全球金融科技行業深度研究報告(下)

 

一、FinTech主要細分領域梳理

1. 智能投顧

1.1 背景

我國人工投顧數量不足,海量股民仍未得到充分服務

目前行業主要存在以下痛點:

現有專業人工投顧數量不足,不少散戶仍在服務範圍外

受金融牌照和投顧資質影響,擁有從業資格的機構和投資顧問集中於券商,券商成為開展投顧業務的主力軍。

截止2016年1月28日,市場投資者數量共計10038.85萬,其中自然人10010.12萬,非自然人28.73萬。

機構和高淨值個人投資者是重點服務對象,海量股民仍未得到充分服務

在相當長的時間裡,機構和高淨值個人投資者是重點服務對象,這部分目標用戶投資金額高,因而個人投資顧問服務性價比高,海量的、投資額相對小的個人投資者沒有享受到很好的服務和產品。然而,這部分市場是很廣闊的,散戶的交易額佔比在總交易額的80%以上。

1.2 概述

人工投顧的替代品,重點應用大數據和人工智能

智能投顧作為人工投顧的替代品,是指在投資管理服務中用軟件來代替人工投資顧問來完成以下多項核心功能:客戶檔案創建、資產配置、投資組合選擇、交易執行、投資組合重設、投資損失避稅和投資組合分析。它改變了傳統的理財顧問的銷售模式,利用互聯網大數據,對用戶偏好、市場、產品等進行數字化分析,系統為客戶推薦多元化的風險分散的投資組合。

智能投顧最早出現於2011年,由美國Wealthfront公司推出。該公司借助於計算機模型和技術,通過調查問卷評估客戶並提供個性化的資產投資組合建議,最初主要客戶為矽谷的科技員工。目前,智能投顧在海外尤其是美國市場已初具規模,依據Corporate Insight的統計,截至2015年年中,智能投顧公司管理的資產規模已超過210億美元。FinTech 在智能投顧中的應用主要體現在大數據和人工智能兩方面:

  • 海量的數據是投資顧問模型不斷優化的基礎;

  • 人工智能使模型中投資組合與風險匹配的判斷與分析成為可能。

可以看到,智能投顧和人工投顧所完成的服務是類似的,但區別在於智能投顧的所有流程都是數字化的,而非基於人工投顧的主觀判斷。

盈利模式:顧問服務費為主,低於人工投顧費用

顧問服務費用按照資產的百分比收取,目前一般在0.25%-0.50%左右,低於人工投顧的費用,具體​​比例因公司而異。由於避免了線下獲客、產品銷售、投資諮詢等人力成本密集環節,智能投顧節省了很大的成本,提升了產業鏈的效率,因而其可提供更低成本的管理費用。

1.3 現狀

行業剛剛起步,智能程度低,優質企業少

目前,公開表示具有或正在研發“智能投顧”功能的互聯網理財平台已經超過二十家,比如京東金融、一心、積木盒子、聚愛財plus等。但智能化程度參差不齊,和美國同類企業相比仍有差距。

  • 部分互聯網金融企業以“智能投顧”為噱頭,並非真正的金融科技公司。一些P2P企業僅對用戶進行簡單的風險偏好測試,根據用戶偏好推薦相應理財產品,並未實現用先進的數據算法來優化投資模型,意在藉“智能投顧”的幌子進行市場宣傳。

  • 致力於“智能投顧”的創業企業仍在模仿Wealthfront的產品形式,基本實現智能算法模型的搭建,使用數字化手段提供投資諮詢服務。以彌財、藍海財富為代表的國內智能投顧公司,在2015年年初成立,是國內最早的智能投顧公司之一,借鑒Wealthfront、Betterment的產品模式,推出了機器人投顧產品。目前這兩家公司的投資標的均以指數基金ETF為主,跟踪全球市場,目標客戶多為有海外資產配置需求的人群。兩家公司的管理費用均小於國內人工投顧費率,藍海財富諮詢費為所管理資產的0.5%,彌財更是將諮詢費降低到零以廣泛獲客。

