
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
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29