36氪：2017年金融科技_FinTech_行業研究報告2017年11月（63頁）.pdf

1、孔德云 36氪研究院 2017年9月 如虎傅翼 革故鼎新 FinTech行業研究報告 2 金融是在不確定的環境中進行資源跨界的最優配置決策行為，其本質是價 值流通。在目前階段，科技的介入可以加速解決傳統金融的信息采集、風 險定價模型、投資決策、信用中介等痛點，大數據、云計算、人工智能、 區塊鏈等均是FinTech重要的技術維度驅動力。 報告摘要 科技與金融的融合動力主要體現在其對價值流通的加速能力以及流通過程中 產生的風險控制作用 大數據風控發展較快，區塊鏈和智能投顧仍處于早期階段。就目前來看，具 備一手信源，在數據維度、量級和鮮度上具備優勢的大數據風控公司和持有 牌照和用戶存量的互聯網金融公

2、司轉型為智能投顧公司，都具備一定優勢。 大數據風控作為征信數據覆蓋不足的補充，具備一定參考價值，目前該領 域發展較快，數據維度、量級和鮮度足以構建壁壘，但仍存在信息孤島、 維度割裂現象，獨立性問題也飽受質疑。目前，其在金融行業的應用主要 包括風險控制、風險定價、輿情分析和精準營銷等領域。 區塊鏈技術是一種基于P2P網絡協議的分布式數據庫，解決的是價值傳輸 的問題，數字貨幣是其目前最成熟的應用。目前，區塊鏈還處于極其早期 的階段，理論上區塊鏈可應用于資產證券化、記錄存證、跨境支付、物聯 網、供應鏈金融、智能合約等多個場景。 智能投顧領域，美國發展較為成熟，中國超過78%的智能投顧企業還處于 A輪

3、以前，整體行業還存在巨大發展空間。另外，由于我國市場有效性和 參與者構成都于美國有較大差異，不可照搬美國產品，只能開發適應中國 市場特色的智能投顧產品，技術難度也將遠超美國。 36Kr-FinTech行業研究報告 2017.9 目 錄 Contents 一. FinTech行業綜述 FinTech發展歷程 FinTech發展驅動力 二. 大數據風控 大數據風控行業概述 大數據風控產業鏈圖譜及參與者分析 風險之一欺詐風險分析 風險之二信用風險分析 大數據風控技術未來發展分析 三. 區塊鏈 區塊鏈行業概述 區塊鏈項目數量及融資情況分析 全球區塊鏈投資機構及創業公司Top10 區塊鏈產業鏈圖譜 區塊

4、鏈技術未來發展分析 四. 智能投顧 智能投顧行業概述 智能投顧人工投顧對比 中國市場其他市場對比 行業參與者競爭力分析 政策監管 智能投顧產業鏈圖譜 五. FinTech行業總結 FinTech行業總結 未來發展投資機會分析 致謝 FinTech行業概述 CHAPTER I FinTech發展歷程 FinTech發展驅動力 5 金融是在不確定的環境中進行資源跨期的最優配置 決策行為，其本質是價值流通。從此角度看，科技 與金融的融合動力主要體現在其對價值流通的加速 能力以及流通過程中產生的風險控制作用。目前為 止，金融與科技融合主要經歷了三大發展階段：金 融IT階段、互聯網金融階段、金融科技階段

5、。 醫療衛寧健康 科技與金融的融合動力在于加速 價值的流通能力 FinTech行業概述1. FinTech行業概述 1.1 FinTech發展歷程 1.2 FinTech發展驅動力 金融 IT 互聯網 金融 金融 科技 指金融行業通過傳統的IT軟硬件來實現辦公和業務的電子化，提高金融行業的業務效率。 代表性產品包括ATM、POS機、銀行的核心交易系統、信貸系統、清算系統等 金融業通過互聯網或者移動終端渠道匯集海量用戶，本質上是對傳統金融渠道的變革。 代表性業務包括互聯網基金銷售、P2P網絡借貸、互聯網保險、移動支付等。 金融業通過大數據、人工智能、區塊鏈等最新IT技術，大幅提升傳統金融的效率。

6、 代表技術如大數據風控、智能投顧、數字貨幣等。 金融科技即是我們通常所說的 FinTech（Financial Technology）， 其與前兩階段最大的不同之處在于， 金融IT和互聯網金融階段是金融業內 部的變革，主要作用在于提高業務效 率，而FinTech則主要是由外部科技 公司對傳統金融行業所提供的產品及 服務進行革新，可以解決傳統金融的 信息采集、風險定價模型、投資決策、 信用中介等痛點，大數據、云計算、 人工智能、區塊鏈等均是FinTech的 重要技術推動力。 圖示：科技金融變革歷程 人工智能大數據區塊鏈 傳 統 金 融 行 業 大數據風控智能投顧 供應鏈金融移動支付互聯網銀行 量

