回顾过去近50-60年的历史，无论是金融还是科技并不是早期最受关注的行业。下图例出了从上世纪60年代至今，美国最赚钱的20家上市公司。从数据看，上世纪后期排在前面多为能源、传统制造业企业，以及一些老牌科技公司（比如IBM)。大多数今天市场追捧的科技公司（Apple, Google, Microsoft，Facebook，和 Amazon）都是本世纪才登上榜单。金融公司更是如此，2000年前没有一家金融公司上榜，近20年来几乎所有大家耳熟能详的美国金融机构都出现在全美最赚钱的榜单前列，同上世纪未形成鲜明对照。

显然，同很多其他行业相比，金融和科技是今天这个时代的二个“幸运儿”。那么，更大的机会来了：如果“金融 + 科技”这样两个行业结合在一起，那得形成多大的风口？近年来，一方面越来越多的科技公司做起金融业务；另一方面，金融企业也开始对标科技公司，向金融科技公司迈进，希望成为“华尔街的Google”。全球掀起了一场金融科技的热潮，优秀年轻人才大量涌入，FINTECH成为投资热点，中国也不例外。

“金融 + 科技”是“风口”？还是发展趋势？

 

首先，我们来明确一下什么是金融科技。

 

问题：你认为下面哪个选项最好地描述（定义）了金融科技？

 

A. 大力投入和应用科技的金融机构 

B. 向社会提供金融服务的科技企业 

C. 在金融服务行业有广泛应用的新技术

D. 对金融服务行业产生巨大价值的大数据

E. 以上几个选择都对

F. 以上几个选择都不对

 

虽然金融科技没有一个“Official”定义，国际上对其有比较统一的认知。

 

金融稳定理事会（Financial Stability Board；G7为促进金融体系稳定而成立，协调跨国金融监管、制定并执行全球金融标准的国际组织；2009年将FSB成员扩展至包括中国在内的所有G20成员国）将金融科技定义为“由技术驱动的，能够派生新的商业模式、产品、应用的金融服务创新，从而对金融服务的既有准则产生重要影响。”

 

我国对金融科技的定义同国际上通用的概念基本一致。2019年9月由中国人民银行印发的《金融科技（FinTech）发展规划（2019-2021 年）》将金融科技定义为：科技驱动下的金融业务创新，包括由此而产生的新业务模型、新应用、新业务流程或新产品。

 

如何上面问题你的答案是F的话，恭喜你答对了。金融科技指的即不是（金融或科技）企业，也不是技术或数据，而是“科技驱动下的金融业务创新“。

 

根据巴塞尔银行监管委员会对金融科技业务模式分类，科技驱动下的金融业务创新涉及的业务可概括为四大类：支付结算、存贷款与资本筹集、投资管理和市场设施。前三类涉及传统金融业现存业务的业务模式创新，第四类涉及基于新科技的“市场设施”，可帮助企业提高数字化能力，推动金融转型升级，开拓新的管理和商业模式。

 

全球金融科技业务模式呈现多样化和规范化。CB Insights 25家顶级金融科技领域的风投公司（25 Fintech Smart Money）。2015年到2020年的五年间，交易数量增长最快的是支付、保险、财富管理。借贷也一直投资市场的青睬，会计和合规软件，网络、风险、欺诈的交易量有所增长，但有些（比如，区块链和个人理财）热度增长趋势有所下降。

金融企业和科技公司有本质不同：提供的主要产品和服务、科技的投入占比、接受监管的情况等等，当然还有市场指标（比如，市盈率）。

 

 

前面讲了，金融科技的核心是科技驱动下的金融业务创新，要服务于金融的本质。2019年9月由中国人民银行印发的《金融科技（FinTech）发展规划（2019-2021 年）》强调金融科技要：

• 成为金融服务实体经济的新途径

• 成为促进普惠金融发展的新机遇

• 成为防范化解金融风险的新利器

 

科技“优先”的战略和对技术以及人才的投入非常重要，但要很好地同业务相结合，客户利益至上。最终的交付的产品和服务比技术项目更重要。例如，解决中小企业融资难的问题。又例如，赋能供应链金融方面，鼓励金融机构与核心企业加强共享与合作，深化信息协同效应和科技赋能，推动供应链金融向场景化、生态线上化和数字化的发展方向。

 

