41

昨天,值国内首家网贷平台拍拍贷在企业成立 8 周年之际发布了《2007-2014 年中国 P2P 个人无抵押小额信贷市场发展报告》。其中中国 P2P 市场需求的巨大放量增长和 90 后借贷投资行为的分析数据为人瞩目。

拍拍贷之前动点有过相关报道。目前是完成近亿美元的 C 轮融资的行业翘楚,据悉光 6 月份单月就为 6 万个客户提供了服务,现已积累了六百万用户的海量数据,这背后的秘密武器来自于自主研发的基于精准大数据的 “魔镜风控系统”

信贷需求4 年猛增 20 倍 市场潜力巨大

1

 

报告显示,2011 年-2014 年互联网金融高速发展的 4 年间,P2P 个人无抵押小额信贷市场借款需求出现了近 20 倍的增长,投资需求累计增长超过 15 倍。

拍拍贷 CEO 张俊表示,P2P 个人无抵押小额信贷市场潜力巨大,且仍尚未被精心开垦。中国有近 5 亿互联网非信用卡人群的个人信用借贷需求尚未得到满足,市场体量并不低于现有信用卡用户。目前拍拍贷已拥有业内最大的用户群体超过 600 万,公司将挖掘更庞大、长尾的互联网人群的借贷需求,实现目标用户向亿级的突破。

2

报告中的另一个亮点是,以个人消费为目的的借贷在各项借贷需求中居首位,占到业务总份额的 63.72%,且正在呈现持续飞速增长的趋势。同时,P2P 个人无抵押小额信贷为劳动密集型行业从业者提供借款最多,覆盖了物流贸易、餐饮服务等行业的中低收入人群。

 

90 后及各年龄地区的投资比例特征

3

报告也分析了 90 后群体的 P2P 借贷投资行为特征,在互联网时代,90 后人群因超前消费意识及对新兴互联网金融的快速接纳,成为需求增速最快的群体。以 2014 年为例,90 后群体的借款需求出现同比 768% 的高速增长,为中国 P2P 个人无抵押信贷业务发展提供了持续的发展动力。同时 90 后群体在 P2P 投资中风险配置最为合理,体现出了优于其它群体的投资财商。

总体来看华东、华南等沿海经济发达区域需求量占比较高,但西部、东北等经济欠发达地区的借贷、投资需求上升速度较经济发达区域更快,这表明个人无抵押小额信贷业务正加速向西部城市渗透。

其中还有一个数据很有意思,男性借款人数是女性的 6 倍多,远大于女性。对此,不免对于中国男性朋友向女性朋友送礼物的压力多于反过来的这种现状身为男性表示焦虑。东莞与嘉兴在城市信用水平排行榜上排在最后;学历对信用和逾期有比较明显的区分度;使用魅族华为手机的用户信用指数排名要高于小米和联想的用户。

 

剑指征信系统大一统的未来

CEO 张俊也为我们分享了拍拍贷的未来发展构想。“过去几年拍拍贷一直专注于个人对个人的信贷。花了最多时间在风控系统。因为我们知道,大多数的借款人没有任何信用记录,信用历史。这样的一群人在互联网上我们也见不到摸不着,这样的人要借钱,你到底借不借?而我们通过技术把这个问题解决了。

未来中国会步入到个人信用社会,当年我们做这件事情的时候,所有人都说中国人不讲信用,我们相信中国人讲信用,只是说没有这样一套系统和体系、方法去衡量每个人的信用价值。现在国家也在鼓励这个行业的发展。我们愿意把自己的征信系统贡献出来,为整个共享经济服务。比如说一个小姑娘相亲看到两个人,这个人的信用评分更高,可能他就更靠谱一些。或者是 PP 租车,我对这个人不了解,如果说有人告诉你说,这个人的信用评分非常高,那就会愿意把车租赁给他。

现在我们积累了 600 多万客户,通过这些客户我们建立了高度自动化的系统,当大家提供了信息之后,我们可以通过我们的搜索引擎和爬虫程序可以获取这个人在互联网上的各种各样的行为,获得这个人的信用评级。这是一个个人的征信评级,因此我们发现我们的业务当中有很大一块是做征信业务的。”

综上所述,下一步拍拍贷将在资产生成端开发更多的借款产品,以及基于消费场景的应用,来更好的服务借款用户;汇集公司多年心血的大数据征信系统也将独立出来,去服务更多需要信用服务的中国人,使我们始终坚持的 “金融触手可及,信用改变中国” 的梦想走得更快。

现场也有记者提问指出这样依据用户网络行为等构建的风控模型是否科学,两者之间是否真有逻辑性的关联,是否有主观结论去利用客观事实的嫌疑。对此,首席技术官张锋先生回应称:

现在时代也在进步,在大数据方法之前,在做模型的时候,先要有一个假设。我觉得你这个手机使用时间越长风险越低,我们加入一些变量,然后来设计模型。而现在我们在算法上进行优化,更多的我们是用很简单、很粗糙的方法,直接给你搞出上万个变量来,直接用编码来表达这些变量,然后扔到机器当中去跑去分析。最终你是一个方程式,我们会看出其中哪些变量是最重要的,我们会对这些变量进行分析,我们找到这个变量,如果说有一些变量是让我们百思不得其解的话,我们就会考虑是不是用这个变量,因为如果说没有一个直观的理由的话,可能他就是一个偶然性的,是不具备稳定性,或者是你的数据出了问题。

有了这个模型之后,我们看这些变量的分布,他的最高值、最低值、中间值,我们每个月都会对新进来的客户进行监控,在监控过程当中保持模型的稳定性,是有这样一个不断修正调整的过程在里面。