数据分析消费金融

『壹』 消费金融中的大数据风控原理是什么

原理其实并不复杂，传统的金融机构是通过人工逐个分析这些数据，效率低、成本高。现在依靠云计算，让计算机自动甚至主动收集、分析、整理各类征信数据，就可以提供更多的金融产品以及更便捷的金融服务。
现在做大数据风控不错的提供风控与决策的有神州融，做评分的有FICO

『贰』 如何缓解大数据带来的尴尬

如何缓解大数据带来的尴尬
关于大数据，最近爆出的一个笑话：在电影业一次内部行业会议上，一位巨无霸级别的电影业发言人说：通过数据挖掘，我们发现不同观众的相关卖品偏好。比如《芳华》的观众比《战狼》观众消费了更多的热饮。这些都是之前我们不知道的，也是无法预测的。
上面这样一个基于两部影片的观影数据分析得出来的结论，看似客观正确，实则因为模型不完善(缺少观影季节的考量)等原因，而闹出笑话。
在近期，我们在给金融科技做盘点的时候，就发现大数据自身就是一个“尴尬”。我们找遍新闻，也没有发现这个词有什么特别值得说道的地方。只能靠着一点时政资料凑齐了这个关键词的盘点。
2017年，大数据如此重要，却又如此没有料。
大数据模型不完善，是因为根基不牢大数据一直不温不火，和他的发展缺陷有很大的关系。虽然大家极力看好它，但未能迎来行业的爆发。
和一些做大数据的朋友聊天，他们甚至会很直白地吐槽自己家的数据模型。
“那些所谓的数据模型之类的鬼东西，你只需瞄上一眼，就能头疼一整天。模型里的数据巨大无比，线索逻辑纷繁复杂。很多数据看似很重要却极其无聊，对结果判断毫无意义，食之无味弃之可惜，鸡肋一般的存在。”
“说实在的，根本原因不在于技术的落后，而是整个行业的发展根基太浅，无法对数据的有效性进行勘误、归纳和合理解释。”
“粗略地说，合理的大数据架构是，数据模型完善，能根据特定领域做出全面合理的数据精简，去掉无关数据和干扰数据，梳理出一条合理的客观建议，并根据数据分析师的主观判断和勘误，再总结出合理的结论，对相关行业做出准确的预判。”
“现在呢?本来数据模型都存在这样和那样的漏洞，却还想着数据处理的完全自动化。”
“而完全依靠客观数据，完成所谓的人工智能演算，那都是扯淡的事儿。”
“刚才说的那个《芳华》和《战狼》的笑话其实就是一个看似客观，实则可笑的分析结论。”
“这是因为，大家一说到大数据，就太拿数据想当然了。如果只靠着这点意识去做消费金融领域的数据分析，肯定有很多投资人被坑得底儿朝天!”
“所以现在挣钱的还是那些靠着倒买倒卖用户资料的数据公司，一个数据包，加点水分，到处卖，收益无限。”
“不过，最近似乎也没那么容易整了，因为官方越查越严，有些所谓的大数据公司搞不动了，怕是要凉了。”
物联网或许是大数据公司的真正机会“除了行业经验的累积，还需要更多数据做线上支撑。”
“当然，并不是说数据越多越好，而是说，线上的数据越丰富，越有利于我们组织有效数据。”
“核心问题就在于，如何产生大量的有效数据。”
“有效数据，简单了说，就某个领域，比如，消费金融领域的某一个小细分的消费品的相关数据，在合理组合和解构之后，对行业发展做出合理预判，对投资人预期负责的数据。否则，数据越大，负担越重，越成不了事儿。”
积累经验到什么时候才算是个头呢?
“或许要等到物联网时代的真正到来。”
为什么?
“物联网可以让更多的消费金融数据和物流数据线上化，个人消费信用信息也将进一步线上化，数据的归集和处理将更加高效和全面。”
“不过，随着移动支付的快速发展，更多人的金融消费能力在线上就基本被呈现了出来，包括个人的消费习惯和个人征信信息都被线上化，而由此产生的物流信息、住房、贷款信息等都在逐步完成终极线上化，这些对大数据来说，都是极好的机会。”
“大数据行业机会很大，但大数据是一个不稳定的行业，因为一切的数据都归结到机器里，而机器由人来掌控，相关的操作风险完全看自己的风险意识和人品。行业随时爆发大规模风险，运气好只影响数据安全，运气不好，很企业和个人的信用会破产。这会给行业，甚至整个社会带来巨大的灾难。”
“因此，从业企业的相关准则需要进一步细化和规范，对人也需要有个职业操守方面的管制。”
什么样的人怎么用数据，其目的和效果都是不一样的。
这又和一个大数据相关的段子有点关系，正好段子开头，笑话结尾，也还算圆满。

