金融科技行业研究报告.docx

如虎傅翼 革故鼎新

FinTech金融科技行业研究报告

报告摘要
科技与金融的融合动力主要体现在其对价值流通的加速能力以及流通过程中产生的风险控制作用
• 金融是在不确定的环境中进行资源跨界的最优配置决策行为，其本质是价值流通。在目前阶段，科技的介入可以加速解决传统金融的信息采集、风险定价模型、投资决策、信用中介等痛点，大数据、云计算、人工智能、区块链等均是FinTech重要的技术维度驱动力。

大数据风控发展较快，区块链和智能投顾仍处于早期阶段。就目前来看，具备一手信源，在数据维度、量级和鲜度上具备优势的大数据风控公司和持有牌照和用户存量的互联网金融公司转型为智能投顾公司，都具备一定优势。
• 大数据风控作为征信数据覆盖不足的补充，具备一定参考价值，目前该领域发展较快，数据维度、量级和鲜度足以构建壁垒，但仍存在信息孤岛、维度割裂现象，独立性问题也饱受质疑。目前，其在金融行业的应用主要包括风险控制、风险定价、舆情分析和精准营销等领域。
• 区块链技术是一种基于P2P网络协议的分布式数据库，解决的是价值传输的问题，数字货币是其目前最成熟的应用。目前，区块链还处于极其早期的阶段，理论上区块链可应用于资产证券化、记录存证、跨境支付、物联网、供应链金融、智能合约等多个场景。
• 智能投顾领域，美国发展较为成熟，中国超过78%的智能投顾企业还处于
A轮以前，整体行业还存在巨大发展空间。另外，由于我国市场有效性和参与者构成都于美国有较大差异，不可照搬美国产品，只能开发适应中国市场特色的智能投顾产品，技术难度也将远超美国。

2

目 录 Contents

一. FinTech行业综述
• FinTech发展历程
• FinTech发展驱动力
二. 大数据风控
• 大数据风控行业概述
• 大数据风控产业链图谱及参与者分析
• 风险之一——欺诈风险分析
• 风险之二——信用风险分析
• 大数据风控技术未来发展分析

三. 区块链
• 区块链行业概述
• 区块链项目数量及融资情况分析
• 全球区块链投资机构及创业公司Top10
• 区块链产业链图谱
• 区块链技术未来发展分析

四. 智能投顾
• 智能投顾行业概述
• 智能投顾＆人工投顾对比
• 中国市场＆其他市场对比
• 行业参与者竞争力分析
• 政策监管
• 智能投顾产业链图谱
五. FinTech行业总结
• FinTech行业总结
• 未来发展＆投资机会分析
• 致谢

CHAPTER I
FinTech行业概述

• FinTech发展历程
• FinTech发展驱动力

1. FinTech行业概述
1.1 FinTech发展历程
1.2 FinTech发展驱动力

FinTech行业概述

医疗—卫宁健康
科技与金融的融合动力在于加速
「价值」的流通能力
• 金融是在不确定的环境中进行资源跨期的最优配置决策行为，其本质是价值流通。从此角度看，科技与金融的融合动力主要体现在其对价值流通的加速能力以及流通过程中产生的风险控制作用。目前为止，金融与科技融合主要经历了三大发展阶段：金融IT阶段、互联网金融阶段、金融科技阶段。

• 指金融行业通过传统的IT软硬件来实现办公和业务的电子化，提高金融行业的业务效率。
• 代表性产品包括ATM、POS机、银行的核心交易系统、信贷系统、清算系统等

• 金融业通过互联网或者移动终端渠道汇集海量用户，本质上是对传统金融渠道的变革。
• 代表性业务包括互联网基金销售、P2P网络借贷、互联网保险、移动支付等。

• 金融业通过大数据、人工智能、区块链等最新IT技术，大幅提升传统金融的效率。
• 代表技术如大数据风控、智能投顾、数字货币等。

金融IT
互联网金融
金融科技
图示：科技金融变革历程

人工智能 大数据 区块链

传 统 金 融 行 业

智能投顾
量化投资
大数据风控
数字货币
互联网银行
移动支付
供应链金融
其他

5

• 金融科技即是我们通常所说的FinTech（Financial Technology）， 其与前两阶段最大的不同之处在于， 金融IT和互联网金融阶段是金融业内部的变革，主要作用在于提高业务效率，而FinTech则主要是由外部科技 公司对传统金融行业所提供的产品及服务进行革新，可以解决传统金融的
信息采集、风险定价模型、投资决策、信用中介等痛点，大数据、云计算、 人工智能、区块链等均是FinTech的
重要技术推动力。

