數據分析消費金融

『壹』 消費金融中的大數據風控原理是什麼

原理其實並不復雜，傳統的金融機構是通過人工逐個分析這些數據，效率低、成本高。現在依靠雲計算，讓計算機自動甚至主動收集、分析、整理各類徵信數據，就可以提供更多的金融產品以及更便捷的金融服務。
現在做大數據風控不錯的提供風控與決策的有神州融，做評分的有FICO

『貳』 如何緩解大數據帶來的尷尬

如何緩解大數據帶來的尷尬
關於大數據，最近爆出的一個笑話：在電影業一次內部行業會議上，一位巨無霸級別的電影業發言人說：通過數據挖掘，我們發現不同觀眾的相關賣品偏好。比如《芳華》的觀眾比《戰狼》觀眾消費了更多的熱飲。這些都是之前我們不知道的，也是無法預測的。
上面這樣一個基於兩部影片的觀影數據分析得出來的結論，看似客觀正確，實則因為模型不完善(缺少觀影季節的考量)等原因，而鬧出笑話。
在近期，我們在給金融科技做盤點的時候，就發現大數據自身就是一個「尷尬」。我們找遍新聞，也沒有發現這個詞有什麼特別值得說道的地方。只能靠著一點時政資料湊齊了這個關鍵詞的盤點。
2017年，大數據如此重要，卻又如此沒有料。
大數據模型不完善，是因為根基不牢大數據一直不溫不火，和他的發展缺陷有很大的關系。雖然大家極力看好它，但未能迎來行業的爆發。
和一些做大數據的朋友聊天，他們甚至會很直白地吐槽自己家的數據模型。
「那些所謂的數據模型之類的鬼東西，你只需瞄上一眼，就能頭疼一整天。模型里的數據巨大無比，線索邏輯紛繁復雜。很多數據看似很重要卻極其無聊，對結果判斷毫無意義，食之無味棄之可惜，雞肋一般的存在。」
「說實在的，根本原因不在於技術的落後，而是整個行業的發展根基太淺，無法對數據的有效性進行勘誤、歸納和合理解釋。」
「粗略地說，合理的大數據架構是，數據模型完善，能根據特定領域做出全面合理的數據精簡，去掉無關數據和干擾數據，梳理出一條合理的客觀建議，並根據數據分析師的主觀判斷和勘誤，再總結出合理的結論，對相關行業做出准確的預判。」
「現在呢?本來數據模型都存在這樣和那樣的漏洞，卻還想著數據處理的完全自動化。」
「而完全依靠客觀數據，完成所謂的人工智慧演算，那都是扯淡的事兒。」
「剛才說的那個《芳華》和《戰狼》的笑話其實就是一個看似客觀，實則可笑的分析結論。」
「這是因為，大家一說到大數據，就太拿數據想當然了。如果只靠著這點意識去做消費金融領域的數據分析，肯定有很多投資人被坑得底兒朝天!」
「所以現在掙錢的還是那些靠著倒買倒賣用戶資料的數據公司，一個數據包，加點水分，到處賣，收益無限。」
「不過，最近似乎也沒那麼容易整了，因為官方越查越嚴，有些所謂的大數據公司搞不動了，怕是要涼了。」
物聯網或許是大數據公司的真正機會「除了行業經驗的累積，還需要更多數據做線上支撐。」
「當然，並不是說數據越多越好，而是說，線上的數據越豐富，越有利於我們組織有效數據。」
「核心問題就在於，如何產生大量的有效數據。」
「有效數據，簡單了說，就某個領域，比如，消費金融領域的某一個小細分的消費品的相關數據，在合理組合和解構之後，對行業發展做出合理預判，對投資人預期負責的數據。否則，數據越大，負擔越重，越成不了事兒。」
積累經驗到什麼時候才算是個頭呢?
「或許要等到物聯網時代的真正到來。」
為什麼?
「物聯網可以讓更多的消費金融數據和物流數據線上化，個人消費信用信息也將進一步線上化，數據的歸集和處理將更加高效和全面。」
「不過，隨著移動支付的快速發展，更多人的金融消費能力在線上就基本被呈現了出來，包括個人的消費習慣和個人徵信信息都被線上化，而由此產生的物流信息、住房、貸款信息等都在逐步完成終極線上化，這些對大數據來說，都是極好的機會。」
「大數據行業機會很大，但大數據是一個不穩定的行業，因為一切的數據都歸結到機器里，而機器由人來掌控，相關的操作風險完全看自己的風險意識和人品。行業隨時爆發大規模風險，運氣好隻影響數據安全，運氣不好，很企業和個人的信用會破產。這會給行業，甚至整個社會帶來巨大的災難。」
「因此，從業企業的相關准則需要進一步細化和規范，對人也需要有個職業操守方面的管制。」
什麼樣的人怎麼用數據，其目的和效果都是不一樣的。
這又和一個大數據相關的段子有點關系，正好段子開頭，笑話結尾，也還算圓滿。