『叁』 如何进行互联网金融运营数据的分析，都有哪些方法

来源于：知乎
大部分的互联网金融公司最为纠结的一点是，流量这么大，获客成本这么高，为什么最后的的转化率和成单量却这么低？怎样才能提高用户运营效率？用户行为数据分析怎样把处在不同购买决策阶段的用户挑选出来，帮助互联网金融公司做到精益化运营？
我们的客户中很大一部分来自互联网金融，比如人人贷等行业前 10 的互联网金融公司。在服务客户的过程中，我们也积累了大量的数据驱动业务的实践案例，来帮助客户创造价值。
一 、互联网金融用户四大行为特征
互联网金融平台用户有四大行为特征：
第一流量转化率低，下图是某互联网金融公司网站上，新客户过去 30 天整体购买转化漏斗，其转化率只有 0.38%：
而这并非个例，实际上，绝大多数互联网金融公司，在 web 端购买的转化率基本都在 1% 以下，APP购买率在 5% 左右，远远低于电商或者其他在线交易的购买率。
第二，虽然转化率低，但是客单价却很高。一般来说，电商行业客单价在几十到几百，而互联网金融客户，客单价从几千到几万，某些特殊领域甚至高达几十万。而客单价高，就意味着用户购买决策会更复杂，购买周期也会更长。
第三，用户购买行为有很强周期性。电商的客户下次购买时间是不确定的，但是互联网金融平台上，真正购买的用户，是有理财需求的用户，在资金到期赎回产品后，一定还会进行下一次购买，只不过未必发生在你的平台上。
可以看到，每隔一段时间，这个用户就会有一段集中的、大量的交互行为。当用户购买完成后，用户的交互行为又变得很少，可能偶尔来看看产品的收益率，但整体的交互指标不会太高，直到他下一次购买。这个用户理财需求的周期是一个月左右。