一般金融机构不应，也不可能做很大投入到金融科技的底层技术上，比如人工智能、云计算、区块链等，重点是运用好现代科技成果“改造或创新金融产品、经营模式、业务流程等，推动金融发展提质增效”。以人工智能技术为例，关注其在金融行业的三个应用趋势：后端金融系统性业务数字化和自动化、前端金融产品在线个性化、金融全流程服务智能化和弹性化 （MIT科技评论和陆金所《FINTECH2020技术应用及趋势报告》）。

 

 

如何平衡创新与风控是企业需要面对，更是监管需要不断探索的问题。随着金融监管环境趋格，一些持有金融牌照“金融科技”企业开始将金融业务剥离出去。同时，个人信息的商业化应用进入强监管时代。金融科技企业通过数据和技术（比如，人脸识别技术）的应用获取经济利益并为消费者带来便利，为金融服务数字化和创新，但另一方面也隐含了巨大的法律风险，风险管理、“科技向善”、信息安全和隐私等问题成为关键。

 

 

科创板上市门槛正不断提高。今年4月16日，证监会发布修订后的《科创属性评价指引（试行）》，包括新增研发人员超过10%的指标，形成4+5科创属性评价指标体系（3项常规指标：研发投入占比，发明专利，复合增长率/营收；5项例外条款：拥有核心技术，科技类奖等）。《科创属性评价指引（试行）》 明确指出要“限制金融科技、模式创新企业在科创板上市。禁止房地产和主要从事金融、投资类业务的企业在科创板上市。“

 

如作为科技企业，核心技术是关键，另一个方面，能否找到行业落地应用场景、快速实现产品化和规模化也同样重要。

戴上“金融科技”的帽子，也许能获得短期的高估值，但靠单纯地追风口很难持续。企业要从长计议，打造为客户持续创造价值的核心竞争力，数字化（转型）是唯一有效途径。

 

中国金融行业的数字化发展经历了三个阶段，金融科技在不同阶段均扮演了重要角色：

1. 上世纪后期 – 信息化阶段，由监管部门主导、自上而下型实施完成

2. 本世纪前10年 – 金融业务互联网化，科技公司推动（2C）创新

3. 近10年 – 数字化（转型）；复杂的生态系统：传统金融机构、科技公司和监管部门三方的合作与博弈

 

数字化（转型）不单纯是技术和创新维度，也不等同于“金融科技”（即，科技驱动下的金融业务创新）。

 

• 客户驱动的企业战略性重构

• 利用数字技术升级产业价值链

• 提高客户体验、满足客户个性化需求

• 最终为客户创造更多价值

 

企业数字化（转型）的成败涉及很多因素（包括战略、组织、文化、领导力等）。数字化（转型）是金融企业适应时代发展的唯一出路；金融企业的数字化（转型）也同时为金融科技带来了难得的机遇和进一步发展空间。

 

今天我们讨论金融科技，鉴于时间的关系，不对数字化（转型）展开讨论了。我下面谈一谈企业数字化（转型）同金融科技相关的几个例子。

 

1）数据和技术洞察客户价值

数据和技术的投入和应用必须围绕客户价值这个目标， 只有这样，才可形成可持续的ROI。

金融机构迄今还未能做到全面洞察客户价值，未能充分利用已有的数据和技术解决客户痛点和需求。

从“个人用户画像”（2C）到“企业用户画像”（2B），力求充分释放数据潜能，通过新技术将数据转化为洞见，才能真正构建满足不断演进的客户需求的产品和服务组合，为客户打造出一个更加全面的生态系统，改善同客户的关系，实现对客户的承诺，将“个性化服务”和“客户体验”转化为利润 。

 

2）人工智能（AI）助力业务转型

人工智能（AI）技术对高质量、高效率的金融服务起着越来越重要的作用。银行需要大规模部署这些技术来保持与时俱进。麦肯锡2020年9月的研究表明，银行正扩大AI技术的应用范围，以改善客户体验和后台流程，而要在这方面取得成功，组织必须实施跨多个层面的全方位转型。

 

例如，AI有效地推动了面向零售客户的业务转型（如下图所示），提高2C个性化服务能力。

同样，AI也有效地推动了面向中小企业客户的银行业务的转型，提高风险管理能力。下图展示了AI是如何帮助银行向小型企业2B贷款提供的整个过程。

3）数据和技术赋能决策，助力整个客户生命周期价值管理

 

银行应优先将数据和技术运用于整个客户生命周期中的决策。

4）个人理财 vs 财富管理和投顾服务

 