『叄』 如何進行互聯網金融運營數據的分析，都有哪些方法

來源於：知乎
大部分的互聯網金融公司最為糾結的一點是，流量這么大，獲客成本這么高，為什麼最後的的轉化率和成單量卻這么低？怎樣才能提高用戶運營效率？用戶行為數據分析怎樣把處在不同購買決策階段的用戶挑選出來，幫助互聯網金融公司做到精益化運營？
我們的客戶中很大一部分來自互聯網金融，比如人人貸等行業前 10 的互聯網金融公司。在服務客戶的過程中，我們也積累了大量的數據驅動業務的實踐案例，來幫助客戶創造價值。
一 、互聯網金融用戶四大行為特徵
互聯網金融平台用戶有四大行為特徵：
第一流量轉化率低，下圖是某互聯網金融公司網站上，新客戶過去 30 天整體購買轉化漏斗，其轉化率只有 0.38%：
而這並非個例，實際上，絕大多數互聯網金融公司，在 web 端購買的轉化率基本都在 1% 以下，APP購買率在 5% 左右，遠遠低於電商或者其他在線交易的購買率。
第二，雖然轉化率低，但是客單價卻很高。一般來說，電商行業客單價在幾十到幾百，而互聯網金融客戶，客單價從幾千到幾萬，某些特殊領域甚至高達幾十萬。而客單價高，就意味著用戶購買決策會更復雜，購買周期也會更長。
第三，用戶購買行為有很強周期性。電商的客戶下次購買時間是不確定的，但是互聯網金融平台上，真正購買的用戶，是有理財需求的用戶，在資金到期贖回產品後，一定還會進行下一次購買，只不過未必發生在你的平台上。
可以看到，每隔一段時間，這個用戶就會有一段集中的、大量的交互行為。當用戶購買完成後，用戶的交互行為又變得很少，可能偶爾來看看產品的收益率，但整體的交互指標不會太高，直到他下一次購買。這個用戶理財需求的周期是一個月左右。