7、化投資數字貨幣 其他 36Kr-FinTech行業研究報告 2017.9 大數據風控 CHAPTER 大數據風控行業概述 大數據風控產業鏈圖譜及參與者分析 風險之一欺詐風險分析 風險之二信用風險分析 7 金融是個強數據導向的行業，大數據技術的發展極 大地促進了金融行業的發展，其在金融行業的應用 目前主要包括了風險控制、風險定價、輿情分析和 精準營銷等領域。我們認為，大數據對金融行業最 根本的推動作用在于其可以幫助金融企業發現市場 真相，進而能夠更好地進行資源的優化配置。 醫療衛寧健康 大數據技術助力企業撥開迷霧， 發現市場真相 大數據風控行業概述2. 大數據風控 2.1 大數據風控行業概述 眾

8、包數據源數據存儲數據挖掘機器學習模型應用資源配置 眾包指的是把過 去由員工執行的 工作任務，以自 由自愿的形式外 包給非特定大眾 網絡的做法。 磁盤 云存儲 模糊匹配 數據預處理 文本分割與 詞條分析 支持向量機 樸素貝葉斯分類 線性降維算法 決策樹 神經網絡 邏輯回歸 評估 迭代 風險控制 反欺詐 征信 授信 風險定價 人保 車保 輿情分析 競爭環境洞察 預測股市波動 調整創投方向 精準營銷 偏好推薦 運營推廣圖示：大數據在金融行業的應用步驟 目前大數據在金融行業 首要落地場景便是大數 據風控。我們整理歷史 投資事件中發現，金融 大數據融資數量整體均 高于其他細分領域。并 且，在2015年Q

9、2時， 融資數量達到一個峰值， 其中3/4為大數據風控 公司。在經過2015年 Q3到2017年Q1的低 潮后，融資數量如今再 次達到歷史新高。 0 10 20 30 40 50 60 金融大數據醫療大數據其他領域 上證指數 2000 3000 4000 5000 上證指數 2015Q2，金融大數據領域 獲投數量環比上漲120% 數據來源：36氪創投助手App 2014.01-2017.06 大數據應用層各領域投資事件數量（個） 0 1000 2000 3000 4000 5000 6000 2017.9 2015Q2，金融大數據獲投企業四分之 三為大數據風控公司，此高點與2015 年4-6月

10、份的上證綜指峰值相吻合 36Kr-FinTech行業研究報告 8 2. 大數據風控 2.1 大數據風控行業概述 2.2 大數據風控產業鏈圖 譜參與者分析 我國大數據風控產業鏈條可分為數據生產主體、數 據供應方、數據加工方和數據使用方四部分。 醫療衛寧健康 大數據風控產業鏈圖譜 大數據風控產業鏈圖譜與參與者分析 數據生產主體 個人企業 數據供應方數據加工方 數據使用方 圖示：征信市場產業鏈分析；來源：36氪研究院 2017.9 36Kr-FinTech行業研究報告 9 數據生產主體： 此處的主體主要指個人和企業，數據在此環節產 生，后流入數據供應方。以個人為例，此環節主要 存在兩方面問題： 1.

11、缺乏主體意識，主要表現在無自我數據保護意識， 隱私泄露嚴重。 2.存在僥幸心理，認為偶爾的違規不會影響到其他 平臺的信用。隨著信用平臺的打通和信用生活的普 及，人們將逐步提高對個人征信的認知。 數據供應方： 數據供應方主要包括各大銀行、電商、社交平臺、公 共服務機構等，其擁有數據生產主體的一手數據，可 開放給下游的數據加工方。此環節存在的問題： 1.缺乏用戶許可或利用用戶無意識許可后，隨意將 用戶數據作其他商用。 2.在數據的反爬取方面投入較保守，缺乏保護用戶 隱私意識。此問題或將通過用戶主體意識的覺醒和立 法得到進一步解決。 數據加工方： 數據加工方通過從多渠道上游數據供應方處得到數據 后通

12、過自有模型分析并產出包括但不限于信用分數、 信用評級、信用報告等產品。 醫療衛寧健康 大數據產業鏈參與者現狀分析 大數據風控產業鏈圖譜與參與者分析 2. 大數據風控 2.1 大數據風控行業概述 2.2 大數據風控產業鏈圖 譜及參與者分析 2017.9 36Kr-FinTech行業研究報告 10 2. 大數據風控 2.1 大數據風控行業概述 2.2 大數據風控產業鏈圖 譜及參與者分析 此環節存在的問題： 1.存在信息孤島、維度割裂現象， 在數量、相關性和 維度等方面都無法得到滿足。解決此問題一方面需 要制定市場統一認可的風控模型，加強數據清洗、 脫敏等治理手段的標準化建設，進而解決數據定價 問題

13、，最終解決數據的流通問題；另一方面需要在 一定前提下，央行進一步開放數據給更多下游企業 以解決數據缺乏相關性等問題。 2.第三方征信行業的獨立性問題。2015年1月份被央 行批準的可以開展個人征信業務相關準備工作的八 家企業目前仍未獲得實質牌照，據中國人民銀行征 信局局長萬存知表示*其中存在的問題之一就是其不 具備獨立性，存在利益沖突。此背景下，成長起了 一批相對獨立的征信機構例如百融金服、同盾科技 等。 3.為吸引足夠多的數據使用者即資金方，盲目提高客 戶的融資價值。此問題可能會觸發系統性風險，對 新興的大數據征信行業造成難以扭轉的信任風險。 數據使用方： 數據使用方包括了銀行、消金、P2P

