《互联网信贷风险与大数据》读书笔记(一)

工作切入互联网金融这一块已经好几个月了,关于互联网金融信贷这一块也是一个慢慢熟悉的过程,最近翻看《互联网信贷风险与大数据》这本书,把书中感觉有价值的信息记录于此,以备查看。

个人信贷的创新模式

互联网金融来了

互联网从一开始作为金融平台的展示工具到后来和金融进行深度融合形成一个新的产业,大体经历了一下三个阶段:

  • 信息发布平台,只是单纯的信息展示。
  • 传统金融业务延伸,即网上银行,提供如账户查询、转账、支付、投资、在线信贷服务、在线欺诈包含、在线抵押经纪人等一系列的功能与服务。
  • 跳出传统金融圈,出现了第三方支付(如著名的支付宝)、网络融资等新形态
  • 出现互联网金融生态圈,两者融合到一起。

在互联网金融生态圈内,出现了新的高阶玩法大体上有3个关键词:

  • 闭环:在消费中完成闭环贷款。
  • 多业态:商家、银行和客户同时参与
  • 进化:在拿到客户多种数据以后,可以做多种分析,开拓出更多业务。

个人信贷业务的发展与创新

小额贷款公司

只经营小额贷款业务,不能吸收公共存款,主要服务客户群是个人和中小企业。

消费金融公司

目前国内消费金融大体分为销售端口类和传统网络类,前者主要依赖经销商,而后者依赖传统银行体系。

网络银行

广为熟知的网上银行,书中提到的纯网上银行已经出现了,如腾讯的微众银行和阿里的网商银行。

互联网企业的信贷服务

如Google向中小企业提供的广告额度贷款。

支付企业的信贷服务

如京东白条、支付宝的蚂蚁花呗等。

新型网络融资模式

债券众筹模式

现在广为熟知的P2P。

股权众筹模式

因为国内《公司法》对于股东数量有限制,所以该业务在国内并不多。

产品众筹模式

前2年比较火一点,关于硬件产品众筹较多,但没有出现多少成功案例,现在慢慢陷入沉寂。

创新业务模式下的再认识

盈利之谜

  • 利息:体现资金的时间价值的收入
  • 服务费:体现专业服务价值的收入
  • 罚息:对客户违约的惩罚性收入

现在市场上各类金融机构的盈利模式大体可分为两种:

  • 靠资金价值赚钱
  • 靠服务和品牌赚钱

风险管理

风险管理要解决的问题是信息不对称问题。其理论源自经济学领域,是指市场活动中,各方人员对有关信息的了解是有差异的,信息优势方在市场活动中处于有利地位,而信息匮乏的一方则处于不利地位。

关键风险点

千人千面

如何从每个人的各种繁杂信息里面抽取判断客户还款能力的数据。

欺诈问题

通过申请资料造假或申请身份造假来骗取贷款问题。

客户生命周期考察

对有价值的客户挽留问题

信息安全

全互联网都为此头疼。

风险管理是创新持续之本

小额分散、规模经营

个人信贷业务的显著特征有授信额度较小和规模经营两点。规模经营背后依赖大数定律(law of large number),即当实验次数足够多时,事件出现的频率无穷接近于该事件发生的概率。

风险管理能力与效率并重

利用大数据尝试更准确、更全面的评估客户的风险情况,因为个人信贷有客户群庞大、单户授信金额偏小的特点,所以风险管理的效率非常重要。

重点防控欺诈风险

因为在互联网业务中,一方面因为造假成本低廉,另一方面新模式存在漏洞,会导致大批欺诈用户,需要重点防范。

适度的风险容忍度

从风险和收益平衡的角度来看,对于不同风险等级的客户,需要严格把握其在金融机构整体资产中所占的相应比重,即时跟踪、调整、优化资产结构,以确保风险管理目标的实现。

较高风险客户不是完全不能经营的,明确风险容忍度,在一定程度上可接受更高信用风险的客户,是生活在金融市场边缘的企业获得风险溢价的经营选择。

存量客户的风险管理

在客户层面上,有效识别客户的收入–风险水平;在整体资产层面,通过结构调整,优化资产质量,提升业务经营的效益。

大数据–风险管理起跳板

欺诈监测

欺诈成功的主要原因之一是信息不对称,当拥有数据越来越多,维度越来越高,利用大数据技术,挖掘出更多有价值信息,用于判断客户质量。

信用风险评估

大数据在数据方面融入大量非传统数据与传统数据结合,更全面评估贷款人的信用情况。

风险预警

风险预警:提前发现未来会爆发的风险。

逾期客户管理

大数据对于逾期客户管理主要体现在以下三个方面:

  • 优化催收策略
  • 客户信息丰富化
  • 触达方式多样化

征信服务

传统征信数据主要以中国人民银行征信数据为代表,利用大数据,从客户的互联网行为数据、电信运营商数据挖掘出新的评估模型,提供信用评估服务。

其他相关:

《互联网信贷风险与大数据》读书笔记(二)

《互联网信贷风险与大数据》读书笔记(三)

《互联网信贷风险与大数据》读书笔记(四)

《互联网信贷风险与大数据》读书笔记(五)

《互联网信贷风险与大数据》读书笔记(六)

你可能感兴趣的:(数据挖掘)