CHAPTER Ⅱ
大数据风控

• 大数据风控行业概述
• 大数据风控产业链图谱及参与者分析
• 风险之一——欺诈风险分析
• 风险之二——信用风险分析

2. 大数据风控
2.1 大数据风控行业概述

大数据风控行业概述

医疗—卫宁健康
大数据技术助力企业拨开迷雾， 发现市场真相
• 金融是个强数据导向的行业，大数据技术的发展极大地促进了金融行业的发展，其在金融行业的应用目前主要包括了风险控制、风险定价、舆情分析和精准营销等领域。我们认为，大数据对金融行业最根本的推动作用在于其可以帮助金融企业发现市场真相，进而能够更好地进行资源的优化配置。

众包数据源
数据存储
数据挖掘
机器学习
模型应用
资源配置

• 众包指的是把过
• 磁盘
• 模糊匹配
• 支持向量机
• 评估
• 风险控制 • 舆情分析

去由员工执行的工作任务，以自由自愿的形式外
• 云存储
• 数据预处理
• 文本分割与词条分析
• 朴素贝叶斯分类
• 线性降维算法
• 决策树
• 迭代
反欺诈征 信 授信
竞争环境洞察预测股市波动调整创投方向

包给非特定大众网络的做法。
图示：大数据在金融行业的应用步骤
• 神经网络
• 逻辑回归
• 风险定价 • 精准营销人保 偏好推荐
车保 运营推广

2015Q2，金融大数据获投企业四分之三为大数据风控公司，此高点与2015 年4-6月份的上证综指峰值相吻合
2014.01-2017.06
大数据应用层各领域投资事件数量（个）
2015Q2，金融大数据领域获投数量环比上涨120%
上证指数
602000
50
40
30
20
10
0
2000
金融大数据
上证指数
医疗大数据
其他领域
数据来源：36氪创投助手App
• 目前大数据在金融行业首要落地场景便是大数

5000
据风控。我们整理历史
4000
投资事件中发现，金融
3000
大数据融资数量整体均
高于其他细分领域。并 且，在2015年Q2时， 融资数量达到一个峰值， 其中3/4为大数据风控
公司。在经过2015年
Q3到2017年Q1的低潮后，融资数量如今再次达到历史新高。
7

2. 大数据风控
2.1 大数据风控行业概述
2.2 大数据风控产业链图谱参与者分析
大数据风控产业链图谱

医疗—卫宁健康
大数据风控产业链图谱与参与者分析
• 我国大数据风控产业链条可分为数据生产主体、数据供应方、数据加工方和数据使用方四部分。

数据生产主体
个人
企业
数据使用方

数据供应方
数据加工方

图示：征信市场产业链分析；来源：36氪研究院

8

2. 大数据风控
2.1 大数据风控行业概述
2.2 大数据风控产业链图谱及参与者分析
大数据产业链参与者现状分析

医疗—卫宁健康
大数据风控产业链图谱与参与者分析
• 数据生产主体：
此处的主体主要指个人和企业，数据在此环节产 生，后流入数据供应方。以个人为例，此环节主要存在两方面问题：
1. 缺乏主体意识，主要表现在无自我数据保护意识， 隐私泄露严重。
2. 存在侥幸心理，认为偶尔的违规不会影响到其他平台的信用。随着信用平台的打通和信用生活的普及，人们将逐步提高对个人征信的认知。
• 数据供应方：
数据供应方主要包括各大银行、电商、社交平台、公共服务机构等，其拥有数据生产主体的一手数据，可开放给下游的数据加工方。此环节存在的问题：
1. 缺乏用户许可或利用用户无意识许可后，随意将
用户数据作其他商用。
2. 在数据的反爬取方面投入较保守，缺乏保护用户
隐私意识。此问题或将通过用户主体意识的觉醒和立法得到进一步解决。
• 数据加工方：
数据加工方通过从多渠道上游数据供应方处得到数据后通过自有模型分析并产出包括但不限于信用分数、信用评级、信用报告等产品。

