互聯網消費貸款產品數據

❶ 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。

❷ 常用的互聯網金融大數據風控方式有哪些

1：驗證借款人信息
驗證借款人身份的五因素認證是姓名、手機號、身份證號、銀行卡號、家庭地址。企業可以通過藉助銀聯數據來驗證銀行卡號和姓名。
其他的驗證客戶的方式包括讓客戶出示其他銀行的信用卡及刷卡記錄，或者驗證客戶的學歷證書和身份認證。

2：大數據分析提交的信息
大部分的貸款申請都從線下移到了線上，特別是在互聯網金融領域，消費貸一般都是以線上申請為主的。
線上申請時，申請人會按照貸款公司的要求填寫多維度信息例如戶籍地址，居住地址，工作單位，單位電話，單位名稱等。如果是欺詐用戶，其填寫的信息往往會出現一些規律，企業可根據異常填寫記錄來識別欺詐。例如填寫不同城市居住小區名字相同、填寫的不同城市，不同單位的電話相同、不同單位的地址街道相同、單位名稱相同、甚至居住的樓層和號碼都相同。
3：分析客戶的消費信息
從客戶的電商消費記錄、旅遊消費記錄、以及加油消費記錄都可以作為評估其信用的依據。有的互聯金融公司專門從事個人電商消費數據分析，只要客戶授權其登陸電商網站，其可以藉助於工具將客戶歷史消費數據全部抓取並進行匯總和評分。
4：參考客戶的社會屬性和行為進行評估
參考過去互聯網金融風控的經驗發現，擁有伴侶和子女的借款人，其貸款違約率較低；年齡大的人比年齡低的人貸款違約率要高。經常不交公共事業費和物業費的人，其貸款違約率較高。經常換工作，收入不穩定的人貸款違約率較高。經常參加社會公益活動的人，成為各種組織會員的人，其貸款違約率低。經常更換手機號碼的人貸款違約率比一直使用一個電話號碼的人高很多。

5：調查客戶是否進入黑名單
市場上有近百家的公司從事個人徵信相關工作，其主要的商業模式是反欺詐識別，灰名單識別，以及客戶徵信評分。反欺詐識別中，重要的一個參考就是黑名單，市場上領先的大數據風控公司擁有將近1000萬左右的黑名單，大部分黑名單是過去十多年積累下來的老賴名單，真正有價值的黑名單在兩百萬左右。
涉毒涉賭以及涉嫌治安處罰的人，其信用情況不是太好，特別是涉賭和涉毒人員，這些人是高風險人群，一旦獲得貸款，其貸款用途不可控，貸款有可能不會得到償還。

❸ 網路信貸關注的重點與消費金融大數據關注的重點有何不同

站在角度不同，這是各方在利益博弈啊

❹ 互聯網消費信貸的發展及風險分析

—— 以下數據及分析均來自於前瞻產業研究院《中國消費金融行業市場前瞻與投資戰略規劃分析報告》。

2014年到2019年我國互聯網消費信貸規模快速擴張，從187億元上升至接近16.3萬億元。在監管政策的不斷完善下，互聯網消費信貸市場也進入了規范發展的階段。但目前市場上的消費貸產品同質性仍然較高，集中於購物、旅遊等消費場景，未來有待進一步細化。從互聯網消費信貸模式來看，輕資產助貸模式已經成為了互聯網巨頭消費貸款主要模式。

規模快速增長

互聯網消費貸指的是金融機構、類金融組織及互聯網企業等藉助互聯網技術向消費者提供的以個人消費(一般不包括購買房屋和汽車)為目的，無擔保、無抵押的短期、小額信用類消費貸款服務，其申請、審核、放款和還款等全流程都在互聯網上完成。與傳統消費金融相比，互聯網消費金融業務資金成本更低，同時審批效率更高，在大數據和金融科技的幫助下能夠進一步減少信息不對稱問題。我國互聯網消費信貸規模從2014年的187億元上升至2018年的9.1萬億元，年復合增長率為370%，2019年我國互聯網消費信貸規模約在16.3萬億元左右。