14、、泛信用生活領 域等對信用有知曉需求的機構。數據使用方對信用的 第一需求是數據的相關性，此部分主要存在的挑戰是 創新數據在實際應用過程中的有效性問題，仍需時間 驗證。 醫療衛寧健康 大數據產業鏈參與者現狀分析 大數據風控產業鏈圖譜與參與者分析 *來自公開資料整理 2017.9 36Kr-FinTech行業研究報告 11 在風控產業鏈中，數據加工方需要應對的風險主要 包括欺詐風險和信用風險。欺詐風險具有主觀性， 是客戶主動帶來的風險，在發起請求時即無還款意 愿；信用風險具有客觀性，指的是借款人因由未能 及時、足額償還債務而違約?？傮w而言，欺詐是信 用的基石，是貸前風控的首要步驟。 根據益博睿發布

15、的欺詐經濟學：規避快速增長和 創新中的風險顯示中國互聯網欺詐風險排名全球 前三位，網絡欺詐的損失達到了GDP的0.63%，僅 次于美國的0.64%，而來自獵網的數據顯示互聯網 欺詐中金融欺詐最為嚴重。 醫療衛寧健康 反欺詐是征信行業的基石 風險之一 欺詐風險分析 0 3,000 6,000 9,000 2016年互聯網欺詐涉案金額 （單位：萬元） 來源：360獵網平臺 當前互聯網欺詐已經發展出了完整的產業鏈，欺詐 產業鏈可以分為上游信息盜取者、中游信息售賣者 和下游欺詐實施者以及最終的分贓銷贓者四個環 節。 2. 大數據風控 2.1 大數據風控行業概述 2.2 大數據風控產業鏈圖 譜及參與者分

16、析 2.3 風險之一欺詐風 險分析 2017.9 36Kr-FinTech行業研究報告 12 醫療衛寧健康 欺詐與反欺詐產業鏈分析 風險之一 欺詐風險分析 圖示：反欺詐產業鏈 來源：36氪研究院 相應地，反欺詐產業鏈也較為健全，主要參與者有 上游數據供應商、中游第三方反欺詐機構和下游反 欺詐使用方。 信息盜取 木馬開發者 釣魚編輯 盜庫黑客 線下盜取 信息售賣 釣魚零售商 域名販子 個信批發商 卡販子 欺詐實施 P2P平臺欺詐 消費金融欺詐 銀行信貸欺詐 交易欺詐 分贓銷贓 財務會計師 ATM小馬仔 分贓中間人 圖示：欺詐產業鏈 來源：方正證券，36氪研究院 銀行 數據提供方 公安、司法電商P

17、2P平臺社交平臺征信機構其他 身份信息設備信息司法信息行為偏好跨平臺交易記錄 神經網絡模型隨機森林模型 機器學習 實時規則引擎行為分析引擎 業務規則引擎 威脅情報庫風險規則庫黑灰名單用戶關聯圖譜 第 三 方 反 欺 詐 機 構 P2P平臺消費金融平臺銀行其他綜合金融平臺 反 欺 詐 數 據 使 用 方 下面我們將以同盾科技作為第三方反欺詐代表企業 作簡要分析。 數 據 回 流 2. 大數據風控 2.1 大數據風控行業概述 2.2 大數據風控產業鏈圖 譜及參與者分析 2.3 風險之一欺詐風 險分析 2017.9 36Kr-FinTech行業研究報告 13 醫療衛寧健康 同盾科技基于大數據，提供跨

18、行 業跨應用的聯防聯控反欺詐服務 反欺詐企業案例 同盾科技 創辦時間：2013年 地址：浙江杭州 最新融資：B+輪 獲投時間：2016年4月 融資額：3200萬美元 同盾科技創辦于2013年，是國內專業的第三方大數 據智能風控服務提供商，提供的服務包括業務反欺 詐、信貸風控和信息核驗。 IP地理位置 設備指紋 個人信息 金融活動 記錄 網絡行為 關聯分析 文本分析 圖片分析 模糊匹配 數據建模 數據可視化 基礎數據 開放平臺 平臺工具 反欺詐服務 安全保護 安全保護 反欺詐服務 貸前預篩 貸中復核 貸后監控 數據源數據分析數據應用 圖示：同盾科技業務框架 同盾科技以反欺詐服務見長，包括信貸反欺

19、詐和業 務反欺詐，其核心技術包括設備指紋、人機識別、 黑產工具識別、代理檢測、AI風控模型等。通過實 時監測全網IP代理端口和接碼平臺，同盾建立了 設 備畫像、IP畫像和手機號畫像。目前，同盾監控的 手機號碼達3000萬，代理IP地址達數2億，失信名 單、司法不良信息達千萬級，覆蓋終端超30億*。 用途描述 虛假IP/ 虛假手機號 垃圾注冊 為刷單、刷閱讀數、搶票、薅羊毛等 行為提供賬號 驗證/綁定/解綁 如果號碼已被注冊，可能會通過虛假 號碼進行解綁、驗證等方式收獲賬號 的所有權 隱私保護 匿名自我保護或利用代理IP進入“暗 網”等進行黑色產業往來 *數據均來自于同盾科技 2017.9 36

