互联网消费贷款产品数据

❶ 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。

❷ 常用的互联网金融大数据风控方式有哪些

1：验证借款人信息
验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以通过借助银联数据来验证银行卡号和姓名。
其他的验证客户的方式包括让客户出示其他银行的信用卡及刷卡记录，或者验证客户的学历证书和身份认证。

2：大数据分析提交的信息
大部分的贷款申请都从线下移到了线上，特别是在互联网金融领域，消费贷一般都是以线上申请为主的。
线上申请时，申请人会按照贷款公司的要求填写多维度信息例如户籍地址，居住地址，工作单位，单位电话，单位名称等。如果是欺诈用户，其填写的信息往往会出现一些规律，企业可根据异常填写记录来识别欺诈。例如填写不同城市居住小区名字相同、填写的不同城市，不同单位的电话相同、不同单位的地址街道相同、单位名称相同、甚至居住的楼层和号码都相同。
3：分析客户的消费信息
从客户的电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。有的互联金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，其可以借助于工具将客户历史消费数据全部抓取并进行汇总和评分。
4：参考客户的社会属性和行为进行评估
参考过去互联网金融风控的经验发现，拥有伴侣和子女的借款人，其贷款违约率较低；年龄大的人比年龄低的人贷款违约率要高。经常不交公共事业费和物业费的人，其贷款违约率较高。经常换工作，收入不稳定的人贷款违约率较高。经常参加社会公益活动的人，成为各种组织会员的人，其贷款违约率低。经常更换手机号码的人贷款违约率比一直使用一个电话号码的人高很多。

5：调查客户是否进入黑名单
市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单在两百万左右。
涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。

❸ 网络信贷关注的重点与消费金融大数据关注的重点有何不同

站在角度不同，这是各方在利益博弈啊

❹ 互联网消费信贷的发展及风险分析

—— 以下数据及分析均来自于前瞻产业研究院《中国消费金融行业市场前瞻与投资战略规划分析报告》。

2014年到2019年我国互联网消费信贷规模快速扩张，从187亿元上升至接近16.3万亿元。在监管政策的不断完善下，互联网消费信贷市场也进入了规范发展的阶段。但目前市场上的消费贷产品同质性仍然较高，集中于购物、旅游等消费场景，未来有待进一步细化。从互联网消费信贷模式来看，轻资产助贷模式已经成为了互联网巨头消费贷款主要模式。

规模快速增长

互联网消费贷指的是金融机构、类金融组织及互联网企业等借助互联网技术向消费者提供的以个人消费(一般不包括购买房屋和汽车)为目的，无担保、无抵押的短期、小额信用类消费贷款服务，其申请、审核、放款和还款等全流程都在互联网上完成。与传统消费金融相比，互联网消费金融业务资金成本更低，同时审批效率更高，在大数据和金融科技的帮助下能够进一步减少信息不对称问题。我国互联网消费信贷规模从2014年的187亿元上升至2018年的9.1万亿元，年复合增长率为370%，2019年我国互联网消费信贷规模约在16.3万亿元左右。

❺ 在哪里可以找到关于我国个人消费信贷的数据

各大商业银行处可查询。

个人消费信贷是金融创新的产物，是商业银行开办的用于自然人（非法人或组织）个人消费目的（非经营目的）的贷款。

个人消费信贷的开办，是国有商业银行适应我国社会主义市场经济体制的建立与完善、适应金融体制改革、适应金融国际化发展趋势的一系列全方位变革的重要措施之一，它打破了传统的个人与银行单向融资的局限性，开创了个人与银行相互融资的全新的债权债务关系。

(5)互联网消费贷款产品数据扩展阅读：

风险因素

1、个人征信系统不健全

个人消费信贷风险主要来自借款人的还款能力与个人信用风险，也即个人收入的波动幅度和道德品质修养水平，其中个人信用状况还与整个社会的信用环境密切相关。在收入水平较为稳定的前提下，商业银行对消费者信用的把握决定了消费信贷的开展程度。

当前，我国尚未建立起一套完备有效的个人信用制度，人民银行的个人征信系统尚在运行初期，可利用资源储备不足，商业银行缺乏征询和调查借款人资信的有效手段。

加之个人收入的不透明和个人征税机制的不完善，以及其它征信部门的系统资源不相互共享，银行难以对借款人的自有净资产、个人收入的完整性、稳定性和还款意愿等资信状况做出正确判断。

在消费信贷过程中，各种恶意欺诈行为时有发生，银行采用询问或实地察看等原始征询方式已经不能保证信用信息的时效性和可靠性。

2、商业银行自身管理存在缺陷

致使潜在风险增大 ，国内商业银行虽然不断加强制度建设，但整体管理水平依然不高，难以跳出“一放就乱，一抓就死”的怪圈。由于个人消费信贷业务在我国开办时间不长，所以在这方面更缺乏先进的管理经验。

通常，商业银行信贷人员仅仅凭借款人身份证明、个人收入证明等比较原始的征询材料进行判断和决策，对个人的信用调查基本上依赖于借款人的自报及其就职单位的说明，对借款人的资产负债状况、社会活动及最为重要的有无违法纪录和有无失信情况等缺乏正常程序和渠道进行了解征询，导致银行和客户之间的信息不对称。

银行内部在责任界定上也往往依据书面上反映的问题进行处理，使得就材料而谈贷款的问题更为严重。同时在贷款发放上，重放轻管的问题相当突出。由于在放贷时对客户的实际情况就只停留在资料上，因而发放后更是没有一套相应的管理措施跟上。

有的是一些笼统的管理制度，内容泛泛，面面俱到，针对性和可操作性差，使管户信贷员无法按部就班，致使有些贷款实际上长期处在无人管理的状态下。

❻ 互联网金融运营需要关注的数据有哪些呢

我觉得互联网金融运营需要关注的数据是非常多的。

需要关注的数据有哪些

用户信息：包括用户信用评级、活跃度、留存率、转化率、客单价、用户分布、互动指标等。
产品信息：产品组合、投资人数、投资金额、满标时间、收益率、风险系数、受欢迎度等。
营销渠道信息：渠道来源、渠道转化率、渠道成功率、渠道成本等。
营销活动信息：活动成本、活动渠道来源、活动转化率、传播数、新增粉丝数/用户数等。
风控信息：项目审核通过率、风险备用金、项目流动性风险指标、合规相关指标等。

❼ 如何分析互联网金融产品的大数据

软件开发和互联网金融都是相对饱和的了。 而随着国家对大数据的重视，大数据分析方面的需求日益凸显。 整体就业市场，大数据分析师处于巨大的缺口，未来各行各业对于大数据的运用必然常规化。

❽ 在哪儿可以找到互联网金融的行业数据

前瞻产业研究院 提供的《2015-2020年中国互联网金融行业市场前瞻与投资战略规划分析报告》显示，截止至2014年底，我国互联网金融市场规模已经突破10万亿元。以P2P业态为例，过去5年中，各类P2P平台都获得了年均超过250%的爆发式增长。

不过，作为新兴行业，互联网金融问题不容忽视。互联网金融的安全风险也日益加剧。仍以P2P业态为例，数据显示，2015年上半年我国问题P2P平台数量为273家，数量超过2014年问题P2P平台数总和，今年以来，P2P网络贷款平台出现跑路或提现困难的公司更是高达677家。