最后一个特点是「很强的特征性」，主要包括两个特征：
A：用户的购买偏好比较容易识别，理财产品数量和品类都很少，所以用户购买的需求或者偏好，很容易从其行为数据上识别出来。
B：用户购买过程中的三个阶段特别容易识别：
用户在购买决策阶段，有大量的交互事件产生，他会看产品，比对不同产品的收益率和风险，比对不同产品的投资期限等等；
但是一旦他完成了产品的购买，就不会有大量的交互行为产生，他可能仅是回来看一看产品的收益率。
当用户的产品资金赎回之后，又有大量的交互事件产生，实际上他处在下一款产品购买的决策期。
二、互联网金融用户运营的三大步骤
针对互联网金融用户行为的四个特征，在用户运营上有三个比较重要的阶段性工作：
1.首先，获取可能购买的目标用户，合理配置在渠道上的投放预算，以提高高质量用户获取的比例：
渠道工作的核心，主要是做好两方面的工作：宏观层面，优化整个渠道的配置；微观层面，单一渠道角度来说，根据渠道配置的策略，有针对性地实施和调整。
具体渠道的实施，大家都比较熟悉，但是对于整个渠道组合配置的优化，很多人接触的其实并不多。
这张图是整体转化漏斗，从不同维度可以做对比，比如我们先选出流量前 10 的渠道：
以渠道一为例，总体的转化率是 0.02%；在过去 30 天站内总体的流量是 18.9K，漏斗第一级到第二级的转化率是 3.36%，这样一共是五级，我们看到最终渠道一带来总体的成交用户一共是 4 人。
类似的，前 10 的渠道数据都很清晰。不同渠道带来的流量，不同渠道总体的转化率，以及不同渠道在整个转化路径上每步的转化率都可以看到。
这里面有几个渠道很有特点：
渠道一的特点，渠道一带来的流量是所有 10 个渠道里最大的，但是它的总体转化率却是低的；
渠道二和渠道七，渠道二的量很大，但是转化率是零。渠道七量比较一般，转化率也是零；
渠道九和渠道十，这两个渠道是所有渠道里转化率最高的。但是这两个渠道特点，是带来流量不是特别大……
第一象限（右上角）渠道质量又高，带来流量又大的，这里面渠道三四五是符合这个特征的，渠道策略应该是继续保持和提高渠道的投入。
第二象限（左上角）渠道的质量比较高，但带来的流量比较小，这里面包含的主要渠道就是八九十。对应的主要策略是，加大渠道的投放，并且在加大投放的过程中，要持续关注渠道质量的变化。
我们先看第四象限（右下角），渠道质量比较差，但是带来流量比较大，这里面主要有渠道一和渠道二。相对应的渠道策略，应该在渠道做更加精准的投放，来提高整个渠道的质量。
第三象限（左下角）这个象限里渠道质量又差，带来流量又小，比如渠道六跟渠道七。我们是否要直接砍掉？这里建议是，策略上要比较谨慎一些。所以在具体渠道的策略上，业绩保持监测，然后小步调整。
根据上面数据分析得出的结果，做过渠道优化后，就会为我们带来更多高质量的用户。
2.接下来就要把高价值的用户——真正有购买需求，愿意付费、购买的用户找出来。
将资源与精力投入到真正可能购买的用户上的前提是，我们要能够识别出，哪些是真正有价值的用户？哪些是价值偏低的用户？
其实对于互联网金融平台来说，甚至所有包含在线交易的平台，用户的购买意愿，是可以从用户的行为数据上识别出来的。由于互联网金融平台的特殊性，相比于电商平台来说，商品品类更少，平台功能也更为简单，所以用户的行为数据，也更能反应出互联网金融平台上用户的购买意愿。
把用户在平台上的所有行为总结一下，核心的行为其实并不多，具体包括：
用户查看产品列表页，说明有一些购买意愿，点击某个产品，说明用户希望有进一步的了解。用户最终确认了支付，完成了购买，购买流程就走完了，他的理财需求已经得到了满足。每一种行为都表示出用户不同程度的购买意愿，所以获得用户在产品里的行为数据就十分重要。
既然用户行为数据这么重要，那么怎样获取呢？GrowingIO 以无埋点的方式，全量采集用户所有的行为数据，根据我们对业务的需求，配比成不同的权重系数，并按照每个用户购买意愿的强弱，进一步分群。
这是我们一个客户制作的用户购买意愿指标的范例，刚才的前 5 个行为，都是用户在购买前典型的行为：
每种典型事件的权重系数不一样，用户购买意愿是越来越强的：用户点了投资按纽，甚至点了提交的按钮，显然要比他单单看产品列表页，或者单单看产品页、详情页的意愿强。越能反应用户购买意愿的事件，你给它分类的权重应该是最大的，这是大的原则，0.05 还是 0.06 影响并不大，所以不必纠结。
