熟。只要你走到一个发薪日贷款的店面前台提供一个工资证明和一个驾驶执照你就能获得一笔贷款。在这个市场上，它根本就不关心你的待遇高低工作好坏。

4.利率很高。这也使得初创公司在获利的同时，也要付出很高的资金成本。这也使得大多数强调声誉风险的大银行和大的借贷机构都不愿意涉足这个领域。

正因为上述因素，Wonga建立了一个更好的数据模型来帮助判断这些借贷者是一个好的借贷者还是坏的。这也意味着它可以比其他发薪日贷款厂商可以以更低的利率贷款。在这个市场上，价格最低自然会获得借贷者的青睐，这就让它迅速占领了大量的市场份额。但由于有良好的风险管控依据，它的利润率上丝毫不会降低。今年，也是它诞生以来的第五个年头，它获得了5亿美金的年利润。

建立一个大数据和机器智能学习模型是很难的，也是昂贵的。你需要不断的根据你的不良贷款的出现情况更新你的模型，以免在未来派发出去类似的贷款。但是机器学习的依据就是不良贷款，所以失败的次数越多，你交的学费越多，同样的你的模型就会越完善。Wonga刚开始做发薪日贷款项目时甚至付出了50%的违约率的代价，但是现在它已经成功的证明这个问题是可以解决的。当然了，Wonga不是唯一一个解决了这个问题的公司。以下是一批类似的“大数据+智能学习”的公司列表。

Wonga：次级贷款，无抵押，贷款给在英国的消费者们。目前正把业务扩展到更多国家。

LendingStream:次级贷款，无抵押，分期付款贷款，主要面向英国消费者。

Zestcash:次级贷款，无抵押，分期付款贷款，主要面向美国消费者。

Klarna:无抵押，贷款给欧洲的消费者，在欧洲布了一些点。

PawnGo：次级贷款，有抵押，贷款给美国消费者。

如果大家还有兴趣，也可以关注下面这几家公司。

Billfloat、Progreso Financiero、Capital Access Network、Kabbage、OnDeck。

这里有几个关键要素：信用质量[subprime, near prime, prime, superprime, new to credit], 安全性[secured, unsecured], 贷款类型 [bullet, installment, line of credit], 贷款用途[bill pay, inventory purchase, general] 用户类型[consumer, small business, large business] 以及地理因素等。

这几家公司正在把这种复杂的商业模式变为可能。但他们只是抓住了表面。我认为我们在接下来的几年里在这个领域里将会看到更多的创新点。

由于资本已经瞄上了借贷领域，所以这个领域里的初创公司们急需大的风险投资公司支持。数十万美金的种子基金已经不足以证实或证伪一个新的借贷公司数据模型的演算能力。这就是我会对这个领域的破坏性初创公司情有独钟的意义。

好吧，光速创投的这位哥们很实在，最后一句话说的更实在。如果你想做一个“大数据”项目，那就“快速”的拿“尽可能多”的钱吧。这不单是“资金决定成败”的问题，也是一个“时间决定成败”的问题。没有疑问了？赶紧行动吧！@i黑马也在这里温馨提示您，如果您觉得自己的“大数据”项目靠谱，那尽可能找这些对这个行业有感觉的VC吧，国内可能有兴趣的VC有光速创投、IDGVC等。也欢迎广大创业者和投资人在文章后留言进一步补充，我们也会实时更新。