9

2. 大数据风控
2.1 大数据风控行业概述
2.2 大数据风控产业链图谱及参与者分析

*来自公开资料整理
10
大数据产业链参与者现状分析

医疗—卫宁健康
大数据风控产业链图谱与参与者分析
• 此环节存在的问题：
1. 存在信息孤岛、维度割裂现象， 在数量、相关性和维度等方面都无法得到满足。解决此问题一方面需要制定市场统一认可的风控模型，加强数据清洗、脱敏等治理手段的标准化建设，进而解决数据定价问题，最终解决数据的流通问题；另一方面需要在一定前提下，央行进一步开放数据给更多下游企业以解决数据缺乏相关性等问题。
2. 第三方征信行业的独立性问题。2015年1月份被央行批准的可以开展个人征信业务相关准备工作的八家企业目前仍未获得实质牌照，据中国人民银行征信局局长万存知表示*其中存在的问题之一就是其不具备独立性，存在利益冲突。此背景下，成长起了一批相对独立的征信机构例如百融金服、同盾科技等。
3. 为吸引足够多的数据使用者即资金方，盲目提高客户的融资价值。此问题可能会触发系统性风险，对新兴的大数据征信行业造成难以扭转的信任风险。
• 数据使用方：
数据使用方包括了银行、消金、P2P、泛信用生活领域等对信用有知晓需求的机构。数据使用方对信用的第一需求是数据的相关性，此部分主要存在的挑战是创新数据在实际应用过程中的有效性问题，仍需时间验证。

2. 大数据风控
2.1 大数据风控行业概述
2.2 大数据风控产业链图谱及参与者分析
2.3 风险之一——欺诈风险分析
反欺诈是征信行业的基石

医疗—卫宁健康
风险之一 – 欺诈风险分析
• 在风控产业链中，数据加工方需要应对的风险主要包括欺诈风险和信用风险。欺诈风险具有主观性， 是客户主动带来的风险，在发起请求时即无还款意愿；信用风险具有客观性，指的是借款人因由未能及时、足额偿还债务而违约。总体而言，欺诈是信用的基石，是贷前风控的首要步骤。
• 根据益博睿发布的《欺诈经济学：规避快速增长和创新中的风险》显示中国互联网欺诈风险排名全球前三位，网络欺诈的损失达到了GDP的0.63%，仅次于美国的0.64%，而来自猎网的数据显示互联网欺诈中金融欺诈最为严重。

9,000 2016年互联网欺诈涉案金额
（单位：万元）

6,000

3,000

0
来源：360猎网平台

• 当前互联网欺诈已经发展出了完整的产业链，欺诈产业链可以分为上游信息盗取者、中游信息售卖者和下游欺诈实施者以及最终的分赃销赃者四个环
11 节。

医疗—卫宁健康
风险之一 – 欺诈风险分析
2. 大数据风控
2.1 大数据风控行业概述
2.2 大数据风控产业链图谱及参与者分析
2.3 风险之一——欺诈风险分析
欺诈与反欺诈产业链分析

信息盗取
木马开发者
钓鱼编辑
盗库黑客

信息售卖
钓鱼零售商
域名贩子
个信批发商

欺诈实施


分赃销赃

P2P平台欺诈
财务会计师

消费金融欺诈
ATM小马仔

银行信贷欺诈
分赃中间人

线下盗取
卡贩子
交易欺诈

图示：欺诈产业链
来源：方正证券，36氪研究院
• 相应地，反欺诈产业链也较为健全，主要参与者有上游数据供应商、中游第三方反欺诈机构和下游反欺诈使用方。

反 欺 诈 数 据 使 用 方

P2P平台 消费金融平台 银行 其他综合金融平台
第 三 方 反 欺 诈 机 构
数 威胁情报库 风险规则库 黑灰名单 用户关联图谱

据 机器学习
回
随机森林模型
神经网络模型
流
业务规则引擎

身份信息
司法信息
设备信息
行为偏好
跨平台交易记录
行为分析引擎
实时规则引擎
数 据 提 供 方

银行
公安、司法
电商
P2P平台
社交平台
征信机构
其他

图示：反欺诈产业链来源：36氪研究院
• 下面我们将以同盾科技作为第三方反欺诈代表企业作简要分析。

12

反欺诈企业案例 – 同盾科技

医疗—卫宁健康
创办时间：2013年地址：浙江杭州
最新融资：B+轮
获投时间：2016年4月融资额：3200万美元
同盾科技基于大数据，提供跨行业跨应用的联防联控反欺诈服务
• 同盾科技创办于2013年，是国内专业的第三方大数据智能风控服务提供商，提供的服务包括业务反欺诈、信贷风控和信息核验。
数据源 数据分析 数据应用
安全保护
反欺诈服务
安全保护

