从2017年的4季度开始，整个的市场大势出现了变化，监管的关键词逐渐从鼓励和创新转变为规范、整顿。行业中也出现一些声音，比如现金贷主要在关注流量问题，以及居民杠杆非常高，接近美国次贷时期危机时的杠杆情况。另外，由于整个经济都在去杠杆，资金的供应也变得越加紧张。
在近日举办的朗迪2018峰会上，雷锋网获悉，度小满金融副总裁黄爽受邀进行了普惠金融的演讲。在这个情势下，黄爽指出，焦虑情绪正在滋生。但他也认为，“只要我们用符合金融生态的框架和符合金融规律的基本方法来作业，普惠还是大有可为的。”在普惠的框架下，只要B端和C端服务好双方诉求，普惠金融仍然大有可为。“以前智能在C端的落地，B端的比较少，很可能形成资金和资产的错配。如果能够更好的匹配起来，能够让更多的资金方参与进来，能够解决更多的问题。”
金融业务也有基本规律遵循，他则主要从客群、风险和产品的“铁三角”关系进行了阐述。从消费空间来说，近年来消费金融得到快速的发展，2016年超过7万亿，到了2017年达到11万亿。有专家预测，到2022年增长会是两位数，约为10~15。而且小微企业、零售需求都还有很大的发展空间。第二个中国得天独厚的是人对智能终端的使用，使得大量的数据能够沉淀在智能终端上。但是光有数据是没有用的，还要算法使得特殊的任务简单化。百度大概有14款用户过亿的APP，意味着大概有10个亿的设备行为能够沉淀在底层。
同时，两位嘉宾在会上提出场景可能是一个伪命题。对此，黄爽表示，他认为场景不是一个伪命题，只是场景的作用会慢慢降低。“如果你有一个真实的需求，不管在什么场景下，其实你都应该获取一个金融的产品，而这个产品是至于你那个时点更为合适的?还是至于你这个人更为合适的?其实答案在人和机器互相的学习中能够慢慢展现出来。”
他提到响应模型，这是对一个人需求的描述，搜索的数据是一个人真实需求的表达。这里面不仅有行为特征，还有长周期决策，比如说出国进修，也有一些需求表达非常直接的，比如说快速租房，其中就蕴含金融需求。“如果从模型的角度来看这件事情的话把百度用户5等分，响应评分最高的这群人和响应评分最低的人，是90分，有些人在这些时点真的不需要钱，而有些人这些时点真的最需要钱。比如说他们的收入的稳定性不高，或者刚好有一笔大的开销，这些也会反映在我们的响应模型和风险模型的交叉验证上。”这就是对人的识别。
在识别风险时，百度目前已经与许多城商行进行合作，在相对小额的产品方面，大数据能够完成相对可靠的金融决策的。但是在另外一些情况，它其实是央行征信的有效补充。大数据的作用其实是提升效率，消除金融摩擦。此外，还可以指导定价。“我们现在其实ABCD几个客群定价的变化幅度还是非常大的，可能A客群应该是D客群的一半不到。”
另外，风险的表现不仅仅是线上的，智能其实也是有一个场景泛化的过程，很多线下的场景也是能够使用到相应的技术的。教育贷是百度金融深耕的一个场景。申请实际上发生在线下，远程授信已经实现秒批。据介绍，当用户申请的时候，百度会监控所有的申请人之间的关联关系。“人和人之间没有太多的关联，一个骗贷的学校就会长的非常不一样，人和人之间的关联度会发生非常大的增长。打上了嫌疑标签的这样的一些人员也会变多了，这是完全实时的。随着我们经验的增长，我们把这样的学校和其他曾经发生骗贷的学校也关联起来。所以智能的技术的应用场景也是在慢慢的泛化当中。所以当你拥有了对客群的认知，对风险的甄别，就可以产生不同的产品。而不是简单地盯着利息最高的客群，也不是盯着传统银行能够服务的客群。”
他举两个真实客户的例子。有一个小白领，她喜欢上贴吧，有一份兼职工作。在她读新闻的时候，她会收到信贷推送，只要进行授权，完成审核，就能获得5万块的额度。另外一个是年纪较大的小微企业主，他有出国游、子女教育的需求。虽然使用百度产品的频率较低，但是综合评分仍然比较高，风险等级是A，所以百度给他推荐的是30万的信贷广告。“他在任何百度的入口都可以看到这30万的额度。场景已经泛化了，更多以人为维度实现授信。”
“如果一定要叫“铁三角”三边关系的话，我认为是客群和产品决定了风险值。一个能接受40%利息的人，和能接受18%利息的人，他们的风险的平均值不同，其实也决定了产品的竞争力。同样一个人，你已经知道他是谁了，大概有风险的控制能力了，你怎么样在定价上或者产品定价上对他有更大的吸引度?你要对这个人有比较好的认知。最终产品决定了你的边界，你能把多少人覆盖?不断地打磨你的风险，每个人都要适合他的产品。最终我们通过技术，能服务更多的人。”
说完了C端的故事，看B端。2B和2C的业务有着不同的打法，2B的业务获客边际成本最好是为零。黄爽表示，B端的客户首先power比较大，最好有相对比较稳定的客源，“交易结构是通过加保险的方式，还是加担保的方式?还是双方长期信任，形成风险控单的形式?这都是由不同的交易来支撑。”
不同的银行的合规风险基本上是一致的，但是不同的银行风险边界是不一样的。关于找猫的问题，在这里也展现的淋漓尽致。银行一定有自己的筛选标准，甚至不同的风控策略得到不同的结果。在百度试着沟通了一段时间，就会发现一方面银行不可能把他所有的东西都告诉你，第二，即使知道所有的规则，并将其加入筛选中，但很多时候规则不是线型的，它是个决策树。最终分配给银行的客户，很可能不是他最想要的，批复率在40~50%左右。这个时候工程师就会把银行已经批复的40~50%的人里面去找这个“猫”，让机器进行学习。通过一段时间的学习，合作机构的批复率都能够达到90%以上的程度。从产品层面来说，互联网公司更多的时候是要做一个整合、流畅、统一的在线体验，这也是对金融机构一个最大的贡献。
黄爽还提到，用户属于谁的问题。以百度的智能分配云帆平台为例，一个客户应该拿A银行的产品还是B银行的产品，还是某个消费公司的产品?客户是从爱奇艺过来的，评分700分，定价16%，初始额度是2万块。百度预测，这个客户可以在生命周期里面为任何一个金融机构创造大约一万块钱的收入。最后这个客户可能被推荐到了B银行，而从保护客户体验的角度来说，并不是因为A银行的资金已经用完而不能够完成交易(各个银行资金的使用率不同)，更多是考虑到智能分配，才将客户分配给B银行。
在全生命周期的经营里面，百度和B银行也是合作的关系。关于客户的归属权，他既是互联网平台的用户，也是金融机构的客户。“在生命周期里面，我们同时要经营这样的用户和这么一个客户，而不用过多纠结这到底是谁的客户的问题，大家各司其职，这里面提供的价值是不一样的，最终加在一起，能把这个客户服务得更好。”