1.4 監管

平台及顧問均應取得相應資質,美國監管有借鑒意義

中國智能投顧仍在摸索階段,目前行業監管尚未出台明確的針對智能投顧的監管條例,但投顧平台及投顧服務人員均應取得相應資質。此外,法律就智能投顧代理客戶進行交易管理的相關操作也出台了意見:

2016年3月, Finra(美國金融業監管局)出台了《對數字化投顧的建議報告》,報告中提出了對智能投顧在技術管理、投資組合創建及減少利益衝突方面的具體建議和實用案例。內容涵蓋:

  • 客戶信息採集時應涵蓋的內容

  • 對算法技術的監管意見

  • 對智能投顧建立管理和監管的架構及流程的建議

  • 對客戶和金融專業人士的教育和培訓的具體建議和做法

總而言之,投顧平台需要充分了解其使用的算法,包括算法背後的假設和存在的偏向;投顧平台需要評估算法是否符合預設的投資理念;平台方需要相關負責人為該算法負責。美國作為智能投顧行業的先行者,行業監管逐漸細緻明確,對國內智能投顧行業有很大借鑒意義。

1.5 優勢

更少成本,更多用戶,更理性的投資服務

智能投顧定位於服務海量客戶,用軟件服務來代替人工投資顧問,即無論是前期投資者信息的收集,還是中期資產的配置、投資策略的選擇,到後期交易的執行以及投資組合的重設,這一切都是數字化的。其中,構建投資組合模型的能力,是產品的核心競爭力所在,模型給出的投資標的能否與客戶風險偏好進行良好的匹配是衡量智能投顧產品的重要條件。與傳統的人工投顧相比,智能投顧主要有以下特點:

  • 服務成本低,受眾範圍廣:

一方面,傳統的人工投資顧問服務受限於服務成本,而智能投資顧問的費用是非常有限的,這極大的提高了客戶群體的範圍,將普通用戶納入到客戶群體。智能投顧會向用戶推薦符合其自身投資偏好的個性化投資組合。

  • 算法先進,避免非理性因素

另一方面,利用算法、大數據作為投資依據,又能避免人工投資顧問的非理性因素。投資組合的選擇是基於其構建的模型推算而出,可以在一定程度上消除人工投顧的非理性因素或由於投資經驗不足導致的問題。

1.6 服務流程

服務鏈條短,系統自動推薦投資標的

智能投顧能夠讓客戶在App上就實現財富的智能管理,步驟簡單便利。市場上智能投顧產品的服務流程大同小異,現以Wealthfront智能投顧為例做說明:

Step1:用戶填寫問卷,在網站給出的若干目標中選擇自己的投資目標(如退休儲蓄、醫療支出、教育支出等);提供自己對股票、債券、ETF的理解水平等,此步主要為收集客戶對風險和收益的偏好信息。

Step2:網站基於客戶提供的信息,推薦投資計劃,投資組合包括兩大類:需要納稅的投資組合和退休金投資組合。

Step3:網站根據市場情況、組合表現動態評估客戶的投資計劃是否符合其目標;當客戶的投資計劃無法達到最初設定的目標時,網站會給出針對性的投資建議。

1.7 投資標的

分散化投資,投資標的多為ETF基金

基於算法、大數據作為投資模型依據的智能投資模型提供的產品特點是風險分散的、收益相對穩定的,因而投資標的多分散在一系列產品,如基金、股票、債權、固定收益類產品等投資組合。智能投顧平台大多采用被動型投資,其特點是“購買並持有”資產,以期獲得長期、穩定的收益。目前,市場上智能投顧的投資標的主要為ETF基金。一些平台也會購買國內主動型投資的公募基金來實現配置目的。

  • 數量眾多、產品多樣的ETF為機器人投顧提供了豐富的投資基礎,且ETF更關注與各市場或各大資產的整體表現狀況,很好的分散了風險,也對模型構建組合比較有利;