基础数据开放平台
个人信息
金融活动
记录
IP地理位置
设备指纹

关联分析
文本分析

反欺诈服务 贷中复核

贷后监控
贷前预筛
图片分析

模糊匹配

网络行为

平台工具
数据建模
…
数据可视化
…
图示：同盾科技业务框架
• 同盾科技以反欺诈服务见长，包括信贷反欺诈和业务反欺诈，其核心技术包括设备指纹、人机识别、黑产工具识别、代理检测、AI风控模型等。通过实时监测全网IP代理端口和接码平台，同盾建立了 设备画像、IP画像和手机号画像。目前，同盾监控的手机号码达3000万，代理IP地址达数2亿，失信名单、司法不良信息达千万级，覆盖终端超30亿*。

用途
描述

垃圾注册
为刷单、刷阅读数、抢票、薅羊毛等行为提供账号
虚假IP/
虚假手机号
验证/绑定/解绑
如果号码已被注册，可能会通过虚假号码进行解绑、验证等方式收获账号的所有权

隐私保护
匿名自我保护或利用代理IP进入“暗网”等进行黑色产业往来

13 *数据均来自于同盾科技

反欺诈企业案例 – 同盾科技

医疗—卫宁健康
创办时间：2013年地址：浙江杭州
最新融资：B+轮
获投时间：2016年4月融资额：3200万美元
设备指纹是目前反欺诈的主要技术手段之一
• 设备指纹是指可以用于唯一标识出该设备的设备特征或者独特的设备标识，通常设备的特征集合可以用来当做设备指纹，主要包括硬件属性、软件属性和用户行为三大类。

OS版
系 统 设 置 软件网 络 配 置 属性浏览器
GPS、IP、app
应用启动时间应用操作习惯年龄性别推算
输入习惯指压习惯

用户行为

硬件属性


手机品牌
Mac地址手机型号
imei seriaino

图示：设备指纹依据特征简析来源：36氪研究院
通过SDK或JS代码在客户端主动收集设备信息，来实现设备的精准识别，响应速度和准确度相对较高，但使用场景常因为隐私保护而受限。
• 按照配合程度不同，设备指纹可分为主动式、被动式和混合式三种。主动式设备指纹识别技术需要主动的得到设备的配合获取相应的信息，最直接的主动方法就是直接在设备上植入SDK或JS代码程序， 其响应速度和准确度相对较高，但使用场景常因为隐私保护而受限。同盾科技目前利用的主要是混合式设备指纹识别技术来做终端的唯一性鉴别。
主动式
被动式

混合式设备指纹技术融合了以上两者各自的优点，并能将其识别结果相互印证和校验，准确率进一步提高的同时，也扩大了设备指纹技术的适用范围。
混合式
被动式主要通过在服务器端收集通信协议和网络的特征来识别设备， 100%保护
用户隐私，有更大的适用范围。同时，也具备响应时间较长、研发难度大等局
限。
14

反欺诈企业案例 – 同盾科技

医疗—卫宁健康
创办时间：2013年地址：浙江杭州
最新融资：B+轮
获投时间：2016年4月融资额：3200万美元
同盾老赖画像显示：老赖以男性居多，平均年龄39岁
• 同盾目前服务客户已超6000家，其中2500余家金融领域客户，包括互联网金融、消费金融、传统金
、
银行保险
中信、招商、兴业、民生、
杭州银行、恒丰银行、阳光保险众安保险、易方达基金…
消费金融
捷信、中银消费金融、
北银消费金融、国美金融、
人人分析、乐信、爱学贷…
互联网金融
宜人贷、拍拍贷、铜板街、
你我贷、挖财、恒昌、人人贷、点融网、红岭创投…
电商＆O2O
京东、美团、大众点评、
神州租车、唯品会、酒仙网…
第三方支付
新浪支付、海尔支付、瀚银支付、汇通金财、融宝支付…
社交论坛
百合网、珍爱网、有缘网、博客园…
融，金融领域等。另外也服务于像美团、京东、神州租车、 e袋洗、唯品会等电商、O2O、社交类客户*。市场上同盾也同样结合其他行业客户，目的在于构建跨行业联防联控的系统性能力。