20、Kr-FinTech行業研究報告 14 設備指紋是指可以用于唯一標識出該設備的設備特 征或者獨特的設備標識，通常設備的特征集合可以 用來當做設備指紋，主要包括硬件屬性、軟件屬性 和用戶行為三大類。 醫療衛寧健康 設備指紋是目前反欺詐的主要技 術手段之一 反欺詐企業案例 同盾科技 硬件 屬性 用戶 行為 軟件 屬性 手機品牌 Mac地址 手機型號 imei seriaino 應用啟動時間 應用操作習慣 年齡性別推算 輸入習慣 指壓習慣 OS版 系統設置 網絡配置 瀏覽器 GPS、IP、app 按照配合程度不同，設備指紋可分為主動式、被動 式和混合式三種。主動式設備指紋識別技術需要主 動的得到設備

21、的配合獲取相應的信息，最直接的主 動方法就是直接在設備上植入SDK或JS代碼程序， 其響應速度和準確度相對較高，但使用場景常因為 隱私保護而受限。同盾科技目前利用的主要是混合 式設備指紋識別技術來做終端的唯一性鑒別。 圖示：設備指紋依據特征簡析 來源：36氪研究院 主動式 通過SDK或JS代碼在客戶端主動收集設備信息，來實現設備的精準識別，響應速 度和準確度相對較高，但使用場景常因為隱私保護而受限。 被動式 被動式主要通過在服務器端收集通信協議和網絡的特征來識別設備， 100%保護 用戶隱私，有更大的適用范圍。同時，也具備響應時間較長、研發難度大等局 限。 混合式 混合式設備指紋技術融合了以上

22、兩者各自的優點，并能將其識別結果相互印證和 校驗，準確率進一步提高的同時，也擴大了設備指紋技術的適用范圍。 創辦時間：2013年 地址：浙江杭州 最新融資：B+輪 獲投時間：2016年4月 融資額：3200萬美元 2017.9 36Kr-FinTech行業研究報告 15 單設備綁定身份證多 單設備綁定手機號多 工作日操作，夜貓子屬性 偏好跨平臺借貸 更愛P2P平臺借貸 老賴愛做什么？ 老賴是誰？ 男性居多 平均年齡39 34-43人數最多 44-53歲概率最高 同盾目前服務客戶已超6000家，其中2500余家金融 領域客戶，包括互聯網金融、消費金融、傳統金 融，金融領域等。另外也服務于像美團、

23、京東、神 州租車、 e袋洗、唯品會等電商、O2O、社交類客 戶*。市場上同盾也同樣結合其他行業客戶，目的在 于構建跨行業聯防聯控的系統性能力。 醫療衛寧健康 同盾老賴畫像顯示：老賴以男性 居多，平均年齡39歲 反欺詐企業案例 同盾科技 互聯網金融 宜人貸、拍拍貸、銅板街、 你我貸、挖財、恒昌、人人貸、 點融網、紅嶺創投 消費金融 捷信、中銀消費金融、 北銀消費金融、國美金融、 人人分析、樂信、愛學貸 銀行保險 中信、招商、興業、民生、 杭州銀行、恒豐銀行、陽光保險、 眾安保險、易方達基金 社交論壇 百合網、珍愛網、有緣網、 博客園 第三方支付 新浪支付、海爾支付、瀚銀支付、 匯通金財、融寶支付

24、 電商O2O 京東、美團、大眾點評、 神州租車、唯品會、酒仙網 依據龐大使用群體，同盾科技于2016年10月份發布 了老賴畫像，老賴的群體特征主要如下：男性居 多，平均年齡39歲，而34-43歲的老賴人數最多， 44-53歲的借貸風險最高。 *數據來源于同盾科技 創辦時間：2013年 地址：浙江杭州 最新融資：B+輪 獲投時間：2016年4月 融資額：3200萬美元 2017.9 36Kr-FinTech行業研究報告 16 反欺詐是消費金融產品中的第一道防火墻，消費金 融是反欺詐產品的最大客戶群體之一。消費金融公 司為了保證數據的覆蓋廣度和交叉驗證正確性，大 多選擇與多家數據公司進行合作。 面

25、向年輕群體的消費金融公司愛又米與同盾科技、 邦盛、數美、數尊等十余家大數據風控公司合作， 建立了覆蓋貸前、貸中、貸后的全流程智能風控體 系；并與依圖科技合作建立了智能活體檢測和秒級 人臉識別體系?；谧陨砩鷳B積累數據源和第三方 數據源，愛又米目前銀行口徑的M3+*逾期率 1%。 反欺詐數據使用方消費金融公 司愛又米案例分析 消費金融企業案例 愛又米 2017.9 公司名稱：愛又米 創辦時間：2014年3月 地址：杭州 最新融資：C 輪 獲投時間：2017年4月 融資額：2.2億人民幣 投資方： 中順易；星輝互動；神州泰岳 中銀投資浙商產業基金 *一般將90天以上的逾期定義 為“M3”或“M3+