“基金赚钱基民不赚钱”一直是公募基金行业难解的痛点。伴随着个人理财热度下降，财富管理和投顾服务成为各家金融机构布局和投入的热点。财富管理和投顾服务针对客户需求和痛点，以客户价值为核心，根据需求为客户设计出一套全面的财务规划。财富管理和投顾服务给金融科技带来了重要的应用场景，也是金融企业打造数字化（转型）能力的机会。

 

从“个人理财”到“投顾服务”模式的背后逻辑实际是从“产品和销售思维” 向“客户价值和个性化服务思维”的转型。截至2020年底，以个人金融资产计算，中国已成为全球第二大财富管理市场、第二大在岸私人银行市场。根据麦肯锡的分析和预测：对标世界发达经济体相比，中国居民的金融资产占比明显偏低，资产配置仍存在优化空间，中国财富管理市场拥有巨大发展前景，高净值与超高净值客层将成为关键战场。

近年来，越来越多的投资者依赖互联网等数字技术手段获取信息并依据自己获得的信息进行投资决策。从美国的数据看（见下图），这个比例已从2001年的15%上升到2019年的45%。虽然目前多数美国投资者的投资决策仍依赖金融机构（2001年的49%微涨到2019年的57%），但越来越多投资者自己做决策的趋势明显。金融机构的财富管理和投顾服务虽前景广阔，必须能真正为客户提供价值，转变认知、充分发挥金融科技的作用是关键。

5）平台战略

 

平台战略高盛的数字化之旅的重要组成部分。2017年高盛集团制订了平台，向“科技公司”转型。2013年，高盛对客户开放Marquee技术平台，与客户共享内部数据、分析及风险管理工具。自此，客户可以将高盛重要的专有数据和应用接入自家系统，同时保有向高盛竞争对手购买产品或服务的灵活性。2016年，高盛向竞争对手开放SIMON（Marquee平台的子系统），允许客户从高盛及其他诸多发行商那里购买证券，包括富国银行、加拿大帝国商业银行和多伦多道明银行等。同年，高盛首次进军消费银行业务，推出数字消费金融服务平台Marcus。高盛董事长兼CEO David Solomon 是这样评价Marcus的：“我们满怀雄心，致力于创建一个差异化、高利润的大型数字消费平台。我们正在努力构建一种开放式架构，让我们能以综合协调的方式帮助个人消费者实现消费、借贷、储蓄和保护这四大需求……我们要将其打造成高盛未来50年的一个重要平台。”

十四个五年规划明确强调坚持创新驱动发展，为打造数字经济新优势，要“充分发挥海量数据和丰富应用场景优势，促进数字技术与实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式，壮大经济发展新引擎。” 十四个五年规划中列举的关键数字技术创新应用都或多或少同金融科技背后的核心技术相关（见下图）。

通过科技驱动下的金融业务创新，金融和科技将更好地融合，金融服务业务能在几个关键领域获益：

 

• 拓宽渠道，扩大规模

 

• 提高效率

 

• 提升客户生命周期价值

 

我最后谈三点：1）重视数据安全合规；2）关注算法偏误和可能带来的伦理问题；3）数据和算法能否构成企业新的“护城河”。

 

 

数据做为新金融体系最重要的资产，数据安全合规对金融生态的健康发展至关重要。

 

我去年在一篇《打造安全的未来数据生态圈》谈过，在数字经济中，数据已成为一项核心生产要素。近年来，企业不断加大对数字化产品和服务的投入，努力探索如何将其拥有的数据转化为商业价值。仅数据本身并不能形成竞争优势。为了使数据在数字世界中有价值，它必须准确、智能且相互连接。数据的相互连接非常重要，数据只有相互连接才能真正发挥其价值。数据的相互连接是以数据开放、流通和共享为前提条件，所有这些只有通过安全的数据生态才能真正得以实现。

 

在数据的收集、使用、开放、流通和共享的实践过程中存在诸多问题。很多大数据依然在“裸奔”，企业稍有不慎就可能跨越道德伦理边界、甚至触犯法律，构建符合数字经济时代发展的未来数据生态刻不容缓。

 

数据安全是数据生态的基础，也是创造数据价值的必要条件。本文从数据安全的角度，就如何打造未来数据生分享一下我们的观点。我们的讨论将从四个方面展开：数据的来源、数据安全、数据规范和监管现状以及未来数据生态环境中政府、社会和企业所应承担的角色。