• 依据庞大使用群体，同盾科技于2016年10月份发布了老赖画像，老赖的群体特征主要如下：男性居
多，平均年龄39岁，而34-43岁的老赖人数最多，

15 *数据来源于同盾科技
• 老赖爱做什么？
44-53 岁的借贷风险最高。
• 老赖是谁？
• 男性居多
• 平均年龄39
• 34-43人数最多
• 44-53岁概率最高
• 单设备绑定身份证多
• 单设备绑定手机号多
• 工作日操作，夜猫子属性
• 偏好跨平台借贷
• 更爱P2P平台借贷

消费金融企业案例 – 爱又米

公司名称：爱又米
创办时间：2014年3月地址：杭州
最新融资：C 轮
获投时间：2017年4月融资额：2.2亿人民币投资方：
中顺易；星辉互动；神州泰岳中银投资浙商产业基金
反欺诈数据使用方—消费金融公司「爱又米」案例分析
• 反欺诈是消费金融产品中的第一道防火墙，消费金融是反欺诈产品的最大客户群体之一。消费金融公司为了保证数据的覆盖广度和交叉验证正确性，大多选择与多家数据公司进行合作。
• 面向年轻群体的消费金融公司爱又米与同盾科技、邦盛、数美、数尊等十余家大数据风控公司合作， 建立了覆盖贷前、贷中、贷后的全流程智能风控体系；并与依图科技合作建立了智能活体检测和秒级人脸识别体系。基于自身生态积累数据源和第三方数据源，爱又米目前银行口径的M3+*逾期率＜

合作银行
1%。
风险平衡
合作品牌
用户画像
男 83%
成人 18周岁+
白领占比 60%
借款均额 3000元
偏好 3C

图示：资金、商品流转架构（非全部资源）

来源：爱又米；36氪研究院

*一般将90天以上的逾期定义为“M3”或“M3+”，被认为还款可能较小，一般进行最高级别催收或者外包催收。
16
• 目前，爱又米平台注册用户1400万+，月活用户300
万+，放款总额超70亿，商品销售总额逾15亿，业务覆盖全国32个省，目前已与中国银行、平安银 行、海尔消费金融等多家持牌金融机构达成战略合作，共同布局年轻人消费金融市场。我们认为反欺诈产品是消费金融市场的底层基础设施，更低的资金成本和更可靠的风控体系将构成消金公司的竞争
壁垒。

P2P企业案例 – 中业兴融

创办时间：2015年2月地址：深圳
最新融资：A轮
*第三方过失保证金包含：
1. 初始第三方过失保证金。与平台合作的第三方进件单位一次性存入一笔资金作为初始准备金。
2. 计提第三方过失保证金。后续运营过程中，第三方进件单位每推荐一笔借款项目，从其服务费收入中按所推荐项目年化借款金额的0.2%-0.5%比例计提第三方过失保证金，存入第三方过失保证金专户。
P2P行业借助大数据风控体系优选资金融出对象，构建商业闭环
• 除消费金融之外，P2P信贷企业也是反欺诈产品的受众之一。中业兴融创办于2015年，作为一家P2P金融平台，其资管银行为上海华瑞银行，同时借助同盾科技、前海征信等第三方科技公司和自身风控能力筛选优质客户。此外，通过第三方进件方出资于中国建设银行开立第三方过失保证金*账户保证投资者利益，构建P2P行业的商业闭环。

进件方
发布合格借款信息
融 严
资 格
推 准
荐 入
还款支付指令
投资人
投标支付指令
中业兴融
转发
终审
借款人
到期还款
支付指令
资金存管

到期还款

初审
第三方过失保证金 融资申请

资金转入

图示：中业兴融资金流转架构来源：中业兴融官网
商业银行
资金划转

中业兴融第三方合作进件单位一览
北京中业众信普惠信息咨询有限公司
云南正川经济信息咨询服务有限公司
云南中业普惠经济信息咨询有限公司
康辉拎包游网络科技（深圳）有限公司
中业普惠（深圳）信息咨询有限公司