26、”，被認 為還款可能較小，一般進行最 高級別催收或者外包催收。 目前，愛又米平臺注冊用戶1400萬+，月活用戶300 萬+，放款總額超70億，商品銷售總額逾15億，業 務覆蓋全國32個省，目前已與中國銀行、平安銀 行、海爾消費金融等多家持牌金融機構達成戰略合 作，共同布局年輕人消費金融市場。我們認為反欺 詐產品是消費金融市場的底層基礎設施，更低的資 金成本和更可靠的風控體系將構成消金公司的競爭 壁壘。 借款均額 3000元 合作銀行 合作品牌 男 83% 成人 18周歲+ 偏好 3C 白領占比 60% 圖示：資金、商品流轉架構（非全部資源） 來源：愛又米；36氪研究院 風險平衡 用戶畫像 36

27、Kr-FinTech行業研究報告 17 除消費金融之外，P2P信貸企業也是反欺詐產品的受 眾之一。中業興融創辦于2015年，作為一家P2P金 融平臺，其資管銀行為上海華瑞銀行，同時借助同 盾科技、前海征信等第三方科技公司和自身風控能 力篩選優質客戶。此外，通過第三方進件方出資于 中國建設銀行開立第三方過失保證金*賬戶保證投資 者利益，構建P2P行業的商業閉環。 P2P行業借助大數據風控體系優 選資金融出對象，構建商業閉環 P2P企業案例 中業興融 創辦時間：2015年2月 地址：深圳 最新融資：A輪 2017.9 中業興融 嚴 格 準 入 融 資 推 薦 進件方 還款支付指令 終審 借款人 發

28、布合格借款信息 投標支付指令 投資人 資 金 存 管 轉 發 支 付 指 令 商業銀行 到期還款 資金轉入 到期還款 資金劃轉 融資申請 初審 第三方過失保證金 圖示：中業興融資金流轉架構 來源：中業興融官網 中業興融第三方合作進件單位一覽 北京中業眾信普惠信息咨詢有限公司云南正川經濟信息咨詢服務有限公司 云南中業普惠經濟信息咨詢有限公司康輝拎包游網絡科技（深圳）有限公司 中業普惠（深圳）信息咨詢有限公司 來源：中業興融；36氪研究院 *第三方過失保證金包含： 1. 初始第三方過失保證金。與平臺合 作的第三方進件單位一次性存入一筆 資金作為初始準備金。 2. 計提第三方過失保證金。后續運營 過

29、程中，第三方進件單位每推薦一筆 借款項目，從其服務費收入中按所推 薦項目年化借款金額的0.2%-0.5%比 例計提第三方過失保證金，存入第三 方過失保證金專戶。 36Kr-FinTech行業研究報告 18 中業興融的資金融入產品有中業智選、興融計劃和 定期理財。截至目前，累積投資人總數逾12.54萬， 投資筆數32.20萬，總額達80.51億，逾期項目78 個，項目逾期率0.8%。逾期金額全部由第三方擔保 公司全額墊付，未造成投資人損失。 創辦時間：2015年2月 地址：深圳 最新融資：A輪 2017.9 圖示：中業興融平臺投資期限分布性別占比 數據截至2017-08-31；T代表項目期限 來

30、源：中業興融 42.37 億元 女性投資金額 52.63% 女性投資金額占比 38.13 億元 男性投資金額 47.37% 男性投資金額占比 1T3個月 5032個； 29.04億； 占比36.07% 3T6個月 4963個；26.17億；占比32.51% 6T12個月 2856個； 16.28億； 占比20.22% T*12個月 2050個；9.02億；占比11.21% 中業興融的資金融出產品有惠農寶、車融寶、企融 寶、醫融寶等，前兩者面向C端，后兩者面向B端。 其中，在B端企業環節，中業興融更關注“社區衛生 服務站”等實業領域，意在掌握獨有的特色優質資 產，最大程度避免行業資產同質化。 提

31、交借款申請 系統實名驗證 進件方初步審核 進件方實際調查 平臺終審 簽訂合同 發標放款 貸后管理 正常還款 圖示：中業興融借貸流程 P2P企業案例 中業興融 P2P行業借助大數據風控體系優 選資金融出對象，構建商業閉環 36Kr-FinTech行業研究報告 19 弱 相 關 強 相 關 除欺詐風險之外，風險控制還包括了大量的信用風 險。我國征信體系建設以掌握信用強相關數據的央 行為主導，以利用具備網絡效應的數據源來探索信 用評斷依據的其他公司、機構為輔，我們將后者定 義為大數據征信*公司。 醫療衛寧健康 大數據風控彌補央行征信空白， 具備參考價值 風險之二信用風險分析 2004年4月， 中國人

