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
在实验检测、质量控制、科研验证等场景中,“方法验证”是确保检测/分析结果可靠、可复用的核心环节——无论是新开发的检测方法 ...
2026-03-04在数据分析、科研实验、办公统计等场景中,我们常常需要对比两组数据的整体差异——比如两种营销策略的销售额差异、两种实验方案 ...
2026-03-04在数字化转型进入深水区的今天,企业对数据的依赖程度日益加深,而数据治理体系则是企业实现数据规范化、高质量化、价值化的核心 ...
2026-03-04在深度学习,尤其是卷积神经网络(CNN)的实操中,转置卷积(Transposed Convolution)是一个高频应用的操作——它核心用于实现 ...
2026-03-03在日常办公、数据分析、金融理财、科研统计等场景中,我们经常需要计算“平均值”来概括一组数据的整体水平——比如计算月度平均 ...
2026-03-03在数字化转型的浪潮中,数据已成为企业最核心的战略资产,而数据治理则是激活这份资产价值的前提——没有规范、高质量的数据治理 ...
2026-03-03在Excel办公中,数据透视表是汇总、分析繁杂数据的核心工具,我们常常通过它快速得到销售额汇总、人员统计、业绩分析等关键结果 ...
2026-03-02在日常办公和数据分析中,我们常常需要探究两个或多个数据之间的关联关系——比如销售额与广告投入是否正相关、员工出勤率与绩效 ...
2026-03-02在数字化运营中,时间序列数据是CDA(Certified Data Analyst)数据分析师最常接触的数据类型之一——每日的营收、每小时的用户 ...
2026-03-02在日常办公中,数据透视表是Excel、WPS等表格工具中最常用的数据分析利器——它能快速汇总繁杂数据、挖掘数据关联、生成直观报表 ...
2026-02-28有限元法(Finite Element Method, FEM)作为工程数值模拟的核心工具,已广泛应用于机械制造、航空航天、土木工程、生物医学等多 ...
2026-02-28在数字化时代,“以用户为中心”已成为企业运营的核心逻辑,而用户画像则是企业读懂用户、精准服务用户的关键载体。CDA(Certifi ...
2026-02-28在Python面向对象编程(OOP)中,类方法是构建模块化、可复用代码的核心载体,也是实现封装、继承、多态特性的关键工具。无论是 ...
2026-02-27在MySQL数据库优化中,索引是提升查询效率的核心手段—— 面对千万级、亿级数据量,合理创建索引能将查询时间从秒级压缩到毫秒级 ...
2026-02-27在数字化时代,企业积累的海量数据如同散落的珍珠,若缺乏有效的梳理与分类,终将难以发挥实际价值。CDA(Certified Data Analys ...
2026-02-27在问卷调研中,我们常遇到这样的场景:针对同一批调查对象,在不同时间点(如干预前、干预后、随访期)发放相同或相似的问卷,收 ...
2026-02-26在销售管理的实操场景中,“销售机会”是核心抓手—— 从潜在客户接触到最终成交,每一个环节都藏着业绩增长的关键,也暗藏着客 ...
2026-02-26在CDA数据分析师的日常工作中,数据提取、整理、加工是所有分析工作的起点,而“创建表”与“创建视图”,则是数据库操作中最基 ...
2026-02-26在机器学习分析、数据决策的全流程中,“数据质量决定分析价值”早已成为行业共识—— 正如我们此前在运用机器学习进行分析时强 ...
2026-02-25在数字化时代,数据已成为企业决策、行业升级的核心资产,但海量杂乱的原始数据本身不具备价值—— 只有通过科学的分析方法,挖 ...
2026-02-25