来源：中业兴融；36氪研究院

17

P2P企业案例 – 中业兴融

创办时间：2015年2月地址：深圳
最新融资：A轮
P2P行业借助大数据风控体系优选资金融出对象，构建商业闭环
• 中业兴融的资金融入产品有中业智选、兴融计划和定期理财。截至目前，累积投资人总数逾12.54万， 投资笔数32.20万，总额达80.51亿，逾期项目78 个，项目逾期率0.8%。逾期金额全部由第三方担保公司全额垫付，未造成投资人损失。

T*≥12个月
2050个；9.02亿；占比11.21%

42.37 亿 元女性投资金额
52.63%
女性投资金额占比
38.13 亿 元男性投资金额
47.37%
男性投资金额占比
6≤T＜12个月
2856个；
16.28亿； 占比20.22%
1≤T＜3个月
5032个；
29.04 亿 ； 占比36.07%

图示：中业兴融平台投资期限分布＆性别占比数据截至2017-08-31；T代表项目期限
来源：中业兴融
3≤T＜6个月
4963个；26.17亿；占比32.51%

• 中业兴融的资金融出产品有惠农宝、车融宝、企融宝、医融宝等，前两者面向C端，后两者面向B端。其中，在B端企业环节，中业兴融更关注“社区卫生服务站”等实业领域，意在掌握独有的特色优质资产，最大程度避免行业资产同质化。

系统实名验证
进件方实际调查
签订合同
贷后管理

提交借款申请
进件方初步审核
平台终审
发标放款
正常还款

图示：中业兴融借贷流程

18

2. 大数据风控
2.1 大数据风控行业概述
2.2 大数据风控产业链图谱及参与者分析
2.3 风险之一——欺诈风险分析
2.4 风险之二——信用风险分析

征信体系

风险之二——信用风险分析

医疗—卫宁健康
大数据风控弥补央行征信空白， 具备参考价值
社交 电商 信用卡 社保
公积金 浏览记录 手机号年限出入消费场所 爱心慈善 信用借还
弱相关
年龄 职业 收入 学历工作单位 房产 汽车借贷情况 还贷记录
强相关
• 除欺诈风险之外，风险控制还包括了大量的信用风险。我国征信体系建设以掌握信用强相关数据的央行为主导，以利用具备网络效应的数据源来探索信用评断依据的其他公司、机构为辅，我们将后者定义为大数据征信*公司。

传统征信
中 征
国 信
大数据征信

中
人 芝
心
民 麻
银 信
行 用
2006年1月，
腾 前 鹏讯 海 元信 征 征用 信 信
中 中 拉 华诚 智 卡 道信 诚 拉 征
信

图示：信用强相关和弱相关数据分类来源：36氪研究院
2012年9月，

中国人民银行宣布个人征信系统正式运行
2009年10月， 征信中心完成对
上海资信的收购工作
与FICO达成合作， 正式启动个人信用评分模型开发项目

2004年4月， 中国人民银行成立银行信贷征信服务中心
2008年5月， 中国人民银行
征信中心在上海揭牌
2010年6月，
企业和个人征信系统 成功切换至上海运行， 并正式对外提供服务
2013年3月，
《征信业管理条例》正式实施， 明确企业和个人征信系统
为国家金融信用信息基础数据库

个人征信系统收录自然人数及信贷人数
10 （单位：亿人）
7.8 8.1 8.2 8.4 8.6 8.8
5 6.4 6.6
2.6
2.9 3.2 3.5 3.8
0 1.4 1.8 2.2
2008 2009 2010 2011 2012 2013 2014 2015
自然人数 信贷人数
数据来源：中国人民银行征信中心；36氪整理
19 *此处主要讨论个人征信企业
截至2016年，央行共记录了8.8亿人的个人金融数据，但有信贷数据的仅有3.8亿，覆盖率仅占28%。随着普惠金融和消费金融的普及， 越来越多的人具备信贷需求，央行数据难以支撑，在此背景之下，大数据征信企业开始蓬勃发展发展。以下将以芝麻信用和腾讯信用为代表进行说明。

大数据征信企业案例 – 芝麻信用

医疗—卫宁健康
上线时间：2015年1月地址：浙江杭州
最新融资：B轮（蚂蚁金服） 获投时间：2016年4月
融资额：45亿美元
芝麻信用基于五大维度输出信用分数，将信用生活融入各大场景
• 芝麻信用是蚂蚁金服旗下独立的第三方征信机构， 于2015年1月份正式上线公测。芝麻信用征信体系通过分析大量的网络交易及行为数据，围绕用户信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度进行评估，于每月6日进行分数更新。