  • ETF基金還具有避稅功能,利用美國的相關政策規定進行ETF的交易可抵減當期盈利,延後稅收。而中國並無此項避稅功能。

1.8 行業思考

算法技術是最大壁壘,市場環境仍不成熟

我們認為,智能投顧剛剛起步,國內市場尚不具備大規模推廣的成熟環境。國內智能投顧的行業發展受制於以下兩個因素:

  • 技術基礎弱

智能投顧需要先進的算法支撐,針對不同的投資諮詢目的應用合適的算法。如果算法的設計不成熟,將可能導致南轅北轍的結果,從而給投資者帶來不利的影響。成熟有效地算法對開發團隊的要求是相對較高的。國內公司在技術開發及量化投資經驗上相對薄弱,在算法模型方面和美國仍存在一定差距,不少公司是在整個投資鏈條的局部環節上使用算法實現。比如,在用戶風險偏好收集方面,不少公司設計出了易於普通投資者信息收集的電子問卷;但在投資模型方面,更多仍處於“黑匣子”狀態,是否真正運用先進算法不得而知。

  • 市場對量化的認可度不高,受眾風險管理意識尚不成熟

智能投顧或者其他的量化、對沖等投資方式,雖然風險確定,但周期長,收益相對主觀投資來說並不高。而國內投資者的風險管理意識尚未成熟,相對傾向跟風、炒主題,以期獲得高收益。隨著投資者的風險管理意識的逐漸提高,智能投顧的發展方向會更加明晰。

2. 借貸與徵信

2.1 借貸· 概述

中國發展迅猛,平台層出不窮,但技術剛剛起步

中國互聯網借貸行業經歷了迅猛生長---問題平台頻出---熱度趨緩這三個階段。

  • P2P是真市場,滿足個人和中小企業融資需求

在我國,個人和中小企業融資渠道不暢,多為被銀行拋棄的客戶群提,由於這部分人群的借貸要求遠遠沒有被滿足,早期出現了很多民間借貸組織。P2P平台的出現滿足了用戶的借貸需求,這是真實存在的市場。目前,行業問題平台頻出的背後是低的進入壁壘和弱的風控能力,隨著行業監管的加緊,有望得到改善。

  • 應用區塊鏈技術,解決P2P平台信任問題

以P2P的票據交易為例,票據的發行可在區塊鏈上進行登記,進而有效避免票據的造假、一票多買等違規問題。一些P2P交易所運用區塊鏈技術來解決交易市場的信任問題,大大降低交易成本。

  • 風險控制是關鍵,平台徵信技術仍不成熟

對P2P企業來說,如何識別欺詐、如何做好風險控制是平台業務的關鍵。利用大數據徵信技術,企業可以很好的解決欺詐,避免逆向選擇,做好風險控制。我們認為,徵信技術是藉貸產品的基礎,下文將對徵信技術做詳細的介紹與分析。

2.2 徵信· 概述

徵信解決交易雙方信息不對稱,應用場景豐富

徵信是指依法收集、整理、保存、加工自然人、法人及其他組織的信用信息,並對外提供信用報告、信用評估、信用信息諮詢等服務,幫助信息使用方判斷、控制信用風險,進行信用管理的活動。主要目的是解決交易雙方信息不對稱的問題,通過模型去預測其未來的信用行為, 進行信用風險管理。

如上圖所示,徵信機構對徵信對象進行數據收集、清洗、轉換、集成、導入及分析,基於信息使用方的應用場景搭建信用模型,最終產出信用得分,信用報告並提供其他增值服務。傳統的徵信數據源僅有銀行、政府、工商企業等,在這裡第一手的與信貸最為直接相關的客戶數據(如資產、借貸歷史等數據)被儲存;隨著互聯網的發展,網絡對人們行為數據的積累量發生了飛躍,各類行為數據均可以被記錄,其中不乏與徵信應用場景相關的信息。基於此,有效分析利用社交、電商及搜索等非結構化數據也成為徵信機構架構徵信模型時必須考慮的部分。在應用場景方面,解決交易雙方信息不對稱的場景幾乎都可以應用徵信技術,而其最廣泛的應用即為藉貸的信用評分。

2.3 徵信· 盈利模式

美國經驗表明徵信業務存在高利潤空間

徵信業務收入由基礎徵信服務收入和信用衍生服務收入構成:

發達國家經驗表明徵信業務的高利潤空間:

  • 美國征信行業伴隨消費借貸產業的發展而不斷成熟,以個人徵信機構三大巨頭為例,Experian、Equifax、TransUnion的營業淨利潤率在15%左右,營收均在十億美元級別.

