发帖
雷达卡
金融实验室||金融大数据分析时代：
信贷与消费的发展
金融实验室历来就是卧虎藏龙，直击全球的金融大环境剖析与讲解等等，如今大数据分析的渗透，使得金融大数据全面映入大众的眼帘。就“大数据+金融”思维利用而言，国外金融机构有着十足丰富的体现，已经将大数据技术在风险控制、运营管理、销售支持及商业模式创新等领域进行了全面的尝试。信贷与消费的发展，也在金融大数据时代愈发出新的苗头和前进脚步，下面我们来好好看看吧。
信贷和消费的发展
美国的信贷发展史上，最早有真正消费透支意义的信用卡是70年代的VISA卡。他们通过测试发现信用卡易于赚钱，就在这个实验的基础上发了大量的卡。卡直接寄到家门口，打开就可以刷。但不到几个月的时间就产生了很多坏账。在那之前的美国信用卡法案没有强制信用调查，基本上卡寄到马上可以刷。这次出现大量坏账后美国出台了一些信用卡的法案，规定使用信用卡的人一定要申请，并且一定要调查信用。这是消费金融的真正起步。
美国刚刚走出了2008年底的金融危机，这是由次贷危机引起的。我们有一个衡量美国人信用风险指数的数据，是通过美国三亿消费者在这十年间每一笔的信用贷款综合而成的。每个债务是微观性的，从这个微观怎样整合到经济的指数，它的基础就是金融大数据。
这次金融危机可以说对于美国这种纯信用式的消费金融冲击并不大。这次规律跟以往完全不一样，以前的金融危机在房贷上并没有造成什么影响，而是失业率带来了其他的债务。但美国这次金融危机房贷风险非常高，纯信用类消费的风险反而不是特别高。
美国这次金融危机导致了房地产非常大的风险。因为大家没有失业的风险，手里比较有钱，而杠杆率成倍的放大使之成为一个很好的投资手段。但这次杠杆率的放大比以前每一次都高，造成了比较严重的金融危机。美国的房贷危机可以说化解了，也可以说没有完全化解，因为当时银行收回的房产非常多，如果一下子都推向市场的话会引起房价断崖式的下降，因此这些房产处置的非常慢，有些现在还存在于市场中。这些房产基本要通过10年的时间去消化，这样才有可能化解风险，这一决策的背后有很多金融大数据支撑。
反观中国，我们进入了一个增速相对放缓的时期，我们的消费也是大家非常关注的。这种情况下如果你成为一个数据工程师，你给中国人民银行或者银监会、证监会工作，让你分析某一个区域的风险你会怎么入手，真正的数据在哪里，如何设计，这就是我们金融大数据工程师要做的。
◆ ◆ ◆
RetailFinance vs. Consumer Finance
消费金融有两个概念，一个是“小消费大金融”，一个是“大消费小金融”。“大消费小金融”的模式叫做RetailFinance，零售金融。什么叫零售金融？它是来促进零售的。它完全绑定消费产品和消费场景，先消费后买单。也就是说大消费、小金融的金融属性是为了促进消费。
而“小消费大金融”的金融属性是非常强的，一定要收益覆盖风险才能达到这个盈利目标。而在金融领域，执行这种模式的机构侧重点也不一样，比如说ConsumerFinance，这种产品的风险很高，收益率也很高。
◆ ◆ ◆
消费金融的风险及盈利
消费金融，顾名思义，金融还是我们的本质，消费只不过是一个形容词。那么我们一定要了解金融的本质，金融的本质就是风险和盈利。如果不能基础地分析这种金融的盈利模式和风险，那么这种产品就有可能是庞氏骗局。
金融产品的设计许多事以大量的数据为基础的。金融产品的收入就是利息加费用，定价如果只是基础定价、最简单的定价，产品是不会有竞争力的，因为可以用低价竞争去打垮你。而金融方面最最重要的就是基于风险和其他一些因素做综合、区别定价，这个定价比较复杂，但这样收入才会更加有持续性、竞争力。
定价和成本是分不开的。如果是基于成本定价，那么对金融产品来说很关键的就是风险成本。如果价格不能覆盖成本肯定是不能盈利的，尤其是在大量的消费者产生批量效应的时候。这时要保证风险的设计不仅对一个人管用，并且对一千万个人管用。因此成本计算中最难的还是在风险上，因为风险会根据市场、宏观经济以及其它各种各样的情况和环境改变。
但通常来说这种定价不是简单的基于成本的，尽管风险是很核心的因素。另一个在金融定价中也很重要的要素是渠道，也就是我们通常所说的场景。渠道的管理非常重要，对于不同的渠道可能有不同的达到最优化定价的目的和手段。