学历、职业、驾驶证、海外信
身份特质
行为偏好 …
履约能力
650
信用借还； 生活费用续缴；
分期偿还
人脉关系
身份特质
往履约记录
往来情况
接入的各维度过
好友群体品质及

览、易 据

浏交数
用报告、车辆、房产、实名消
费行为、信用卡账单

数据来源

授权管理

芝麻信用分
评分依据
评分标准

出行
住宿
金融

图示：芝麻信用产品功能架构图来源：36氪研究院
图示：芝麻信用分评判维度
信用生活
授权管理
社交
购物
• 基于对不同维度的信息数据的综合处理和评估，可生成适用于个人的芝麻信用分，分值区间为处于350-950 之间，分数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。信用生活栏目目前覆盖领域包括出行、住宿、金融、购物以及社交等领域。
较差 中等 良好 优秀 极好

350
550 600 650 700
950

图示：芝麻信用分数/等级对应关系
20

大数据征信企业案例 – 芝麻信用

医疗—卫宁健康
上线时间：2015年1月地址：浙江杭州
最新融资：B轮（蚂蚁金服） 获投时间：2016年4月
融资额：45亿美元

图示：芝麻信用数据来源分析来源：36氪研究院
芝麻信用基于阿里巴巴生态接入多维数据，却又存在三大问题
• 数据维度方面，芝麻信用除了接入阿里巴巴集团的电商数据和蚂蚁金服集团的金融数据外，还基于自身生态系统覆盖了出行、餐饮、文娱、社交等多个方面。此外，芝麻信用还与公安网、公积金、水电费等多个公共机构以及合作伙伴建立了数据合作关系，同时也将开辟多种渠道允许用户主动提交各类信用相关信息。
• 存在问题方面，除了前面提到的第三方独立性问 题，万存知还表示目前首批开展个人征信准备工作的八家企业还存在信息误采误用和信息不全面等问题。信息误采误用问题，一方面需要国家加快相关
法律法规立法进程，另一方面，芝麻信用于2017年
7月份设立首席隐私官，旨在保护了芝麻信用数据安全和用户隐私，在促进征信行业提高隐私重视、保护方面起到了一定作用。关于“信息不全面”的问题，我们认为，在互联网金融领域，最大的数据权重应该消费行为和社交行为。消费行为相对于其他数据与个人身份特质关系更为密切，但其不稳定性较大；而社交行为基于互联网，更易行为网络效
应，可以不断链接到更广泛人群，相对稳定性也较强。

21

大数据征信企业案例 – 芝麻信用

医疗—卫宁健康
上线时间：2015年1月地址：浙江杭州
最新融资：B轮（蚂蚁金服） 获投时间：2016年4月
融资额：45亿美元
社交只是重要的配角，人以群分的信用背书才是要点
• 芝麻信用背靠阿里巴巴集团，其拥有一手的电商数据，但另一方面，电商数据在评分模型中比重过
2012年开始，阿里巴巴先后两次投资陌陌，合计占股20.7%。后因私有化分歧，阿里处于不断减持抛售中。
大，导致评判维度不够全面。在此方面，我们从C端角度，也看到了阿里在社交方面的不断尝试。芝麻信用副总经理邓一鸣曾表示*，未来在芝麻信用的测评权重中，来自淘宝、支付宝等阿里系的数据占比将降低到30%~40%。
2012年7月

阿里巴巴宣以5.86亿美元买入新浪微博18%股份，在社交大趋势性产品中占据了重要的一席。
2013年4月

2013年9月，阿里巴巴发布移动好友互动平台“来往”。
2013年9月

支付宝上线“服务窗”，后改名为“生活号”，对标微信公众号。
2014年5月

“闲鱼”App上线，其内置鱼塘功能即能基于地理位置区域建立，也能基于兴趣爱好或物品建立。据CBNData 统计，90后在闲鱼每月面交次数达3.6 次，线下当面交易闲置物品成为互动交友新方式。
2015年1月

