互联网消费金融行研——谈谈围绕央行征信外群体的消费金融创业

编者按：本文由投资人周家骏主笔 （ 聚焦互联网综合消费服务，微信号： jarvis_zhou1001 ），Iris .Zhang 联合编撰 （ “互联网 + ”跨界天使投资人，微信号 835661681），欢迎业内人士交流探讨。

报告主干内容： 

Part I     互联网消费金融创业为什么选择央行无征信人群作为切入点

Part II    主攻央行无征信人群的创业公司代表  

Part III   这类创业公司原以为的蓝海市场已开始泛红  

Part IIII   从北美消费金融公司可借鉴的经验  

前言：

消费金融是指为消费者提供消费贷款的现代金融服务方式，特点：

• 单笔授信额度小，一般在10万元以下，多数贷款金额为5000-50000元；

• 无需抵押担保 ；

• 贷款期限短，账期一般在24个月以内。

消费金融服务机构主要是银行信用卡中心、持牌的消费金融公司、涉及消费金融业务的互联网巨头（阿里、京东）、 新兴的互联网消费金融公司等。  

在征信方面，中国人民银行花了数年时间，接入了商业银行、农村信用社、信托公 司、财务公司、汽车金融公司、小额贷款公司等各类放贷机构的数据，构建了一个全国集中、统一并可联网查询的征信系统。征信系统收录的自然人达 8.6 亿，其中有信贷 记录的达一亿多人，这就是央行个人征信记录。金融机构给贷款申请者放款审批时，通常会参考申请者在央行的个人征信记录，从而判断是否放款。  

对应地，央行无征信人群，指在央行没有信贷记录或者没有具备参考价值的信用记录的群体，主要有三大类：

• 在校学生（全国3500万）

• 蓝领（2.7亿，其中包含了农村户籍的务工人员）

• 大多数农村户籍群体（约 5.5-6亿）  

一、互联网消费金融创业为什么选择央行无征信人群作为切入点  

1、此用户群基数大，其消费信贷需求未被充分满足  

央行无征信人群基数大，且不是主流金融机构的目标客户；而传统消费金融公司的线 下模式偏重、行业集中度低，使得该群体的消费信贷需求难以被满足；因而这类创业公司找到了看似蓝海的市场。

金融机构在个人信贷领域，按照贷款用户的质量分为三大层级：分别是 Super Prime(优质客户)、Prime （勉强符合标准客户）、Sub-Prime（次级客户）；不同层级的客户，获批的贷款类型不同，金融机构的风险定价也不同。   

Super-Prime 不是这类创业公司的目标人群，一方面要面临与银行信用卡中心的正面交锋，另一方面该群体中的大多数选择到期按时还款，这意味着即使银行信用卡中心也难以从他们身上赚到可观的利息收入，而往往通过交易环节从线下商户那里赚取支付通道的手续费。

Prime 和 Sub-Prime 是这类创业公司正在努力渗透的人群，首先它们避开了与银行的正面竞争，其次这类公司的创始人认为它们的业务模式在获客、风控方面均优于传统消费金融公司，有望改造传统领域。 

2、无央行征信人群的不良率虽然偏高，但可承受的实际利率更高  

无央行征信人群，其不良率明显高于行业平均水平。一方面，这个人群属性决定了不良偏高，以无央行征信客户占比较高的某大型传统消费金融公司为例，它 M3+的逾期率为7-8%；而2015全国消费金融平均不良率为2.85%。另一方面，互联网消费金融公司在业务在开展初期，风控模型一般要经过试错，试错期间容易遭遇多个欺诈组织的诈骗，导致产生了逾期率的异常值，从而提高了整体坏账水平。  

无征信人群的借款渠道有限，负债比例不高；加上他们对年化利率的计算不敏感（尤其是蓝领、农民），他们有意或无意地承担了25~60%年化利率。这意味着，放贷机构不仅可覆盖高于行业平均水平的坏账率，更可以赚取远高于平均水平的息差。  

举例来说：某互联网消费金融公司给某蓝领人士贷款1000元，账期为一年，约定还款方式为等额本息按月还款，一年后本金加利息共计还款1354元。客户或销售会误导该名蓝领，告诉他一年相当于只支付了35.4%的年利率，每天只还款不到1元钱而已。误导认知的计算方式为：(1354-1000)/1000=35.4%. 然而，这是一年期贷款在到期后一次性支付的计算方式。实际上，该蓝领人士每个月都在以等额本息的方式还款，折算成实际贷款年化利率为60%。   