近期央行发布《金融业数据能力建设指引》，旨在为金融机构开展金融数据能力建设提供指导：数据战略、数据治理、数据架构、数据规范、数据保护、数据质量、数据应用（数据分析、数据交换、数据服务）、数据生存周期管理。

 

金融业数据能力建设遵循以下基本原则：

 

• 用户授权。明确告知用户数据采集和使用的目的、方式以及范围，确保用户充分知清，获取用户自愿授权后方可采集使用，严格保障用户知清权和自主选择权。

 

• 安全合规。遵循国家法律法规、管理制度，符合国家及金融行业标准规范，建立健全数据安 全管理长效机制和防护措施，通过技术手段将原始信息脱敏，并与关联性较高的敏感信息进行安 全隔离、分散存储，严控访问权限，严防数据泄露、篡改、损毁与不当使用，依法依规保护数据 主体隐私权在数据管理与应用过程中不受侵害。

 

• 分类施策。综合考量国家安全、公众权益、个人隐私和企业合法利益等因素，根据数据的保密性、完整性、可用性等属性受到破坏后的影响对象和影响程度，对数据进行分级分类管理。对 不同级别数据进行分类施策，采取差异化控制措施，实现数据精细化管理。

 

• 最小够用。规范数据使用行为，严控数据获取和应用范围，确保数据专事专用、最小够用， 杜绝过度采集、误用、滥用数据，切实保障数据主体的数据所有权和使用权。

 

• 可用不可见。建立数据规范共享机制，在保障原始数据可用不可见的前提下规范开展数据共享与融合应用，保证跨行业、跨机构的数据使用合规、范围可控，有效保护数据隐私安全，确保 数据所有权不因共享应用而发生让渡。

 

 

勿容质疑，同数据一样，算法成为新的竞争要素，在金融科技中起着至关重要的作用。但算法可能会导致“不公平结果”，成为“算法偏误”（Algorithm Bias）。

 

随着“大数据杀熟”等现象频频曝光，“个人用户画像”的负面效应逐渐凸显，诸多平台都曾被曝光利用大数据分析对个人用户进行精准画像，针对不同用户进行歧视性定价。在保险和信贷领域，有几个著名的算法偏误实例。比如，车险价格通常视客户的性别和年龄而定 。高收入者通常被认为还贷能力较强，但高收入也可能与性别、种族或族裔等特征存在关联。有些例子是由历史上的不公现象所致，比如信贷额度曾经以邮编作为计算依据。很多根据消费者特征区别定价的产品和服务领域都存在这种偏向。

 

算法的作用是根据一组规则或约束条件优化某个结果，或对资源进行更有效的配置。但是，“公平性”通常并不在这些算法所遵从的约束条件之内。因此，要减少偏误，就需要在算法效率和公平性之间进行权衡取舍，这方面尚无万全之策，但已开始引起社会、企业和政府的关注。在欧盟，法律规定“禁止以性别、种族、肤色、民族血统和社会出身、遗传特征、语言、宗教或信仰、政治或其他见解、少数族裔身份、财产、出身、残障状况、年龄和性取向为由进行任何歧视”；美国目前尚未颁布解决算法偏误的全国性法规。

 

 

利用和数据和科技构筑企业“护城河”，企业需要认真思考以下几个问题：

 

a) 未来的产品和服务都将是数字化产品和数字化服务，客户数据为其增加了多少价值？

b) 数据驱动型学习的边际价值下降有多快？客户数据无法再增加价值的临界点在哪里？

c) 数据是否属于公司独有，无法从其他来源获取，无法轻易复制和破译？用户数据的贬值率如何？

d) 基于用户数据的产品改进，是否难以仿制？来自一位用户的数据是否有助于为同一用户或其他用户改进产品和服务？

e) 从用户数据中获得的洞见，应用于产品和服务的创新速度有多快？

f) 数据能否为企业主流业务带来网络效应？

 

放眼未来，金融科技还会是（正在积极转型的）传统金融机构、科技巨头、金融科技初创公司、数字金融服务公司的多方协同（互动、竞争与合作）的发展模式，投资和并购会更加常态化，通过市场机制提高科技和金融资源配置的效率，激发科技驱动下的金融业务创新，加快迭代步伐，提高整体核心竞争力，金融科技生态可持续健康发展。