来往团队转战“钉钉”，定位于智能移动办公平台，主打商务沟通和工作协同，对C端身份特质中的职业信用可以起到交叉验证作用。
2015年1月

支付宝推出“生活圈”，对标朋友 圈，除具备点赞及评论功能外，还有打赏功能。
2015年10月

支付宝推出了年度集福活动，2017年
1月延续。
2016年1月

蚂蚁金服基于支付宝平台推出“蚂蚁森林”公益行动，想得更多能量的最直接方式之一即加更多好友。
为激活“生活圈”，支付宝上线“圈子”功能，主推“校园日记”“白领日记”等圈子，一度引起热议，后
“擦边球”圈子被关闭。
2016年8月

2016年9月

22 *来自公开资料整理

大数据征信企业案例 – 芝麻信用

医疗—卫宁健康
上线时间：2015年1月地址：浙江杭州
最新融资：B轮（蚂蚁金服） 获投时间：2016年4月
融资额：45亿美元
做社交需解决先有蛋还是先有鸡的问题，金融社区或是突破口
• 支付宝定位为信用支付、担保交易，而不仅仅是支付工具，也不存在业内所说的“一台ATM机的社交化尝试”。我们认为支付宝社交化进程中存在的问题主要是：支付宝不具备社交所必备的朋友圈子， 而且通过即时通讯的功能来吸引朋友加入这条道路上已经存在微信、QQ两座大山；支付宝也不具备一个内容社区所需要的优质内容来聚集用户。既没有朋友也没有内容，简而言之，支付宝面临的可能是先有蛋还是先有鸡的历史难题。
• 我们认为，作为一个信用平台，甚至是金融理财入
口，支付宝服务的是大量长尾用户，随着时间的推移，其是在不断产生理财需求和资本的，但可能恰恰缺少了理财知识。基于此背景，我们认为支付宝更适合的场景是去做理财、金融方面的社区，甚至可以踩内容付费的风口，形成行业闭环。近期，支付宝发起了信用自媒体联盟，开始邀请泛金融行业的自媒体入驻生活号，或许是一个好的开端。
余额宝蚂蚁财富
理财/其他内容社区
涌入理财端口
交流实践经验

额
产 交 风
度
生 流 险
、
更 促 承
利
多 进 受
率
维 更 能
调
度 多 力
整
话 尝 反
题 试 具体借还反馈 馈
信用 芝麻
生活 促进普及信用社会 信用分
图示：信用社会闭环方案
23 来源：36氪研究院

大数据征信企业案例 – 腾讯信用

医疗—卫宁健康
上线时间：未知地址：深圳
基于社交数据，腾讯信用将“人以群分”发挥极致
• 除了以电商数据为主要权重的芝麻信用外，还有以社交关系为主要权重的腾讯信用。腾讯信用是腾讯征信推出的个人征信管理平台，分值区间处于300-
850之间，目前还处于邀请制的限量公测中，信用分主要围绕履约、安全、财富、消费和社交五个维度进行评估，每月月初会进行更新。

履约指数
社交行为及人脉关系
社交指数
721
安全指数
消费指数
财富指数
个人信息准确性、完善性； 账户安全性、联系方式更换频次
；
理财记录；腾讯公益
的消费场景分析消费偏好
个人资产构成、存续
微信支付行为及基于LBS
费、生活缴费等履约能力
贷款、信用卡、分期消

图示：腾讯信用分评判维度

• 基于腾讯信用分，可以享受良好信用带来的“金融特权”和“生活特权”两大服务，前者主要包括现金借贷、银行办卡、消费分期等，合作机构包括微众银行、建设银行、光大银行、众安保险、浦发银行和招联金融等；后者主要包括消费保险、信用出行等服务，合作商家包括托保骉车险、普思维手机延保等。

24

大数据征信企业案例 – 腾讯信用

上线时间：未知地址：深圳
腾讯通过支付和电商卡位，弥补社交数据金融相关性差短板
• 数据维度方面，腾讯基于QQ月活跃用户8亿、微信5 亿*的背景下，腾讯凭借QQ、微信、财付通、QQ空间、腾讯网、QQ邮箱等多种服务聚集了海量的个人信息，社交信息成为其最大数据来源。社交信息作为大数据风控中一个重要的创新维度，其极易形成庞大的社交网络，产生庞大的关联数据，寻求数据之间联系的场景正是机器学习、大数据技术的最佳应用场景。

25 *自腾讯QQ手机客户端
图示：腾讯征信数据来源分析来源：36氪研究院
• 另一方面，社交性