京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据下的互联网金融精细化运营_数据分析师
在刚刚过去的两会中,政府工作报告首次提出“互联网+”概念,互联网与各传统行业的“加和”效应迎来了一波全民讨论的热潮。
传统行业以金融为例,在与互联网的“加和”历经创新、阵痛、借鉴、突破、融合之后,“互联网+金融”已然深刻改变了传统金融的经营模式和经营格局。近年来不断涌现的新兴服务和模式:第三方支付、手机银行、手机理财、互联网货币、P2P、众筹,让“互联网+金融”的力量一再彰显,也让更多的“长尾用户”享受到了普惠的金融服务。
尤其在今天,伴随着移动互联网和大数据技术的成熟及应用,互联网金融更将迎来几何倍的爆发式增长。企业如何持续依靠技术驱动进行创新性发展?大数据如何助力企业的精细化运营?4月8日,国内第三方消息推送服务商极光推送联合宜信宜人贷、中国社会科学院金融所银行研究室及金融大数据公司量化派在3W咖啡举办了一场科技沙龙,探讨“大数据下的互联网金融精细化运营”话题。
会上,宜信宜人贷CTO段念以宜人贷推出的国内首个大数据信贷产品——“极速模式”为例,解答了关于“互联网+P2P”,那些已经发生的、正在发生的、将要发生的。
宜信宜人贷CTO段念
互联网+P2P不是线下的搬运工
P2P是个充满挑战的行业:隐性门槛极高、充满机遇却也暗藏风险。特别是在中国现有信用体系不健全和行业监管缺失的前提下,P2P的行业环境更加鱼龙混杂。
近年来随着P2P平台挪腾线上,欺诈成本降低、欺诈手段变换,平台的信审和风控机制也亟需迭代,为线上P2P平台提出了严峻的命题要求——不但要引入线下的规则作为参考和经验,更要广泛采集用户信息和行为,来打造全新的信审和风控模型。
极速模式国内首款大数据信贷产品
2014年4月,宜人贷推出了国内首款大数据信贷产品——“极速模式”。这是一款面向具有“充分互联网行为”人群的手机借款服务。
在“极速模式”下申请借款的人群,至少需要满足两个条件:一,拥有信用卡以及接收信用卡电子账单的邮箱;二,拥有电商网站的账号及真实的交易记录。
采集信用卡账单及电商网站信息后,系统结合用户提供的个人信息——如手机号、姓名、身份证以及银行卡,将这些数据放入后台的反欺诈系统,反复交叉验证用户数据,作为判断是否授信以及衡量授信额度的依据。
上线一年来,“极速模式”现已达成“1分钟授信,10分钟审核”,最快当天到帐、额度最高十万元的快速借款。目前累计放款突破9亿元,为超过百万的用户提供了信用评估服务。
极速背后线上之上
开发“极速模式”的初衷,是基于宜信九年服务百万用户的风控经验,更是联合宜人贷“线上”和“指尖”科技达成的创新成果。
互联网要求“轻”而“快”,用户的痛点是“快速”和"便捷";金融要求“缜密”和“严谨”,企业的痛点是风险控制。落地到“互联网+P2P”的命题下,则是用户渴望“输入信息少、审批速度快”和企业希望“审批信息多、过程更翔实”;看似对垒的两方需求,如何通过互联网和移动互联网技术来解决?
第一,线下信息如何转移到线上?
凭借互联网技术,线下所需提交的信息有了更高效的采集方式。原本动辄四、五十项信息的手工填写,如今只需要用户简单的信息录入和“授权读取”操作,系统便能够自动完成。
以通话和信用卡账单为例,原先需要用户本人去营业厅和银行查询、打印并提交,如此一来用户体验很差,二来人工审核造假成本也较高;现在,通过“极速模式”,只需要录入信用卡账单的接收邮箱及手机号,不但系统可以秒读信息;而且信息可以迅速放入反欺诈模型中进行识别校验。
第二,更广泛的信息搜集渠道。
除此之外,“极速模式”背后有一套代号为“蜂巢”的信息抓取系统。我们从不同维度采集用户信息,比如电商网站以及一些散落在互联网上的边缘性信息,用来丰富用户形象,以得到更精准的数据分析结果。
第三,更多重的甄别手段。
互联网技术的发展,尤其是移动互联网技术的发展,为我们收集更多纬度的信息,实现多重甄别提供了技术上的可能。
例如,手机App可以自然地提供用户的地理位置等信息。如此一来,恶意造假的黑中介造假成本便大大提高了。一旦黑中介通过手机客户端提交借款申请,我们便可以基于其地理位置进行数据分析,针对提交频率高、逾期率高的地点进行额外的风险观察,从而建立基于地理位置的黑名单区域。
线上和指尖是未竟之境
互联网和移动互联网技术帮助企业获得更广泛和真实的用户数据、更多重的甄别手段,P2P平台基于此将陆续展开大数据下的精细化运营。
据CTO段念介绍,宜人贷“极速模式”较之以往模式不但快的多、轻的多,而且逾期率也非常低,未来会进一步推广和迭代。
接下来,宜人贷会朝着“线上”+“指尖”的方向继续前进,在“未竟之境”通过技术手段持续提升平台效率,为更多的借款人和出借人提供高效优质的金融服务。
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 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20