32、民銀行 成立銀行信貸 征信服務中心 2006年1月， 中國人民銀行 宣布個人征信 系統正式運行 2008年5月， 中國人民銀行 征信中心在上海揭牌 2009年10月， 征信中心完成對 上海資信的收購工作 2010年6月， 企業和個人征信系統 成功切換至上海運行， 并正式對外提供服務 2012年9月， 與FICO達成合作， 正式啟動個人信用 評分模型開發項目 2013年3月， 征信業管理條例正式實施， 明確企業和個人征信系統 為國家金融信用信息基礎數據庫 6.4 6.6 7.8 8.1 8.2 8.4 8.6 8.8 1.4 1.8 2.2 2.6 2.9 3.2 3.5 3.8 0 5 10

33、2008 2009 2010 2011 2012 2013 2014 2015 自然人數信貸人數 個人征信系統收錄自然人數及信貸人數 （單位：億人） 數據來源：中國人民銀行征信中心；36氪整理 截至2016年，央行共記錄了8.8億 人的個人金融數據，但有信貸數據 的僅有3.8億，覆蓋率僅占28%。 隨著普惠金融和消費金融的普及， 越來越多的人具備信貸需求，央行 數據難以支撐，在此背景之下，大 數據征信企業開始蓬勃發展發展。 以下將以芝麻信用和騰訊信用為代 表進行說明。 *此處主要討論個人征信企業 征信體系 大數據征信 芝 麻 信 用 騰 訊 信 用 前 海 征 信 鵬 元 征 信 中 誠 信

34、中 智 誠 拉 卡 拉 華 道 征 信 傳統征信 中 國 人 民 銀 行 征 信 中 心 圖示：信用強相關和弱相關數據分類 來源：36氪研究院 年齡 職業 收入 學歷 工作單位 房產 汽車 借貸情況 還貸記錄 社交 電商 信用卡 社保 公積金 瀏覽記錄 手機號年限 出入消費場所 愛心慈善 信用借還 2. 大數據風控 2.1 大數據風控行業概述 2.2 大數據風控產業鏈圖 譜及參與者分析 2.3 風險之一欺詐風 險分析 2.4 風險之二信用風 險分析 2017.9 36Kr-FinTech行業研究報告 20 芝麻信用是螞蟻金服旗下獨立的第三方征信機構， 于2015年1月份正式上線公測。芝麻信用征

35、信體系 通過分析大量的網絡交易及行為數據，圍繞用戶信 用歷史、行為偏好、履約能力、身份特質、人脈關 系五個維度進行評估，于每月6日進行分數更新。 醫療衛寧健康 芝麻信用基于五大維度輸出信用 分數，將信用生活融入各大場景 大數據征信企業案例 芝麻信用 基于對不同維度的信息數據的綜合處 理和評估，可生成適用于個人的芝麻 信用分，分值區間為處于350-950 之間，分數越高代表信用程度越好， 可享受的“信用生活”便利程度也逐 步提高。信用生活欄目目前覆蓋領域 包括出行、住宿、金融、購物以及社 交等領域。 身份 履約 信用人脈 行為 學歷、職業、駕駛證、海外信 用報告、車輛、房產、實名消 費行為、信用

36、卡賬單 接入的各維度過 往履約記錄 好友群體品質及 往來情況 650 圖示：芝麻信用分評判維度 較差中等良好優秀極好 350950550600650700 圖示：芝麻信用分數/等級對應關系 圖示：芝麻信用產品功能架構圖 來源：36氪研究院 芝麻信用分 評分依據評分標準 信用生活 數據來源授權管理 授權管理 出行金融住宿購物社交 信用借還； 生活費用 續繳； 分期償還 瀏覽、 交易 數據 身份特質 履約能力 身份特質人脈關系 行為偏好 上線時間：2015年1月 地址：浙江杭州 最新融資：B輪（螞蟻金服） 獲投時間：2016年4月 融資額：45億美元 2017.9 36Kr-FinTech行業研究

37、報告 21 數據維度方面，芝麻信用除了接入阿里巴巴集團的 電商數據和螞蟻金服集團的金融數據外，還基于自 身生態系統覆蓋了出行、餐飲、文娛、社交等多個 方面。此外，芝麻信用還與公安網、公積金、水電 費等多個公共機構以及合作伙伴建立了數據合作關 系，同時也將開辟多種渠道允許用戶主動提交各類 信用相關信息。 存在問題方面，除了前面提到的第三方獨立性問 題，萬存知還表示目前首批開展個人征信準備工作 的八家企業還存在信息誤采誤用和信息不全面等問 題。信息誤采誤用問題，一方面需要國家加快相關 法律法規立法進程，另一方面，芝麻信用于2017年 7月份設立首席隱私官，旨在保護了芝麻信用數據安 全和用戶隱私，在