最後一個特點是「很強的特徵性」，主要包括兩個特徵：
A：用戶的購買偏好比較容易識別，理財產品數量和品類都很少，所以用戶購買的需求或者偏好，很容易從其行為數據上識別出來。
B：用戶購買過程中的三個階段特別容易識別：
用戶在購買決策階段，有大量的交互事件產生，他會看產品，比對不同產品的收益率和風險，比對不同產品的投資期限等等；
但是一旦他完成了產品的購買，就不會有大量的交互行為產生，他可能僅是回來看一看產品的收益率。
當用戶的產品資金贖回之後，又有大量的交互事件產生，實際上他處在下一款產品購買的決策期。
二、互聯網金融用戶運營的三大步驟
針對互聯網金融用戶行為的四個特徵，在用戶運營上有三個比較重要的階段性工作：
1.首先，獲取可能購買的目標用戶，合理配置在渠道上的投放預算，以提高高質量用戶獲取的比例：
渠道工作的核心，主要是做好兩方面的工作：宏觀層面，優化整個渠道的配置；微觀層面，單一渠道角度來說，根據渠道配置的策略，有針對性地實施和調整。
具體渠道的實施，大家都比較熟悉，但是對於整個渠道組合配置的優化，很多人接觸的其實並不多。
這張圖是整體轉化漏斗，從不同維度可以做對比，比如我們先選出流量前 10 的渠道：
以渠道一為例，總體的轉化率是 0.02%；在過去 30 天站內總體的流量是 18.9K，漏斗第一級到第二級的轉化率是 3.36%，這樣一共是五級，我們看到最終渠道一帶來總體的成交用戶一共是 4 人。
類似的，前 10 的渠道數據都很清晰。不同渠道帶來的流量，不同渠道總體的轉化率，以及不同渠道在整個轉化路徑上每步的轉化率都可以看到。
這裡面有幾個渠道很有特點：
渠道一的特點，渠道一帶來的流量是所有 10 個渠道里最大的，但是它的總體轉化率卻是低的；
渠道二和渠道七，渠道二的量很大，但是轉化率是零。渠道七量比較一般，轉化率也是零；
渠道九和渠道十，這兩個渠道是所有渠道里轉化率最高的。但是這兩個渠道特點，是帶來流量不是特別大……
第一象限（右上角）渠道質量又高，帶來流量又大的，這裡面渠道三四五是符合這個特徵的，渠道策略應該是繼續保持和提高渠道的投入。
第二象限（左上角）渠道的質量比較高，但帶來的流量比較小，這裡麵包含的主要渠道就是八九十。對應的主要策略是，加大渠道的投放，並且在加大投放的過程中，要持續關注渠道質量的變化。
我們先看第四象限（右下角），渠道質量比較差，但是帶來流量比較大，這裡面主要有渠道一和渠道二。相對應的渠道策略，應該在渠道做更加精準的投放，來提高整個渠道的質量。
第三象限（左下角）這個象限里渠道質量又差，帶來流量又小，比如渠道六跟渠道七。我們是否要直接砍掉？這里建議是，策略上要比較謹慎一些。所以在具體渠道的策略上，業績保持監測，然後小步調整。
根據上面數據分析得出的結果，做過渠道優化後，就會為我們帶來更多高質量的用戶。
2.接下來就要把高價值的用戶——真正有購買需求，願意付費、購買的用戶找出來。
將資源與精力投入到真正可能購買的用戶上的前提是，我們要能夠識別出，哪些是真正有價值的用戶？哪些是價值偏低的用戶？
其實對於互聯網金融平台來說，甚至所有包含在線交易的平台，用戶的購買意願，是可以從用戶的行為數據上識別出來的。由於互聯網金融平台的特殊性，相比於電商平台來說，商品品類更少，平台功能也更為簡單，所以用戶的行為數據，也更能反應出互聯網金融平台上用戶的購買意願。
把用戶在平台上的所有行為總結一下，核心的行為其實並不多，具體包括：
用戶查看產品列表頁，說明有一些購買意願，點擊某個產品，說明用戶希望有進一步的了解。用戶最終確認了支付，完成了購買，購買流程就走完了，他的理財需求已經得到了滿足。每一種行為都表示出用戶不同程度的購買意願，所以獲得用戶在產品里的行為數據就十分重要。
既然用戶行為數據這么重要，那麼怎樣獲取呢？GrowingIO 以無埋點的方式，全量採集用戶所有的行為數據，根據我們對業務的需求，配比成不同的權重系數，並按照每個用戶購買意願的強弱，進一步分群。
這是我們一個客戶製作的用戶購買意願指標的範例，剛才的前 5 個行為，都是用戶在購買前典型的行為：
每種典型事件的權重系數不一樣，用戶購買意願是越來越強的：用戶點了投資按紐，甚至點了提交的按鈕，顯然要比他單單看產品列表頁，或者單單看產品頁、詳情頁的意願強。越能反應用戶購買意願的事件，你給它分類的權重應該是最大的，這是大的原則，0.05 還是 0.06 影響並不大，所以不必糾結。