  • 在收入結構方面,以Experian為例,基礎徵信服務收入佔據總收入48%,信用衍生服務收入佔據總收入52%。在大數據徵信不斷發展的趨勢下,該比例有可能會進一步調整。

2.4 徵信· 現狀

現有徵信體係以政府為主,信息覆蓋仍待完善

  • 個人徵信體系尚未覆蓋半數:目前,央行數據顯示,截止2015年4月30日,央行的信貸報告覆蓋了8.64億自然人,有3.61億人擁有個人信貸數據記錄,有5.03億人有個人社保信息記錄但無徵信數據,剩下的5.3億人沒有任何徵信信息。

  • 企業徵信系統實現基本覆蓋,但信息不夠完全:截止2015年4月30日,2068萬戶企業及其他組織中,有中徵碼的企業及其他組織1023萬戶。

  • 行業市場滲透率低:2015年,中國個人徵信行業潛在市場規模1623.6億元,實際市場規模為151.4億元,個人徵信行業的市場滲透率整體維持在9%的水平。低滲透率的背後是各數據網絡的割據與隔離。

2.5 徵信· 監管

徵信牌照稀缺,牌照管理仍為收緊狀態

目前,我國共有8家機構獲得個人徵信牌照,包括背靠互聯網巨頭的芝麻信用管理有限公司、騰訊徵信有限公司和老牌徵信公司鵬遠征信有限公司、中誠信徵信有限公司等。牌照管理仍處於收緊狀態。

2.6 徵信· 數據源

各數據網絡呈割據狀態,我國征信仍在起步階段

數據分佈:

  • 線下數據:多為傳統金融機構持有,銀行各自為營,不會輕易共享數據,由央行徵信系統對接銀行、保險的數據,但覆蓋人群有限;國家正在致力建設政府數據統一開放平台,有望在2020年實現對外開放。

  • 線上數據:BAT等互聯網巨頭依靠其網絡生態有天然的數據獲取優勢

小的創業公司也在嘗試探索:一些創業公司依靠購買、抓取其他互聯網數據來整合數據,但競爭尤為激烈,市場數據仍處於割據狀態。隨著人們對互聯網消費及金融產品依賴性的進一步提高,該網絡存在整合的可能性。

2.7 徵信· 技術革新

大數據與人工智能讓徵信數據更豐富,讓徵信模型更完善

大數據的發展為徵信行業帶來了大幅改變的契機。在信息的獲取、信息的豐富程度以及分析、徵信模型的優化方面都帶來了質的改變。

2.8 徵信· 行業思考

數據源是基礎,算法和數據迭代經驗是徵信模型難點

  • 優質和大規模的數據是徵信的基礎

隨著信息技術的發展,互聯網和大數據的普及,數據積累的數量和質量得到飛躍,這為徵信行業的發展打下很好的基礎,數據源或將成為徵信行業的一大競爭熱點。在數據獲取方面,除了和政府及互聯網巨頭合作以外,不少平台也在不斷積極嘗試,試圖從數據源端收集第一手數據,從而在源頭上建立自身優勢。

  • 算法和數據迭代經驗是徵信模型難點

從大數據徵信模型算法的成熟度來看,我國雖與美國存在一定差距,但我國的電商數據、社交數據非常豐富,這為大數據徵信的嘗試探索建立了很好的基礎。徵信模型與應用場景密不可分,需要不斷的注入新的數據進行模型的優化和驗證。因為模型本質上產生的是預測用戶信用行為的作用,預測的準確與否需要實踐數據修正,不斷動態優化調整。