38、促進征信行業提高隱私重視、保 護方面起到了一定作用。關于“信息不全面”的問 題，我們認為，在互聯網金融領域，最大的數據權 重應該消費行為和社交行為。消費行為相對于其他 數據與個人身份特質關系更為密切，但其不穩定性 較大；而社交行為基于互聯網，更易行為網絡效 應，可以不斷鏈接到更廣泛人群，相對穩定性也較 強。 醫療衛寧健康 芝麻信用基于阿里巴巴生態接入 多維數據，卻又存在三大問題 大數據征信企業案例 芝麻信用 圖示：芝麻信用數據來源分析 來源：36氪研究院 上線時間：2015年1月 地址：浙江杭州 最新融資：B輪（螞蟻金服） 獲投時間：2016年4月 融資額：45億美元 2017.9 36Kr-

39、FinTech行業研究報告 22 2013年9月 芝麻信用背靠阿里巴巴集團，其擁有一手的電商數 據，但另一方面，電商數據在評分模型中比重過 大，導致評判維度不夠全面。在此方面，我們從C端 角度，也看到了阿里在社交方面的不斷嘗試。芝麻 信用副總經理鄧一鳴曾表示*，未來在芝麻信用的測 評權重中，來自淘寶、支付寶等阿里系的數據占比 將降低到30%40%。 醫療衛寧健康 社交只是重要的配角，人以群分 的信用背書才是要點 大數據征信企業案例 芝麻信用 2012年7月 2012年開始，阿里巴巴先后兩次投資 陌陌，合計占股20.7%。后因私有化 分歧，阿里處于不斷減持拋售中。 阿里巴巴宣以5.86億美元買入

40、新浪微 博18%股份，在社交大趨勢性產品中 占據了重要的一席。 2013年9月，阿里巴巴發布移動好友 互動平臺“來往”。 支付寶上線“服務窗”，后改名為 “生活號”，對標微信公眾號。 2014年5月 2013年4月 2015年1月 “閑魚”App上線，其內置魚塘功能 即能基于地理位置區域建立，也能基 于興趣愛好或物品建立。據CBNData 統計，90后在閑魚每月面交次數達3.6 次，線下當面交易閑置物品成為互動 交友新方式。 2015年1月 來往團隊轉戰“釘釘”，定位于智能 移動辦公平臺，主打商務溝通和工作 協同，對C端身份特質中的職業信用可 以起到交叉驗證作用。 2015年10月 支付寶推出

41、“生活圈”，對標朋友 圈，除具備點贊及評論功能外，還有 打賞功能。 2016年1月 支付寶推出了年度集?；顒?，2017年 1月延續。 2016年9月 *來自公開資料整理 2016年8月 螞蟻金服基于支付寶平臺推出“螞蟻 森林”公益行動，想得更多能量的最 直接方式之一即加更多好友。 為激活“生活圈”，支付寶上線“圈 子”功能，主推“校園日記”“白領 日記”等圈子，一度引起熱議，后 “擦邊球”圈子被關閉。 上線時間：2015年1月 地址：浙江杭州 最新融資：B輪（螞蟻金服） 獲投時間：2016年4月 融資額：45億美元 2017.9 36Kr-FinTech行業研究報告 23 支付寶定位為信用支付

42、、擔保交易，而不僅僅是支 付工具，也不存在業內所說的“一臺ATM機的社交 化嘗試”。我們認為支付寶社交化進程中存在的問 題主要是：支付寶不具備社交所必備的朋友圈子， 而且通過即時通訊的功能來吸引朋友加入這條道路 上已經存在微信、QQ兩座大山；支付寶也不具備一 個內容社區所需要的優質內容來聚集用戶。既沒有 朋友也沒有內容，簡而言之，支付寶面臨的可能是 先有蛋還是先有雞的歷史難題。 我們認為，作為一個信用平臺，甚至是金融理財入 口，支付寶服務的是大量長尾用戶，隨著時間的推 移，其是在不斷產生理財需求和資本的，但可能恰 恰缺少了理財知識?；诖吮尘?，我們認為支付寶 更適合的場景是去做理財、金融方面的

43、社區，甚至 可以踩內容付費的風口，形成行業閉環。近期，支 付寶發起了信用自媒體聯盟，開始邀請泛金融行業 的自媒體入駐生活號，或許是一個好的開端。 醫療衛寧健康 做社交需解決先有蛋還是先有雞 的問題，金融社區或是突破口 大數據征信企業案例 芝麻信用 理財/其他 內容社區 余額寶 螞蟻財富 芝麻 信用分 信用 生活 涌入理財端口 交流實踐經驗 風 險 承 受 能 力 反 饋 額 度 、 利 率 調 整 具體借還反饋 促進普及信用社會 交 流 促 進 更 多 嘗 試 產 生 更 多 維 度 話 題 圖示：信用社會閉環方案 來源：36氪研究院 上線時間：2015年1月 地址：浙江杭州 最新融資：B輪（

44、螞蟻金服） 獲投時間：2016年4月 融資額：45億美元 2017.9 36Kr-FinTech行業研究報告 24 除了以電商數據為主要權重的芝麻信用外，還有以 社交關系為主要權重的騰訊信用。騰訊信用是騰訊 征信推出的個人征信管理平臺，分值區間處于300- 850之間，目前還處于邀請制的限量公測中，信用分 主要圍繞履約、安全、財富、消費和社交五個維度 進行評估，每月月初會進行更新。 醫療衛寧健康 基于社交數據，騰訊信用將“人 以群分”發揮極致 大數據征信企業案例 騰訊信用 個人信息 準確性、 完善性； 賬戶安全 性、聯系 方式更換 頻次 履約 安全 財富消費 社交 貸款、信用卡、分期消 費、生

