这是我们在具体的一些状态，我们有这么多数据，这些原始的数据表单都由我们的合作通信商扔在黑匣子里，大家会看到很多关联，这种关联计算方式，最后输出的是计算方式，其实我们对外输出的非常有效的因素在那边，客户的稳定性因素和计算方法获得了金融机构的认可，目前的表现特比较明显，我们不是所有值都OK，有些值在修整的过程，要提升精准度，有些精准度现在可以被用了，其实这些值是可以进入到金融机构的风控审核体系里的一些值，这一部分在做价值。如果我们下面那些精准度不够的值其实与金融机构来讲没有太大意义，这是价值不断提升的过程，因为你的值一定要不断的修整和提升，不能说做到所有都有效，但是应该有十几项的小指标，这也是国外实践经验的逻辑。
我们刚才说的是贷前的审核方式，我决定要不要你，但是在个人业务里，金融机构最大工作量，几乎现在无人管的地方，我们叫贷中，当你已经被批款之后应该怎么对你，金融机构一般做法你不还款了线发短信再打电话，这是事后性的。通信商是一个极度高频使用的场景，我们在通信里获得的场景不是按月度来的是按分钟来的，这个量级很恐怖，我们基于这个情况和贷前的评分做了一个贷中管理，这个贷中管理服务是基于贷前，我们叫做照片对比性，他有一个不断的照片对比性，目前在很多大型的金融机构里在这一点上是觉得确实能帮到他们，因为以前这块几乎没人做，没法有有效的解决手段，这个在通讯领域里可能成为一个解决的方式方法。大家可能觉得我输出的全是01法旨。在未来随着我们业务逐渐的完善，我们认为这种服务性的内容会成为非常重要独立的主体，但是我们没有上来就开始做这个主体的原因是因为我们觉得很难说清楚自己值多少钱，所以我们看到很多互联网金融的应用，特别是类似我们这样的公司，当我去网上采集完做服务的时候是免费的而且还得不到数据修正，你可能追求的是数据共享，在金融机构里数据共享很难，因为已经有金融机构单独买我们的服务。因为从一个业务形态的逻辑形成一个非常标准的值我们可以非常负责的进金融机构讲有效度是多少，我们可以告诉你每个值的有效度空间，这是在真正服务里很难做到，我们可以用业务形态解决问题，业务形态是小规模状态，他是有特定业务场景和需求。多数一种通讯领域覆盖全中国人群这样一种特征性上运用范围更广的是纯粹的专业化输出，这种输出，对于运营商来讲足够简单方便，还有很强的稳定性，一旦他真的认同数据价值和资产过后，稳定性是极高的，他会进他最核心的部分。对于金融机构也有帮助，他在很多审核里完成信息不对称的状态，通过外围实现。在这个过程中完成一个非常重要的动作叫定制，为什么我们没说叫征信就在于这儿，任何一家金融机构都有独特的风险策略，这个风险策略跟他的审核一样，跟他自己的模型建立是一套体系，在这个时候如果只输出一个最标准的给他，有时候很难解决一个问题，在这里面我们会进行模型的分支调教一个对金融机构来讲敏感度的法旨，分段是有学问的，很多人说分段很简单，我们在实践过程中发现真不是这样的，我们长期跟金融机构在一个数值的分段上，开始给他一个意见他们不认可了，后来在实践过程中认可了，你一定要根据当地用户的需求做，他们是广东思维的分值，结果发现都不OK，但是他们调整完之后代表性非常强，这个内容不是那么简单说我输一个标准分值给你，而且很多应用不能对外输出太多分值了。所以在分段的问题上，我们也有很多工作量去做，所以把这一块理解成一个非常重要的定制化的工作。
我们现在的业务只集中在一个区域，下一步开始往所有区域发展，这会涉及到系统架构的问题，我们现在用集中分布式的方法解决信息安全和业务流程体系的问题，比如你去一个省建一个不得了，因为我们接的是银行总行，金融机构的总部，金融机构没有二级三级的架构，要接只能接总部，没有任何一个法人单位接30次，他是一个接口，一个接口打通了，这一个接口做全中国的业务，我们必须有业务流和数据处理流的分离，分离的原因很简单，因为模型处理流行要符合我们信息安全，还有所有的通信商内部监管的安全规范。比如数据不能出省不能出移动等等这样的规范，我们要满足这个规范，这是最基本的要求，所以我们采用了这样的逻辑。这是我们现在的一些情况。为了更好做这个研究，我们已经在跟北大光华做联合实验室，这也是我们花了两年的时间终于做成的一件事，真的有机构拿来做研究了，这个很有意义。把两个领域的数据放在一起，而且是两个领域最核心的数据放在一起，我们来看通信行业跟金融之间的行为代表性有多强，哪些指标代表他的行为这个里面不光通信要Open，金融机构也要Open，他把他的数据拿出来做匹配和一系列的分析，这个在监管状态，目前这个工作在移动体系内进行得状态，为什么我要给到移动体系内，在金融机构来讲是很难克服的障碍，现在有金融机构愿意对一个样板做实验，我们希望有这样一个成果过后直接修正到模型里加强模型的应用价值。