徵信數據的應用場景非常豐富,不僅限於信貸,更可以滿足社交、消費等方面的需求,而這方面的探索尚在起步階段。

3.支付

3.1 支付· 概述

2000年後電子支付迅猛發展,2010進入移動支付時代

電子支付是指用戶通過電子終端,直接或間接向銀行業金融機構發出支付指令,實現貨幣支付與資金轉移的行為。根據電子支付使用終端的不同,可分為互聯網支付、電話支付、手機支付、數字電視支付、POS機刷卡支付等。電子支付業務的發展經歷以下幾個階段:

第一階段:電子支付發展緩慢,支付方式以網銀為主

在2003年以前,中國的電子支付發展較為緩慢,主要參與方為各大銀行機構,支付方式以網上銀行為主,發展速度較為緩慢。

第二階段:第三方支付機構進入市場,加速電子支付發展

2003年後,以支付寶為代表的第三方支付機構涉足支付業務,促進了電子支付市場的快速發展。

第三階段:銀行、銀聯、第三方支付三方鼎立,全面進入移動支付時代

2010年,銀行推出手機銀行APP,帶領人們走入移動支付時代。此後,以微信支付、支付寶為代表的互聯網巨頭紛紛發力移動支付市場,依靠其強大的線上生態場景搶占市場份額。同時,跨境支付也因第三方支付的興起而得到更優解決方案,區塊鏈技術的應用將更大程度上解決跨境支付成本及效率問題。

3.2 支付· 現狀

三大核心參與方,央行為監管主體

中國電子支付核心參與方有三類:

  • 以中國工商銀行、建設銀行等為代表的商業銀行;

  • 以支付寶、微信支付為代表的第三方支付平台;

  • 以銀聯和央行支付系統組成的支付清算系統。

其中,支付清算系統處於電子支付最核心的位置,運行電子支付系統並提供跨行資金清算。最新一期的監管規定已明確說明第三方支付機構不得繞過清算機構與銀行直接進行跨行支付業務。此外,通訊運營商主要為支付提供通信渠道、支付渠道;支付軟硬件提供商提供技術支持。整個體係由央行進行監督,與銀監會和支付清算協會一起維護支付市場的競爭秩序。

3.3 支付· 監管

新一輪業務整頓已開始,第三方支付牌照趨於收緊

2010年以來,政府對支付業務的監管逐漸收緊。從2011年至今,央行共發放了8批270張支付牌照,首批27家獲得第三方支付牌照的機構牌照期限已於今年5月到期,但央行尚未對其進行續展。2016年,隨著央行《非銀行支付機構風險專項整治工作實施方案》的出台,支付行業進入了新一輪的整頓。我們認為,第三方牌支付照牌照長期將處於收緊狀態,監管也趨於嚴格。

3.4 支付· 技術革新

中國市場增速快,移動支付已成主流

FinTech的發展推動了點對點支付解決方案的實現,移動錢包允許人們通過將信用卡信息與智能手機綁定,從而可以手機一鍵完成支付業務。

  • 我國支付業務起步早,第三方支付線上交易規模龐大

  • 移動支付已成趨勢:

移動支付包括近距支付和遠程支付兩種。

  • 近距支付:包括NFC手機支付和RF-SIM支付兩種,例如,Apple-pay利用的即為NFC技術,但受限於用戶移動支付習慣及POS級升級的巨大成本,目前推廣前景尚不明朗。

  • 遠程支付:基於移動互聯網的在線支付方式,現已成為人們日常消費中非常重要的一環。

區塊鏈技術全景美好,跨境支付應用落地仍需等待

跨境支付存在兩個痛點:高昂的手續費和較長的轉賬週期。以電彙為例,其匯款週期一般長達3~5個工作日,除了中間銀行會收取一定手續費,環球銀行金融電訊協會(SWIFT)也會對通過其係統進行的電文交換收取較高的電訊費,如在我國通過中行進行跨境匯款會被收取單筆150元的電訊費。而基於區塊鍊或分佈式網絡技術的跨境支付可以在去中心化的機制下更快更低成本地完成跨境轉賬,即交易雙方不再需要依賴一個中央系統來負責資金清算並存儲所有的交易信息,而是基於一個不需要進行信任協調的共識機制直接進行價值轉移。