消费金融离不开风险的精准评估以及自动化审批。很多消费金融公司也都是愿意提倡这些的，现在我们可以秒贷了，甚至可以凭一张身份证放贷，这都是基于高度的自动化。但最难的还是风险评估，有很多时候风险评估是没有办法做到自动化的。比如说风险投资公司，如果它能够自动识别这些风险何必要人呢？所以金融大数据工程师最需要知道的第一点是大数据的边界在哪里，什么情况下我们要通过大数据分析、分析风险精准到什么程度、怎么应用，不要把大数据夸大化；第二点是数据是什么，我们知道数据是不断在变的，大数据在不断地积累迭代，能否形成体系架构来迭代提高，这是关键。
◆ ◆ ◆
消费金融大数据与数据工程师
我们认为跟消费金融相关的数据包括消费人群信用数据、经营人群信用数据、收入数据、资产数据、抵押数据。
消费行为的深入带来的是一代人消费观念的转变。这些年货币发行量还是很高，物价上升也比较可观，新一代年轻人如果还没有转变理念去银行借款的话，可能他未来的资产永远也赶不上。而这个理念已经开始转变，中国逐步走向消费金融为主的社会，消费金融大数据未来应用的场景和领域是非常宽广的，需要更多的金融领域的数据工程师，可是现在的储备还是非常少的，因为它的特殊性。
金融机构其实看不到数据，他们关注的是盈利，是如何选客户和营销。因此数据产品一定要返回到生产的流程里面，这样才能产生价值。
这样的大数据应用有防范欺诈风险的，防范不同的欺诈所要求的数据都是不同的，如果我们不能在数据采集、分析的过程中把它区分开来，数据产品是没有办法使用的。
另外一个风险也是金融机构很关注的，叫做宏观市场的风险。每个人都离不开社会离不开这种大的经济环境，我们现在最关注的可能是未来得房价会不会跌、跌多少，我们的金融资产受到的冲击是多少，这就是经济环境的风险。通常我们认为经济环境的风险从金融大数据的角度来说更加注重从微观的数据整合到宏观的维度，它的准确度会非常高。在宏观经济领域，像穆迪、标普这种征信公司和很多其它金融机构都会联手做很多事情，比如说金融危机的时候美国经济机构做了很多宏观经济指数，这能够有指导性的作用，这也是金融大数据领域一个非常重要的应用。
大数据中二八原则是无处不在的，20%的数据能够提供80%的价值。数据工程师主要的工作不是到处采集数据，而是要知道怎么样去找20%的有价值的数据。数据具有动态性，我们在不同应用里面发现这20%的数据是随之而变的，它在不同的场景有不同的价值。
同样的数据在不同的应用是不一样的，在同一个应用里面在不同的情况下它也不一样。最后数据工程师可能会产生统计模型，用以描述不同随机变量之间如何关联，例如行为的不同随机变量。但只有关联性并不够。
举一个非常经典的啤酒和尿布的例子。
Super bowl举行的时候，一些人把尿布和啤酒放在一起卖，会发现尿布和啤酒的销售量都提高了。统计模型发现了这两者的关联性，但这并不意味着这样的搭配销售具有普适性。因为这一现象的本质是这个区域里正好有一些20多岁到30多岁、爱看球类比赛的年轻人，并且他们都有孩子，出来买啤酒时可以正好买尿布。因此数据工程师不能满足于表面现象，而要发掘本质原因。数据工程师要能在玩儿数据的过程中增长自己的知识，知其然知其所以然，这样你做的产品才可能会更有效。因此大数据并不是盲目地告诉你这个东西是什么，而是要从这个数据里找到规律，这是知识，是颠扑不破的真理，这是一个合格优秀的数据工程师需要做到的。
总结来说，金融大数据工程师，只是一个工程师还是远远不够的。他首先要对金融有所了解，其次要分析数据背后的本质，哪里风险高，哪里风控做的不好，最后形成决策。举例来说，中等风险的人群实际上是很能盈利的人群，因为他有一点风险，但又不是太高。那么这些人的风险如何管理，如何定价就是金融大数据工程师要做的。数据清理、分析你发现了什么、总结出什么规律、这个规律怎么提升、怎么样迭代，这是数据工程师最重要的五个核心。此外数据工程师还需要艺术思维和匠人精神，要科学性和艺术性相结合。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