这样通过这种方式，我们就可以按照每个用户的所有行为，给用户做购买意愿打分的指标，最终形成用户购买意愿的指标。
这是我们从高到低截取部分用户购买意愿打分的情况，第一列是每个用户的 ID，第二列是按照购买意愿给每个用户打分的情况。得分高的，就是购买意愿最强烈的用户。
拿到所有用户购买意愿之后，我们就可以按照用户购买意愿的强烈与否，把所有的用户分成不同的群体，来做针对性的运营。
这是在把用户在过去 14 天内，由其产生的所有行为数据，按照购买意愿打分的权重，把打分大于 5 的用户找出来，在总体用户里，这部分用户购买意愿排名前 20% ，我们给它起个名字，叫购买意愿强烈的用户。
类似我们还做了购买意愿中等的用户分群，这是购买意愿排名在 20-60% 之间的用户；购买意愿排名在最后 40% 的用户，是购买意愿最弱的用户分群。
分群之后，点击任意一个分群，都会以用户 ID 的形式列出来。因为你要有用户的 ID ，才能对这些用户施加运营策略。每个用户最近 30 天的访问次数，最近的访问地点，最后一次访问时间都可以看到。
接下来针对这些购买意愿强烈的用户，怎样推动用户的转化呢？
3.采取针对性的运营策略，提高高价值用户的转化率。
首先我们来看一下购买偏好，互联网金融平台商品品类是比较少的，用户购买的目的性也比较清晰，一般商品的品类有这么几种：
第一种：债券型理财产品
第二种：股票型理财产品
第三种：货币型理财产品
第四种：指数型理财产品
第五种：混合型理财产品…
我们把用户在不同品类商品上的访问时长占比算出来，就能比较好地了解用户的购买偏好。比如下图，我们用用户访问债券型产品详情页的访问时长，除以用户在站内总体的访问时长，就能够得到用户在债券产品上访问时长占比的指标。
我们还是使用用户分群的工具，把在债券型产品上的访问时长占比大于40%的用户分出来，这是有非常强烈表征的客户，他购买的偏好就是债券型的产品。
同时我们再设定另外一个指标，比如用户购买意愿指标，之前我们做过大于5，也就是购买意愿排名在前 20% 的。
通过这两个条件，我们就可以把购买偏好是债券型产品，同时有强烈购买意愿的用户找出来，这两个指标的关系是并（and）的关系。同样我们可以按照用户的购买偏好，把关注其他品类的用户，都做成不同的用户分群，然后形成不同购买偏好的用户群体。
针对这些用户，其实在运营策略上，我们可以从三个层面来展开来进行做：
从购买阶段的角度，首先我们把所有用户可以分成新客和老客。对于这两个群体来说，运营策略和运营重点是非常不一样的。
新客群体，是从来没有在平台上发生过购买的用户，我们要根据用户的购买意愿，做进一步的运营。
老客群体，也就是在平台上已经发生过产品购买的用户，除了关注用户的购买意愿之外，用户的资金状态（资金是否赎回）也是非常重要的参数。
用户是否购买过产品？购买产品的用户是否已经赎回资金？这两个内容，其实是一个用户当前的属性。在我们分群的工作里，这有个维度的菜单，通过这个维度菜单，我们就可以把具有某种属性的用户找出来：
这里我做了一个分群，我们可以看一下。在维度的菜单里，我们把是否购买过产品的维度值设置成了 1 。把资金是否已经赎回这个维度的值，也设置成了 1 。实际上是把那些资金已经赎回的老用户找出来；同样在指标这个菜单里，我们同时也把有强烈购买意愿的用户找出来，时间是过去 14 天，指标大于 5 。
这样我们就制作了一个用户分群，而这个用户分群里所有用户，要满足下面的三个特征：
特征一：购买过产品的老客。
特征二：他们的资金，目前已经赎回了。
特征三：过去 14 天内的行为数据，表明这个用户有着强烈的购买意愿。
同理我们把所有用户，整理为下面几个不同类别，对应不同的运营策略：
比如新客里，当前有购买意愿的，其实他属于购买决策期的新用户。应该根据用户的购买偏好，推荐这种比较优质的理财产品。并给予一定的购买激励，来促进这些新客在平台上的第一次购买，这个对于新客来说是非常重要的，以此类推。
相比于电商或者其他行业，互联网金融平台结合行业和用户的特点，从用户行为数据分析的角度，驱动产品业务以及提高用户的转化率，有更加重要的意义。