這樣通過這種方式，我們就可以按照每個用戶的所有行為，給用戶做購買意願打分的指標，最終形成用戶購買意願的指標。
這是我們從高到低截取部分用戶購買意願打分的情況，第一列是每個用戶的 ID，第二列是按照購買意願給每個用戶打分的情況。得分高的，就是購買意願最強烈的用戶。
拿到所有用戶購買意願之後，我們就可以按照用戶購買意願的強烈與否，把所有的用戶分成不同的群體，來做針對性的運營。
這是在把用戶在過去 14 天內，由其產生的所有行為數據，按照購買意願打分的權重，把打分大於 5 的用戶找出來，在總體用戶里，這部分用戶購買意願排名前 20% ，我們給它起個名字，叫購買意願強烈的用戶。
類似我們還做了購買意願中等的用戶分群，這是購買意願排名在 20-60% 之間的用戶；購買意願排名在最後 40% 的用戶，是購買意願最弱的用戶分群。
分群之後，點擊任意一個分群，都會以用戶 ID 的形式列出來。因為你要有用戶的 ID ，才能對這些用戶施加運營策略。每個用戶最近 30 天的訪問次數，最近的訪問地點，最後一次訪問時間都可以看到。
接下來針對這些購買意願強烈的用戶，怎樣推動用戶的轉化呢？
3.採取針對性的運營策略，提高高價值用戶的轉化率。
首先我們來看一下購買偏好，互聯網金融平台商品品類是比較少的，用戶購買的目的性也比較清晰，一般商品的品類有這么幾種：
第一種：債券型理財產品
第二種：股票型理財產品
第三種：貨幣型理財產品
第四種：指數型理財產品
第五種：混合型理財產品…
我們把用戶在不同品類商品上的訪問時長佔比算出來，就能比較好地了解用戶的購買偏好。比如下圖，我們用用戶訪問債券型產品詳情頁的訪問時長，除以用戶在站內總體的訪問時長，就能夠得到用戶在債券產品上訪問時長佔比的指標。
我們還是使用用戶分群的工具，把在債券型產品上的訪問時長佔比大於40%的用戶分出來，這是有非常強烈表徵的客戶，他購買的偏好就是債券型的產品。
同時我們再設定另外一個指標，比如用戶購買意願指標，之前我們做過大於5，也就是購買意願排名在前 20% 的。
通過這兩個條件，我們就可以把購買偏好是債券型產品，同時有強烈購買意願的用戶找出來，這兩個指標的關系是並（and）的關系。同樣我們可以按照用戶的購買偏好，把關注其他品類的用戶，都做成不同的用戶分群，然後形成不同購買偏好的用戶群體。
針對這些用戶，其實在運營策略上，我們可以從三個層面來展開來進行做：
從購買階段的角度，首先我們把所有用戶可以分成新客和老客。對於這兩個群體來說，運營策略和運營重點是非常不一樣的。
新客群體，是從來沒有在平台上發生過購買的用戶，我們要根據用戶的購買意願，做進一步的運營。
老客群體，也就是在平台上已經發生過產品購買的用戶，除了關注用戶的購買意願之外，用戶的資金狀態（資金是否贖回）也是非常重要的參數。
用戶是否購買過產品？購買產品的用戶是否已經贖回資金？這兩個內容，其實是一個用戶當前的屬性。在我們分群的工作里，這有個維度的菜單，通過這個維度菜單，我們就可以把具有某種屬性的用戶找出來：
這里我做了一個分群，我們可以看一下。在維度的菜單里，我們把是否購買過產品的維度值設置成了 1 。把資金是否已經贖回這個維度的值，也設置成了 1 。實際上是把那些資金已經贖回的老用戶找出來；同樣在指標這個菜單里，我們同時也把有強烈購買意願的用戶找出來，時間是過去 14 天，指標大於 5 。
這樣我們就製作了一個用戶分群，而這個用戶分群里所有用戶，要滿足下面的三個特徵：
特徵一：購買過產品的老客。
特徵二：他們的資金，目前已經贖回了。
特徵三：過去 14 天內的行為數據，表明這個用戶有著強烈的購買意願。
同理我們把所有用戶，整理為下面幾個不同類別，對應不同的運營策略：
比如新客里，當前有購買意願的，其實他屬於購買決策期的新用戶。應該根據用戶的購買偏好，推薦這種比較優質的理財產品。並給予一定的購買激勵，來促進這些新客在平台上的第一次購買，這個對於新客來說是非常重要的，以此類推。
相比於電商或者其他行業，互聯網金融平台結合行業和用戶的特點，從用戶行為數據分析的角度，驅動產品業務以及提高用戶的轉化率，有更加重要的意義。