二、主攻无央行征信人群的互联网消费金融公司代表  

1、校园消费分期  

1）校园消费金融的发展机遇  

此前银监会叫停银行信用卡中心进驻校园市场，而传统消费金融公司在校园市场的渗透率低，使得校园消费金融公司在2013-2015迎来了较好的发展机遇。

2） 校园消费金融市场规模不够大，不足以产生高市值公司  

通常数千亿规模的市场才可诞生出百亿级别的高市值公司。校园消费金融的市场规模的上限并不高，单一校园业务不足以支撑一家高市值的消费金融公司；市场规模的测算如下：   

3） 细分领域的竞争格局已定

2013-2014 多家以校园分期金融为切入点的创业公司涌入，随着一轮轮价格战，以及资本格局的确立，行业 Top 3 为：分期乐、趣分期和爱学贷，前两家成为了行业领导者。 

处于领先地位的互联网校园金融公司有着以下共同特征：

• 资产端：过电商或校园周边商户的消费场景获得信贷资产；

• 资金端：上线自有 P2P 作为资金端之一，获取投资人资金；并发行了不同形 式的ABS（资产证券化）以获得更低的资金成本；

• 地推团队承担获客与部分风控的双重职能：采用全职城市经理、校园地推+校 园兼职人员的业务体系，构建了万人规模的线下地推团队，各自均覆盖了 3000 余所各大高校；地推团队同时兼职着学生信息核实的风控功能，比如： 学生真实身份核实、面签等。

• 业务发展：三家也都意识到校园金融市场天花板不够高，以不同的方式拓展校园外的市场。  

4）校园消费金融模式分析

Top3不一一列出，以分期乐的业务模式示意图为例 

Top 3的业务模式对比： 

分期乐与趣分期这两家公司行业领导者随着在校园市场的地位巩固，以及在校外人群的延伸，其贷款规模与贷款余额已经超过部分银行系控股的消费金融公司，接近中银这样的持牌老公司。

2、蓝领消费分期  

1）蓝领人群的消费金融市场保守估计在5000亿以上，信用卡渗透率不超过15% ：

• 蓝领群体随着中国经济形态的发展而发生了变化，随着新蓝领阶层的崛起，我国蓝 领阶层人数达到2.7亿人，年龄段分布在16-40岁；

• 赶集网新蓝领阶层报告调查显示，蓝领2015年平均月收入3163元，年收入增长率 14-15%；蓝领月光族比例在 2015 年达到 52.5%，每月开销中的非固定花销占比约为53.6%。

2）蓝领消费分期的公司代表

70%蓝领群体没有央行个人征信，因而信用卡中心等传统金融机构的渗透率不高于15%；互联网消费金融公司认为这是一蓝海机遇，代表公司有买单侠、即有分期、拍分期等，其中买单侠与拍分期的业务模式差别最为明显，以这两者为例： 

哪种模式孰优孰劣，需要更长的时间验证期，三家代表公司的发展规模如下：

• 买单侠：目前服务了 100 多万用户，以不到 300 人团队覆盖 157 座城市，单月放贷规模 3 亿，逾期率控制在相对理想范围内，接近行业领导者的风控水平；

• 即有分期：目前服务了200万用户，覆盖100余座城市，未披露放贷规模；

• 拍分期：成立时间尚短，业务发展快速，逾期与坏账需要更长的观察周期才能下结论；其业务数据未公开披露。  

3、农村消费分期

1）村镇消费金融的市场机会好 

村镇消费金融存量市场规模保守估计超 3000 亿（估算方法：16609 亿×20%＝3300 亿），尽管在县级市及以下设有多个金融机构网点（邮储银行、小贷公司等），但多数为乡镇企业服务；农村户口的人群中有大量的消费信贷需求未被现有的金融机构所满足。  

2）锁定该领域的创业公司少，代表为农分期与什马金融

目前新型的农村消费金融以农分期、什马金融为代表。二者有类似之处，都为农民户口的经商或务工人员提供购买生产工具的消费分金融服务，农分期针对买农机的分期消费，什马金融针对电动车的分期消费。两家公司都在消费金融业务基础上，延伸了供应链金融业务。区别在于：

• 农分期：为自建销售渠道，销售人员下乡寻找合适的农户推销分期服务，并自主风控推荐相应的品牌农机，并最后承担贷中贷后催收等环节，农机销售商只负责销售环节，不介入风控环节。

• 什马金融：对电动车经销商有一定的依赖性，将大型经销商升级为什马金融的金融事业合伙人；经销商与公司催收员一起承担了风控的角色。  

虽然村镇消费金融市场机会看似美好，但笔者从行业内部人士了解，农村分期类消费金融公司的放贷规模明显低于校园分期和蓝领分期这类公司，市场需要进一步培训。  

三、这类创业公司原以为的蓝海市场已开始泛红  

1、来自十余家传统消费金融公司的竞争压力  

十余家银行系 + 产业系的消费金融公司资本实力雄厚，其中持牌公司捷信与类似对手佰仟正在深耕蓝领与村镇消费金融市场： 

1）捷信——主攻无央行征信人群的传统消费金融代表  

银监会批准设立的首批 4 家试点消费金融公司中唯一的外资独资企业，其母公司 PPF 集团是捷克一家大型投资公司，旗下捷信集团的消费金融业务覆盖中欧和东欧，在消费金融领域具有丰富市场经验。捷信中国区 60%以上的客户为蓝领群体，因而它是主打无央行征信群体的传统消费金融公司的代表。  