❺ 在哪裡可以找到關於我國個人消費信貸的數據

各大商業銀行處可查詢。

個人消費信貸是金融創新的產物，是商業銀行開辦的用於自然人（非法人或組織）個人消費目的（非經營目的）的貸款。

個人消費信貸的開辦，是國有商業銀行適應我國社會主義市場經濟體制的建立與完善、適應金融體制改革、適應金融國際化發展趨勢的一系列全方位變革的重要措施之一，它打破了傳統的個人與銀行單向融資的局限性，開創了個人與銀行相互融資的全新的債權債務關系。

(5)互聯網消費貸款產品數據擴展閱讀：

風險因素

1、個人徵信系統不健全

個人消費信貸風險主要來自借款人的還款能力與個人信用風險，也即個人收入的波動幅度和道德品質修養水平，其中個人信用狀況還與整個社會的信用環境密切相關。在收入水平較為穩定的前提下，商業銀行對消費者信用的把握決定了消費信貸的開展程度。

當前，我國尚未建立起一套完備有效的個人信用制度，人民銀行的個人徵信系統尚在運行初期，可利用資源儲備不足，商業銀行缺乏征詢和調查借款人資信的有效手段。

加之個人收入的不透明和個人征稅機制的不完善，以及其它徵信部門的系統資源不相互共享，銀行難以對借款人的自有凈資產、個人收入的完整性、穩定性和還款意願等資信狀況做出正確判斷。

在消費信貸過程中，各種惡意欺詐行為時有發生，銀行採用詢問或實地察看等原始征詢方式已經不能保證信用信息的時效性和可靠性。

2、商業銀行自身管理存在缺陷

致使潛在風險增大 ，國內商業銀行雖然不斷加強制度建設，但整體管理水平依然不高，難以跳出「一放就亂，一抓就死」的怪圈。由於個人消費信貸業務在我國開辦時間不長，所以在這方面更缺乏先進的管理經驗。

通常，商業銀行信貸人員僅僅憑借款人身份證明、個人收入證明等比較原始的征詢材料進行判斷和決策，對個人的信用調查基本上依賴於借款人的自報及其就職單位的說明，對借款人的資產負債狀況、社會活動及最為重要的有無違法紀錄和有無失信情況等缺乏正常程序和渠道進行了解征詢，導致銀行和客戶之間的信息不對稱。

銀行內部在責任界定上也往往依據書面上反映的問題進行處理，使得就材料而談貸款的問題更為嚴重。同時在貸款發放上，重放輕管的問題相當突出。由於在放貸時對客戶的實際情況就只停留在資料上，因而發放後更是沒有一套相應的管理措施跟上。

有的是一些籠統的管理制度，內容泛泛，面面俱到，針對性和可操作性差，使管戶信貸員無法按部就班，致使有些貸款實際上長期處在無人管理的狀態下。

❻ 互聯網金融運營需要關注的數據有哪些呢

我覺得互聯網金融運營需要關注的數據是非常多的。

需要關注的數據有哪些

用戶信息：包括用戶信用評級、活躍度、留存率、轉化率、客單價、用戶分布、互動指標等。
產品信息：產品組合、投資人數、投資金額、滿標時間、收益率、風險系數、受歡迎度等。
營銷渠道信息：渠道來源、渠道轉化率、渠道成功率、渠道成本等。
營銷活動信息：活動成本、活動渠道來源、活動轉化率、傳播數、新增粉絲數/用戶數等。
風控信息：項目審核通過率、風險備用金、項目流動性風險指標、合規相關指標等。

❼ 如何分析互聯網金融產品的大數據

軟體開發和互聯網金融都是相對飽和的了。 而隨著國家對大數據的重視，大數據分析方面的需求日益凸顯。 整體就業市場，大數據分析師處於巨大的缺口，未來各行各業對於大數據的運用必然常規化。

❽ 在哪兒可以找到互聯網金融的行業數據

前瞻產業研究院 提供的《2015-2020年中國互聯網金融行業市場前瞻與投資戰略規劃分析報告》顯示，截止至2014年底，我國互聯網金融市場規模已經突破10萬億元。以P2P業態為例，過去5年中，各類P2P平台都獲得了年均超過250%的爆發式增長。

不過，作為新興行業，互聯網金融問題不容忽視。互聯網金融的安全風險也日益加劇。仍以P2P業態為例，數據顯示，2015年上半年我國問題P2P平台數量為273家，數量超過2014年問題P2P平台數總和，今年以來，P2P網路貸款平台出現跑路或提現困難的公司更是高達677家。