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
逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型,常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代,市场竞争日趋同质化,用户消费需求愈发个性化、多元化,传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-06-02在市场竞争日趋饱和、用户需求不断细分的当下,企业创业创新、产品迭代与市场拓展不再依赖经验决策,而是需要系统化、工具化的商 ...
2026-06-01【核心关键词】调度、岗位、数据库、企业、报表、培训、程序、数据分析、数据加工、业务部门、企业数据、调度工具、业务指标、 ...
2026-06-01 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-06-01在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25