
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
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16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