區塊鏈技術優勢:

節省建立可靠的中心化的第三方機構龐大的服務器成本及維護成本,避免受到攻擊後整個系統受到安全威脅。

區塊鏈技術劣勢:

首先,區塊鏈系統自身存在一定劣勢,交易處理會消耗整個網絡的算力和能源;分佈式存儲佔據大量眾多節點的寬帶及設備。其次,區塊鏈技術雖在內部邏輯及運行方式上保證數據安全,但是卻難以抵擋不法分子對外部設備如電子錢包、交易平台的攻擊;匿名機制也使得用戶的資金被盜用後無法獲得法律保障,同時設計監管問題。目前,服務銀行之間(如Ripple)、企業及企業之間(如AlignCommerce)、企業與個人之間(如Bitwage)、個人與個人之間

(如ABRA)的匯款需求均有相關區塊鏈公司試水。

3.5 支付· 行業思考

銀聯第三方支付持續角力,區塊鏈技術本土化仍在試水

銀聯與第三方支付爭奪支付場景

銀聯與第三方支付目前仍處於市場爭搶階段,格局未定。

  • 銀聯:一方面,銀聯擁有完善成熟的資金清算系統,且政府監管規定明確第三方支付機構不得繞開清算機構與銀行合作,這代表銀聯必能在支付業務中分得一杯羹;另一方面,隨著銀聯與手機巨頭蘋果、三星等達成合作,NFC技術可能重獲生機,實現對支付寶、微信支付的反擊;

  • 第三方支付:2016年支付寶公佈用戶4.5億,微信支付用戶超過3億。支付寶和微信佔據第三方支付市場90%市場份額。支付寶、微信支付擁有龐大的客戶資源和銷售渠道,借助其強大的生態系統,已逐漸培養了用戶的支付習慣。在雙方的爭奪中,支付場景成為製勝關鍵,第三方支付公司應搶占B端資源。對用戶來說,無論是移動支付還是NFC支付,不同支付機構提供的支付方式在便捷性、安全性上並無顯著性差異,因此支付場景成為製勝關鍵。隨著移動支付使用場景的不斷延伸,和不同線下場景合作達成成為各大支付機構爭搶的熱點。未來第三方支付公司應盡快搶占線下支付入口,掌握B端資源。

區塊鏈技術變革路線及實踐效果仍需等待及檢驗

通過上文,可以看到,基於類似區塊鏈技術的應用具有一定的優勢,但也存在較大的製約,需要利弊之間的權衡。在跨境支付場景中,由於目前在全球範圍內仍缺乏一個低成本高效率的解決方案,不同國家之間還存在政治、監管等因素的差異,類似區塊鏈技術這一去中心化、去信任化的模式是非常具有潛力的解決方案,但是具體的技術變革路線仍需在國內本土化落地,其實踐效果也有待觀察和檢驗。

二、案例分析

1. 案例分析· 智能投顧

Wealthfront:智能投顧鼻祖

  • 公司概況

Wealthfront 前身為Kaching 投資諮詢顧問公司,2011年轉型為專業的在線財富管理公司,是美國最早期的智能投顧平台之一。公司位於美國加州Palo Alto市。

  • 主要產品

主要產品為系統推送的投資計劃,其中包括需要納稅的投資組合和退休金投資組合。投資組合的載體為各類指數基金ETF,涵蓋的資產類別包括:美股、海外股票、新興市場股票、股利股票、美國國債、新興市場債券、美國通脹指數化債券、自然資源、房產、公司債券、市政債券等。此外,wealthfront還推出其他服務。

  • 盈利模式

Wealthfront主要客戶為中等收入的年輕人,並非高淨值人群。平台按照資產淨值按比例向客戶收取的諮詢費用:

  • 當資產低於10000美元時,平台不收取諮詢費;

  • 當資產高於10000美元時,平台每年收取0.25%的諮詢費;