『肆』 消费金融与供应链金融模式有什么不同投资者如何选择

消费金融面向个人为主，供应链金融面向企业以及整个供应链为主，晕啊
中小企业融资难问题一直是中小企业发展的一大困难。中小企业由于自身规模小，现金流容易出现紧张甚至断裂的情况，因此，如何盘活资金成为了中小企业最为关注的问题。供应链金融是以供应链真实交易背景为基础产生的。它不同于以往的传统银行借贷，能够较好的解决中小企业因为经营不稳定、信用不足、资产欠缺等因素导致的融资难问题。

传统的银行借贷对企业以往的财务信息进行静态分析，依据对授信主体的孤立评价做出信贷决策，因此，银行并没有把握住中小微企业真实的经营状况。相反，供应链金融评估的是整个供应链的信用状况，加强了债项本身的结构控制。供应链金融在真实交易的前提下，以大企业的信息优势来弥补中小企业的信用缺失，从而全面提升了产业链中的中小企业信用水平和信贷能力。供应链金融的本质是信用融资，在产业链中发现信用。

目前供应链金融属于新兴金融，能不能把供应链金融做好，跟服务企业对于产业的了解，对风险的控制能力，与银行的战略合作关系等等都有直接关系。比如云图的供应链金融，核心是风控和大数据管理能力。开展供应链金融必须具备对行业的了解、融资方式的理解、风险的识别、金融产品和方案的设计等综合能力，唯数据论、唯端口论等都是不行的

『伍』 中邮消费金融申请贷款之后，下款金额是怎么定的

怎么定的？是什么意思？你申请多少就是多少呗。

你申请5万得可能最后给你批了2万。然后版你要同意的话权就给你下款2万呗！

但是现在很多。都是网络借贷诈骗。你那个中邮消费金融。被投诉很多，你可以查一查。

借款你一定要擦亮眼睛。祝题主好运

『陆』 消费金融系统的业务模式有哪些有什么作用

消费金融的三种业务模式

电商互联网消费金融运营模式是以电商平台为基础，通过为客户提供商品的分期服务在平台上进行消费，并提供理财服务。此类模式我们最为熟知的便是蚂蚁金服的微贷和京东金融的京东白条。这种业务模式充分借助了电商平台的大数据优势。客户在购买商品的过程中中，电商平台通过对大数据的分析，确定对特定商品的分期，并在对海量客户进行分析，根据客户的消费能力和信用等级进行授信。当消费者完成商品消费后，由京东金融白条或蚂蚁微贷向供货商提供资金;最后由消费者按照贷款期数偿还借款，其具体运营模式如图1所示。

『柒』 银行或金融单位的数据分析岗需要具备什么能力

最重要还是数据治理和数据分析的能力！

近年来，随着大数据产业的蓬勃发展，企业和政府对于自身数据资产的价值也产生了重新的认识。但遗憾的是数据本身并不能直接产生价值。当我们想利用数据产生价值的时候，很多问题都会暴露出来，比如：数据标准缺失，数据源头不清晰，数据质量缺乏监管等。这就要求我们要有统一的数据标准和良好的数据质量来构成数据价值实现的基础。而数据治理恰是保障这一基础的存在。

国际数据管理协会（DAMA）对数据治理给出的定义是：数据治理是对数据资产管理行使权力和控制的活动集合。它是一个管理体系，包括组织、制度、流程、工具。

在国内企业的实际应用中，一般将数据治理和数据管理综合考虑，认为数据治理是将数据作为组织资产而展开的一系列的集体化工作，包括从组织架构、管理制度、操作规范、信息技术应用、绩效考核支持等多个维度对组织的数据模型、数据架构、数据质量、数据安全、数据生命周期等方面进行全面的梳理、建设以及持续改进的过程。

五、 数据和AI中台

随着金融业正在迈入第四个重大发展阶段--数字化时代，给各金融机构带来了发展机遇，同时也伴随着严峻的挑战。如何解决数据孤岛、新应用与老系统结合难？现有IT能力不足以支撑业务的快速变化？数据调用方式多样且标准不统一质量差？以及数据资源未被挖掘数字化能力得不到释放等问题，是企业面临的共同难题。数据集成和数据资产管理是解决这些问题的有效途径之一。

本课程将从如何进行有效的数据集成、各种数据平台建设介绍、如何有效开展数据治理，以及数据资产管理与数据中台的建设这四个大的方面进行开展。帮助企业在数字化进程中快速建立系统间的数据集成体系，支撑用户数据集成应用的快速实现；提供完善数据管理体系和有效的完成数据整合方案，支撑起上层数据的挖掘、分析应用；对企业的发展战略和业务创新提供有效的数据支撑，洞察企业的运营状态和市场趋势等，提高企业新业务灵活性，创建数据应用敏捷环境。