『肆』 消費金融與供應鏈金融模式有什麼不同投資者如何選擇

消費金融面向個人為主，供應鏈金融面向企業以及整個供應鏈為主，暈啊
中小企業融資難問題一直是中小企業發展的一大困難。中小企業由於自身規模小，現金流容易出現緊張甚至斷裂的情況，因此，如何盤活資金成為了中小企業最為關注的問題。供應鏈金融是以供應鏈真實交易背景為基礎產生的。它不同於以往的傳統銀行借貸，能夠較好的解決中小企業因為經營不穩定、信用不足、資產欠缺等因素導致的融資難問題。

傳統的銀行借貸對企業以往的財務信息進行靜態分析，依據對授信主體的孤立評價做出信貸決策，因此，銀行並沒有把握住中小微企業真實的經營狀況。相反，供應鏈金融評估的是整個供應鏈的信用狀況，加強了債項本身的結構控制。供應鏈金融在真實交易的前提下，以大企業的信息優勢來彌補中小企業的信用缺失，從而全面提升了產業鏈中的中小企業信用水平和信貸能力。供應鏈金融的本質是信用融資，在產業鏈中發現信用。

目前供應鏈金融屬於新興金融，能不能把供應鏈金融做好，跟服務企業對於產業的了解，對風險的控制能力，與銀行的戰略合作關系等等都有直接關系。比如雲圖的供應鏈金融，核心是風控和大數據管理能力。開展供應鏈金融必須具備對行業的了解、融資方式的理解、風險的識別、金融產品和方案的設計等綜合能力，唯數據論、唯埠論等都是不行的

『伍』 中郵消費金融申請貸款之後，下款金額是怎麼定的

怎麼定的？是什麼意思？你申請多少就是多少唄。

你申請5萬得可能最後給你批了2萬。然後版你要同意的話權就給你下款2萬唄！

但是現在很多。都是網路借貸詐騙。你那個中郵消費金融。被投訴很多，你可以查一查。

借款你一定要擦亮眼睛。祝題主好運

『陸』 消費金融系統的業務模式有哪些有什麼作用

消費金融的三種業務模式

電商互聯網消費金融運營模式是以電商平台為基礎，通過為客戶提供商品的分期服務在平台上進行消費，並提供理財服務。此類模式我們最為熟知的便是螞蟻金服的微貸和京東金融的京東白條。這種業務模式充分藉助了電商平台的大數據優勢。客戶在購買商品的過程中中，電商平台通過對大數據的分析，確定對特定商品的分期，並在對海量客戶進行分析，根據客戶的消費能力和信用等級進行授信。當消費者完成商品消費後，由京東金融白條或螞蟻微貸向供貨商提供資金;最後由消費者按照貸款期數償還借款，其具體運營模式如圖1所示。

『柒』 銀行或金融單位的數據分析崗需要具備什麼能力

最重要還是數據治理和數據分析的能力！

近年來，隨著大數據產業的蓬勃發展，企業和政府對於自身數據資產的價值也產生了重新的認識。但遺憾的是數據本身並不能直接產生價值。當我們想利用數據產生價值的時候，很多問題都會暴露出來，比如：數據標准缺失，數據源頭不清晰，數據質量缺乏監管等。這就要求我們要有統一的數據標准和良好的數據質量來構成數據價值實現的基礎。而數據治理恰是保障這一基礎的存在。

國際數據管理協會（DAMA）對數據治理給出的定義是：數據治理是對數據資產管理行使權力和控制的活動集合。它是一個管理體系，包括組織、制度、流程、工具。

在國內企業的實際應用中，一般將數據治理和數據管理綜合考慮，認為數據治理是將數據作為組織資產而展開的一系列的集體化工作，包括從組織架構、管理制度、操作規范、信息技術應用、績效考核支持等多個維度對組織的數據模型、數據架構、數據質量、數據安全、數據生命周期等方面進行全面的梳理、建設以及持續改進的過程。

五、 數據和AI中台

隨著金融業正在邁入第四個重大發展階段--數字化時代，給各金融機構帶來了發展機遇，同時也伴隨著嚴峻的挑戰。如何解決數據孤島、新應用與老系統結合難？現有IT能力不足以支撐業務的快速變化？數據調用方式多樣且標准不統一質量差？以及數據資源未被挖掘數字化能力得不到釋放等問題，是企業面臨的共同難題。數據集成和數據資產管理是解決這些問題的有效途徑之一。

本課程將從如何進行有效的數據集成、各種數據平台建設介紹、如何有效開展數據治理，以及數據資產管理與數據中台的建設這四個大的方面進行開展。幫助企業在數字化進程中快速建立系統間的數據集成體系，支撐用戶數據集成應用的快速實現；提供完善數據管理體系和有效的完成數據整合方案，支撐起上層數據的挖掘、分析應用；對企業的發展戰略和業務創新提供有效的數據支撐，洞察企業的運營狀態和市場趨勢等，提高企業新業務靈活性，創建數據應用敏捷環境。