此外,為了客戶推廣,Wealthfront還推出了優惠政策:即每邀請一位用戶,邀請人將獲得5000美元投資額的諮詢費減免。

  • 業績指標

2015年1月,Wealthfront的管理資產僅為18.3億美元;截至2016年2月底,資產規模接近30億美元。

  • 團隊背景

創始人Andy Rachleff 曾為Benchmark Capital 創始人之一,斯坦福商學院教師;首席投資官Burton Malkiel 曾著有《漫步華爾街》。管理團隊由業界和學界名人組成。

2. 案例分析· 借貸

信而富: 致力於國內小額消費信貸服務

  • 公司概況

信而富是一家致力於國內消費信貸服務的FinTech公司。成立於2001年,擁有基於大數據處理的預測篩選、自動決策、風險定價等核心技術,曾為國內多家全國性銀行提供服務,並於2010年涉足網絡借貸信息中介業務。

  • 主要服務

公司採用先進大數據風控系統,為藉貸兩端用戶提供風險評估、信息交互、借貸撮合等服務。目前,信而富推出了多類出借類和現金貸類服務。

  • 市場定位

信而富曾為多家國內大型銀行供消費信貸風險管理服務,加深了其對國人消費信貸需求的理解,促進了其消費信貸風險管理、貸後管理等技術的發展。基於此,信而富在涉足網絡借貸信息中介業務後,提出了與其他同類企業差異化的戰略目標,即“面向5億無徵信數據人群,服務小額信貸需求”。

  • 信而富與其他P2P平台定位不同,目標瞄準5億在央行有社保、稅收等數據,但沒有信貸記錄的人群(即傳統金融機構未覆蓋的人群),即EMMA族(Emerging Middle-class Mobile Activeconsumers )。一方面通過滿足此類差異化人群的信貸需求盈利,另一方面進一步完善其在徵信數據領域的積累。

  • 央行統計數據顯示,中國網貸行業主要覆蓋10萬以上的信貸需求。信而富主要為10萬元以內的信貸需求提供服務。在此之前,信而富已與多家國內銀行開展徵信業務合作,在國內消費信貸的人群特點、徵信風險定價方法等領域有一定積累。

信而富:PST 和ADT為核心技術,擁有強大技術壁壘

  • PST技術可精準篩選並主動觸達合格借款人,避免用戶欺詐

預測篩選技術(Predictive Selection Technology)是信而富的核心技術之一,是基於對用戶在互聯網、社交平台等方面的行為、軌跡數據進行分析,篩選出具有潛在信貸需求的合格借款人的大數據處理技術。運用該項技術可以主動觸達目標用戶,很好的避免欺詐問題。

• ADT技術可科學決策合格借款人的階段額度、期限和費率

自動決策技術(Automated Decisoning Technology)是指提取合格借款人的移動軌跡、信用特徵等數據,進行風險、欺詐、價值等多維評分,判斷用戶還款能力、還款意願和還款穩定性,最終做出對該用戶借款額度、期限和費率等授信的決策技術。該技術不需要人工干預,即可做出標準化決策。

• 風險定價技術可識別不同客戶的風險區間,實現動態風險定價

風險定價(Risk pricing)指對風險資產的價格確定,它所反映的是資產所帶來的未來收益與風險的一種函數關係。風險定價是一種需要不斷驗證不斷優化的技術,可依據用戶信用評分差異化定價,用戶隨著信用累積,借款額度、期限、費率都會有差異。目前信而富可以準確識別客戶的風險區間。

3. 案例分析· 支付

ABRA——區塊鏈下,跨境支付so easy

• 公司概況

ABRA成立於2014年,它通過區塊鏈技術和共享ATM網絡,讓用戶可以隨時隨地存取款,或者以更便捷的方式進行跨境匯款。目前已完成菲律賓及美國地區的應用落地。

• 主要業務

利用ABRA App,用戶將貨幣以數字形式存儲在手機上,通過AbraTeller網絡(ABRA建立的共享ATM網絡)或傳統銀行路由的方式,匯款至世界各地任何的手機號捆綁的ABRA賬戶上,或將這些數字貨幣兌換成現金。在支付、匯款或提現期間,該應用會即時生成一個基於區塊鏈的智能合約,並由分派的對手方通過套期保值等方式,保證用戶的資金價值在三日內不因比特幣價格的變化而發生變動。Teller 提現:用戶通過ABRA應用找到附近ABRA Teller並與其進行面對面轉賬換取比特幣,如需取款也可以以同樣方式找到ABRATeller用比特幣換回現金。ABRA Teller可以向用戶收取一定比例的費用。

