假设一家信贷机构要开展一项全新的信贷业务。信贷对象为小微企业或个人从业者，行业千奇百怪，地域遍布全国，这些企业和个人的成本结构、利润率不详，基本没有财务报表，没有信用记录，也没有有价值的抵押物。

业务要求：同时为百万级客户服务；单笔数额不超过100万元，贷款期限为几天到一年；实时审核贷款，实时发放；坏账率不能超过行业平均水平。

传统银行会怎么做？

大体如下：开发一套针对小额信贷的中央风控流程；建立遍布全国的物理网点；设计先进的调查问卷，银行的内部系统支持移动设备实时输入问卷结果，运用打分卡技术进行风险评估；要求对方提供抵押或担保；人工审核。

这是目前小额贷款业务的通行做法，但所有的传统机构都面临同样的困难：相较于每笔贷款的金额，收集客户信息的成本实在太高。

蚂蚁小贷做到了什么？

全线上流程，实时放贷（从客户输入贷款金额到拿到贷款，不超过1分钟）；机器自动放贷，无物理网点，无客户经理；平均单笔贷款低于5万元，少的只有几百元（传统的小贷机构单笔贷款一般不低于50万元）；每年为超过40万客户服务；无须抵押和担保；坏账率不高于2%。

蚂蚁小贷是中国第一款智能金融产品。它做了三件关键的事：小微贷款业务的数据化，用算法完成风险评估，以及将数据智能与小贷场景无缝融合的产品，即数据、算法、产品三位一体地提供服务。

归功于互联网，蚂蚁小贷能够分享潜在客户的诸多数据，比如这些淘宝卖家正在卖哪些商品、生意好不好，又比如卖家经营店铺勤快与否（客服旺旺的回复速度、每天经营时间的长短等）、之前是否有过不诚信的行为，等等。这些数据的丰富度、准确度和规模都远高于传统机构所能采集到的信息。(www.daowen.com)

蚂蚁小贷的算法工程师建立了三套机器学习的算法模型来处理这些海量数据，即偿贷能力模型（相关经营数据）、偿贷意愿模型（客户风险偏好及信用度）、定价模型（价格偏好及策略），给每位客户进行风险评级和定价。

与传统金融机构的数据分析不同，基于在线数据，算法模型能够进行实时迭代。一方面，新数据不断涌入，客户的每一单交易、每一次上线、每一次还款，原则上每时每刻都在改变他的分值。

另一方面，算法模型自身也在迭代。事实上，客户借还款的数据，会实时反馈到蚂蚁小贷的数据池中，多个算法模型据此实时优化：哪些维度的指标应当被纳入或清除出模型，客户的哪些行为特质应该被赋予更高的权重，在不同的情形下哪些算法模型有更高的准确度。在蚂蚁小贷，这些算法模型更新的频率以“周”计算，而即便在金融数据化程度极高的美国，一次算法更新往往也需要6个月。

最后，蚂蚁小贷还将数据智能融入小微贷款这一商业场景中，设计出一款高效的互联网产品。淘宝卖家可以在店铺运营平台上直接申请贷款，如同在谷歌的搜索框输入关键字一样简单。这个贷款页面也是机器算法的反馈通道，数据实时更新，算法不断迭代。

事实上，在卖家提出贷款申请前，蚂蚁小贷的后台机器集群已经根据他在淘宝上的行为数据，对他进行了风险评估，并预先授信。所以，可以实现实时审核，自动放款。

在这个过程中，客户的数据越来越多，数据维度越来越丰富，参数越来越准，算法模型越来越有效，风险控制的成本越来越低，信贷对象的体验越来越好，覆盖的贷款用户也越来越广。整个业务进入高速发展的正向循环。更重要的是，这是一个基于数据和算法，且自动的智能化用户体验提升过程，商业效率也得到了极大提升。

蚂蚁小贷是智能商业的一个经典案例。信贷如此古老而复杂的商业活动，被抽象、极简地表达成了一个人机交互的输入框；传统上烦琐得令人望而生畏的信贷流程，变成了“输入信贷需求一机器做出决定一资金自动汇入”三个简单的动作；过去高度依赖人的判断力的贷款审核，变成了由机器自动决定。小额贷款成为一项数据驱动的智能业务。