京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代的消费金融该怎么玩?须跃过三道门槛
2010年,消费金融公司开始在我国试点,随着政策的进一步松绑,电商、P2P平台等机构都已经开始尝试进入互联网消费金融市场。据银监会最新数据显示,截至2014年末,全国消费金融行业贷款余额208.8亿元,累计为135万客户提供消费金融服务,发展空间巨大。消费金融的巨大发展空间的背后其实是中国信用卡覆盖人群比例目前还仅有约15%的比例,对应美国70%左右的比例,中国的渗透率很低。美国的整个信用消费的市场在十万亿美元的规模,中国目前还不足两万亿人民币。
尽管电商、P2P等相继进场,但是互联网消费金融的门槛并不低。消费金融服务的是传统银行目前“不能满足”以及传统征信手段“无法覆盖”的人群。整体来说,互联网消费金融的门槛主要体现在三个方面:
一是,如何获得信用评估所需的各类数据。不管是P2P平台、电商或者甚至是个人征信公司,一般机构所掌握的数据都是比较有限的,尤其电商的消费数据并不能完全反映出用户整个的信用体系和画像。央行的征信尚未接入非银行类机构,客户的信用分析也绝非央行征信报告就可以满足。电商、P2P平台若要建立起自己的完善大数据风控体系,首先需要自己去整合大量的数据源并且结构化,需要花费大量的人力物力,如果有信用消费的客户数量有限将更加不经济。
第二,搭建风控模型及算法。即使花费大量的人力物力对接了足够的数据,如果不具备一流的算法及搭建风控模型的能力也一样无法实现真正的信用分析。为满足用户体验,风控决策的时效性也是非常关键的,通常需要在分钟级别的时间内实现对用户的信用分析。
第三,对于P2P平台来说,想要进军消费金融领域,最大的劣势便是消费场景的切入。在消费金融链条中,首先是消费需求的产生,进而才是相关金融服务需求的产生。而电商巨头天然具有黏性较强的消费场景,这是P2P平台比较欠缺的。
从业务模式来说,复星昆仲资本投资的量化派的模式会是目前最有潜力的一种发展方向。这家由华尔街精英周灏在2014年2月创办的公司,定位是数据驱动的信用消费金融平台,为消费场景提供消费信用额度的同时,帮助消费场景实现流量变现。周灏是量化派的联合创始人兼CEO,获北京大学物理学士和莱斯大学物理博士学位,并先后任职Capital One、Morgan Stanley、Barclays。联合创始人王倪毕业于中科大少年班,并获佐治亚理工大学统计学博士,先后任职Capital One和Google。联合创始人罗晓献毕业于中科大少年班,并获耶鲁大学统计学博士,曾任职Blackrock。核心团队还包括国内金融机构及一流互联网公司的人才。
量化派通过平台自身沉淀下来的用户历史信贷交易数据,合作取得的其他机构大量客户的逾期、违约数据(建模必须数据),用户授权的通讯、电商、学历、邮箱、央行征信数据,经第三方征信机构采集的电商交易数据、社交数据、银行卡消费等数据,以及其他个人基本资料、公共记录等信息,分析提炼风险评估及定价模型,并根据模型及数据从多维度为用户描绘一个立体化的征信画像,为开展互联网消费金融业务提供坚实基础。充分利用金融风控模型及Google的运算技术,量化派目前已经可以做到快速风险量化及针对每个人的信用评估给予不同的利率定价。
量化派的定位,在于链接消费场景(或者信贷流量入口)与金融平台,相当于高速信贷工厂。例如量化派可为不具备信用赊购技术能力的电商企业提供信用支付解决方案,实现流量变现及增加交易额。
事实上,互联网消费金融平台要向用户授信其实是需要大量资金的,光凭自有资金是远远不够的。所以,在资金端方面,量化派与大量银行类金融机构、互联网金融平台等建立合作,量化派给资金方提供优质客户,进行风险定价,资金方根据自身风险承担能力,选择相应的借款对象。量化派目前有超过100家合作伙伴,包括58同城、卡牛、消费金融公司、银行、拍拍贷等,目前业务量每个月都在成倍的增长。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24