45、活繳費等履約能力 721 圖示：騰訊信用分評判維度 社交行 為及人 脈關系 個人資產構成、存續； 理財記錄；騰訊公益 微信支付行為及基于LBS 的消費場景分析消費偏好 履約指數 安全指數 財富指數消費指數 社交指數 基于騰訊信用分，可以享受良好信用帶來的“金融 特權”和“生活特權”兩大服務，前者主要包括現 金借貸、銀行辦卡、消費分期等，合作機構包括微 眾銀行、建設銀行、光大銀行、眾安保險、浦發銀 行和招聯金融等；后者主要包括消費保險、信用出 行等服務，合作商家包括托保骉車險、普思維手機 延保等。 上線時間：未知 地址：深圳 2017.9 36Kr-FinTech行業研究報告 25 數據維度方面

46、，騰訊基于QQ月活躍用戶8億、微信5 億*的背景下，騰訊憑借QQ、微信、財付通、QQ空 間、騰訊網、QQ郵箱等多種服務聚集了海量的個人 信息，社交信息成為其最大數據來源。社交信息作 為大數據風控中一個重要的創新維度，其極易形成 龐大的社交網絡，產生龐大的關聯數據，尋求數據 之間聯系的場景正是機器學習、大數據技術的最佳 應用場景。 另一方面，社交性數據存在金融相關性較低、權威 性較差等問題。為彌補這一短板，騰訊于2014年9 月推出了微信支付，以搶紅包概念切入，于2015年 春節攬獲2億綁卡用戶。在線下支付場景，由于微信 粘性更高，調用更方便，人們往往會直接使用微信 支付；線上場景中，截至201

47、6年8月份，騰訊已成 為京東最大股東，開辟了線上數據入口。此外，騰 訊還多次投資了一家互聯網證券公司富途證券，后 者已成為騰訊自選股APP中港股的唯一合作券商。 騰訊通過支付和電商卡位，彌補 社交數據金融相關性差短板 大數據征信企業案例 騰訊信用 *自騰訊QQ手機客戶端 圖示：騰訊征信數據來源分析 來源：36氪研究院 上線時間：未知 地址：深圳 2017.9 36Kr-FinTech行業研究報告 26 富途證券創辦于2012年，提供港股、美股和A股市 場的行情和交易服務，是香港證監會認可的持牌法 團。截至2017年8月，富途證券用戶數超360萬，累 計交易額超過6000億，2016全年交易額近

48、3000億 *。 互聯網券商富途證券，已初步 打通三大證券交易市場 互聯網券商企業案例- 富途證券 公司名稱：富途證券 創辦時間：2012年 地址：香港 最新融資：C 輪 獲投時間：2017年6月 融資額：1.455億美元 投資方：騰訊 經緯 紅杉 2017.9 *本頁數據均來自于富途證券 富途證券 港股 美股 A股 傭金：0.03% 最低3港元 方案一：$0.0049/股 最低$0.99/筆 方案二：$5/筆 傭金：0.025% 持有第1/2/4/9類受規管活動牌照 清算通道：盈透證券等 清算通道：長城證券、平安證券 富途證券的銀證轉賬業務合作伙伴為招商銀行香港 分行，第三方資管銀行包括招商

49、銀行、工銀亞洲等8 家銀行。作為互聯網券商，富途證券更加關注客戶 體驗，于2013年發布了集行情、交易、資訊、社交 等功能于一體的富途牛牛App，通過線上方式提供 證券及其他衍生品交易活動相關的金融服務。 投資富途證券是騰訊繼微眾銀行、理財通之后的又 一金融布局大動作。除此之外，富途與騰訊在其他 方面也有深入的的戰略合作關系，包括富途的IT架構 在騰訊云之上；騰訊為富途輸出了管理理念；富途 為騰訊自選股App提供港股購買通道等。 36Kr-FinTech行業研究報告 27 我們認為，隨著時間的推移，騰訊在強金融數據領 域的短板將逐步消失。但至今，騰訊征信還未完全 開放，其仍處于驗證創新數據（社交數據）在風控 行業的有效性和消費數據累積階段。相應地，在信 用生活方面，也未見大規模應用。此角度去看，時 間或將成為騰訊征信的最大敵手。 征信歸根結底是對人的研究，基于用戶畫像，我們 認為，征信的商業價值除了應用于泛信貸行業做風 險控制之外，對于更廣泛的行業，其商業價值則在 于精準營銷。相對于利潤較低的風控行業，顯然幫 助客戶精準營銷擁有更高的利潤空間，而且應用渠 道也得到了極大的拓展，同時也避免了信用數據相 關性低、”牌照生意“等短板，精準營銷將是征信 行業未來最重要