
大数据入场互联网金融摆脱草莽
互联网金融发展至今,坏账一直是其挥之不去的阴影,2014年,全国P2P问题平台达275家,同比增长260%;行业平均坏账率8%,为银行的8倍。坏账率过高已经成为整个互联网金融行业发展的最大障碍。铁哥此前接触过各地不同形式的互联网金融平台,深感这是一个鱼龙混杂亟需完全科学化改造的行业。甚至部分互联网金融平台是与黑社会相伴的一半魔鬼一半天使的人格分裂型平台。
表面P2P暗里黑社会
部分互联网金融公司做P2P业务,表面看是完全互联网化的操作方式,用户线上注册提交信息以及融资需求,认定融资成本,便可较为便捷地获得资金。
但其中问题在于,相当部分的用户由于诚信度以及履约能力较差,被银行业拒之门外之后转投互联网金融平台,而多数互联网金融平台由于缺乏征信体系以及相关数据支持,无形中加大了平台的坏账风险。
当用户产生履约难问题之后,一些平台会将债务转移至其关联公司,于是用户与平台的债务关系便成为用户与关联公司的债务关系,由于用户欠款已由关联金融公司垫付也无形中拉低了互联网金融平台的坏账率。如果用户继续履约难,一些关联公司便要使用社会力量——黑社会前来追缴。
由于黑社会是由关联公司所找,互联网金融平台无太大责任,可以继续以互联网思维为借口站在风口。但其中难以回避的事实为平台方与黑社会的关系是你中有我的。而即便有社会催债力量协助,互联网金融平台也难以摆脱坏账噩梦,社会力量多在某地区有影响力,用户跑路坏账在所难免。
相当部分P2P平台由于缺乏相关数据支持,无法事先甄别用户,使得坏账根本无法避免,而社会催债力量又将整个行业拉低至极其草莽阶段,这都是不利于行业健康有序发展的。
互联网金融重点在征信数据
互联网金融行业要真正规避风险,仅靠黑社会是完全不行的,铁哥以为利用大数据的征信平台才可真正规避风险。7月10日,在玖富主办的互联网金融创业大赛杭州赛区,玖富以及芝麻信用的专家及管理人员对互联网金融的征信问题表达相当深刻的见解。而铁哥根据现场信息以及自身对行业的观察,认为目前互联网金融征信主要有以下三方面:
其一,企业自建征信标准
蚂蚁金服旗下的芝麻信用以支付宝和阿里电商交易体系为依托,结合购物、支付、以及相关数据,自建征信体系。由于信用体系将伴随用户一生,信用指数较高的用户可获得签证等方面的便利,用户出于自己未来利益考虑也不会轻易违约。
其二,企业参考全网数据严控金融风险
玖富作为国内领先的互联网金融集团,一直在研究大数据风控和风险评估。旗下的闪银Wecash便是基于用户的社交大数据进行的风险评估,只要用户有网络社交平台账号,即可在移动端进行闪电评估,出示具体分数后将很快拿到授信额度。
随着移动互联网兴起,社交平台可包含用户交际圈、消费习惯等维度信息,这都是综合评判用户履约能力的重要指标。
其三,强强结合
不久前玖富宣布与芝麻信用展开信用合作,双方将在芝麻分、反欺诈、风险名单等业务上展开深度合作。芝麻信用将丰富玖富对借款人的评估维度,为玖富移动金融业务筛选出更加优质的客户,进而提高整个平台的风控水准;而玖富客户的履约行为也将对个人的“芝麻分”产生影响,并从长远推动中国基础征信体系的建设。
如果一切顺利,双方的征信体系将会成为国内最大最权威的金融征信数据中心。
互联网金融行业如众多新兴行业一样,也是经历了草创阶段之后才逐步进入科学化管理阶段。而铁哥以为在科学化改造过程中,将会有一大批缺乏大数据采集技术和意识的平台走向灭亡,也会有一大批沉迷过往草莽手段的平台逐渐被科学化平台所淘汰。而曾经将互联网金融平台视为大客户的社会人士业务也将逐渐萎缩。在此,铁哥有必要提醒那些体量不大但认为也可通过大数据做征信体系的平台,不要对此抱太大幻想,由于体量较小,用户量小,而缺乏基础量的数据支撑下的所谓大数据,是无法建立模型进行数据分析的,即便草草建模数据真实性也难以保证。其规避风险能力还不见得有黑社会催缴强。
当然一些如玖富这般有数据技术、体量以及用户支撑的互联网金融平台将成为科学化改造的最大受益者,互联网金融行业也才真正进入正常的互联网发展轨道中。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15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