4. 案例分析· 金融集團

螞蟻金服:金融服務全鏈條的科技融合

• 公司概況

螞蟻金融起步於2004年成立的支付寶。2014年10月,螞蟻金服正式成立,致力於打造開放的生態系統,通過技術支持,助力金融機構和合作方的轉型升級,為小微企業和個人消費者提供普惠金融服務。

• 主要業務

目前,螞蟻金服已主要涵蓋支付、信貸、理財、保險和徵信五個主要金融服務,包含9大品牌,實現從線上到線下、從體系內到體系外、從單純的支付到理財、徵信和消費金融等諸多功能的擴展,完成了金融服務到生活服務的諸多應用場景的延伸。支付業務是螞蟻金服的核心支柱,貢獻了大部分的收入及利潤。據相關報告顯示,2015年全國第三方支付交易規模中,支付寶佔比達

68%,其2016年交易額有望突破6萬億。技術的不斷迭代,使得支付寶實現了用戶體驗優化和便捷移動支付,同時保證了賬戶強安全性。大數據的積累及分析能力的提升為螞蟻金服上線借貸業務提供了較強的技術保障。旗下網商銀行主要服務小微用戶,農村金融將成為其新的業務增長點;螞蟻花唄和借唄則主要服務於個人消費者。

螞蟻金服:天然數據優勢,推動金融科技應用落地

  • 安全信任體系升級

當支付寶從單純的支付屬性延伸承載理財、徵信、消費金融等財富屬性時,用戶對於賬戶安全的關注也日趨增強,“賬戶安全險”應運而生。傳統的保險設計邏輯和理賠方式並不適用,平台需要突破傳統賬戶安全保險的瓶頸,適用小額、高頻及海量的特性。隨著大數據、機器學習技術應用以及快速理賠系統的升級,賬戶安全將逐步實現“低保費、高效率理賠、敏捷定價”的目標。此外,螞蟻金服表示區塊鏈技術即將上線,並首先應用於支付寶的愛心捐贈平台,致力解決公益透明度和信任度問題。

  • 智能客服和風控:智能金融服務的初探

隨著服務對象、交易規模、產品類型的快速增加,僅僅依賴傳統的人工客服已經難以支持企業的發展。利用智能技術來解放人工客服、提升服務能力,是目前很多互聯網及金融公司在探索的方向,螞蟻金服也在此進行了多方嘗試,並取得不錯的成績。2015年“雙十一”期間,淘寶的服務量超過572萬人次,較2014年的224萬人次,增長了150%。其中通過智能客服完成服務的佔比高達94%。智能客服僅僅是智能金融服務的初探,其背後是智能服務的集成平台,涵蓋智能質檢能力、智能運營調度、智能賠付等自助處理能力、智能自助問答能力等多種功能。未來將利用人工智能等技術為用戶提供個性化的理財產品分析和推薦,幫助用戶完成更專業的金融理財服務。

  • 未來探索:互聯網推進器計劃,助力1000家金融機構轉型升級

技術端:開放金融雲服務,降低金融機構尤其是國內廣大的中小金融機構的運行成本和創新成本,提昇運行效率;開放的風控模型,可以幫助金融機構的金融服務更好地實現風險定價。

數據端:開放數據共享平台“維他命”,支持銀行、基金、保險等各類金融機構的研發、運營等業務。

 

除此之外,大數據、反欺詐等技術在商業領域的應用也在擴展。芝麻徵信也在嘗試將大數據徵信從金融場景的應用擴展到生活場景,包括為商業機構提供選址、業務改進等。

 

轉貼自: 金融女王


留下你的回應

以訪客張貼回應

0

在此對話中的人們

每月文章