捷信与迪信通，苏宁和国美等知名全国电子家电零售商建立合作关系，目前已在超过 260 个城市设置超过4万个 POS货款点，主攻二三线城市外来务工人员对耐用品消费的需求；在集中管理、高效的运营体系基础上，建立全流程自动审批系统和反欺诈数据库，60分钟即可批核放款。  

捷信在 2013-2014 开始了网点的新增与人数的增加，中国区的员工数增加至 3 万人。与业界流传的捷信亏损说法不同，捷信从2012年已开始盈利，由于网点数与员工数的增加捷信带来了大额的运营成本，这使得2014的利润增速较2012-2013年有所放缓； 但2015年捷信集团中国地区业务仍盈利1.27亿欧元（折合大约9亿人民币），同比实现翻番增长；总资产从2012年的4.1亿欧元增长到2015年的27.0亿欧元。

2）佰仟  

佰仟在运营模式上与捷信相类似，但在扩张期，给予线下商户更多的返点来激励合作，从而抢占了一部分原本属于捷信的商户。佰仟在北方市场的市场份额与捷信相接近，但就全国而言，捷信仍然是处于领先地位。  

捷信和佰仟虽然受线下模式的制约发展多年，但其业务规模已颇具影响力。另外，处于盈利状态的捷信，将缩减人员，提高人效，并推出线上业务形成 O2O 闭环；这将对互联网消费金融公司产生进一步的空间挤压。与此同时，捷信、佰仟也在面临业务增长率下降的难题，因为它们过去赖以合作的连锁零售商们将推出自有的消费金融业务，并陆续中断与捷信、佰仟的合作，关联的消费场景将可能丢失，这对于互联网消费金融公司来说是一个后来者追赶的机会。  

2、互联网巨头旗下消费金融业务对创业公司的威胁 

互联网巨头自身关联用户的消费场景，且自身已积累较多的用户数。 

以校分期金融业务为例，单从消费金融的产品设计对比而言，校园分期金融相较于互联网巨头没有优势，因为巨头获取的资金成本更低，且资金实力更雄厚。 

从多元金融的业务布局与风控的角度，以蚂蚁金服和京东金融为代表的巨头，具备中小互联网消费金融创业公司不可比拟的竞争优势。 

四、 北美消费金融公司可借鉴的经验  

从北美历史经验中可以总结出，消费金融的后来者能够实现弯道超车，在于它们敢于采用与传统金融机构不一样的体系筛选客户，重视数据的积累与挖掘；在建立智能化风控模型时，愿意足够耐心地完成试错；最终打造出独特的信用评分体系与风控模型，实现个体差异化贷款利率。不管是 20 世纪 90 年代靠数据科技驱动崛起的 Capital One，还是近年来新型消费金融公司ZestFinance和 Grouplend都有类似特点。

中国消费金融领域的创业公司，面临持牌消费金融公司与互联网巨头双重挤压的竞 争，压力较大，但这些大牌公司也在逐渐暴露弱点；创新公司在金融科技的浪潮下有弯道超车的机遇。比如：北银消费这家老持牌消费金融公司今年 7 月 1 日被北京银监局予以 150 万行政处罚，中银消费等其他老牌消金公司也有类似的问题，事件背后暴露的是传统消金公司对中介的依赖及其风控体系的弱点。今年也有多家媒体爆料花呗套现的产业链，京东金融也有类似现象，这背后暴露的是巨头的风控漏洞。创新公司既要挖掘出差异化的价值客户群，更需要在金融科技的浪潮下在数据积累与挖掘方面实现突破。  

1、Capital One  

● 早于竞争对手挖掘出核心价值客户群体  

上世纪80年代末至90年代初，Capital One率先定义价值客户群。它把过度借贷产生坏账与高收入却很少产生利息收入的客户都判定为非价值客户，并试图从传统金融机构的信用卡中心去夺取那些稳定保持欠款额且年度贡献 1000 美元以上利息收入的客户。为了挖掘这类客户，Capital One 设计了成百上千的差异化利率产品，用直邮的形式定向推送到特定的客户组群那里，每个测试组背后还有几十个子测试，包含利率产品的接受度、转化率、用户生命周期价值的净现值、坏账率等指标的回归统计。  

后来，面临传统金融机构以低价利率抢客户时，Capital One 再次选择了差异化价值群 体：留学生、技术蓝领，他们也是早期的次级贷款客户。  

● 有足够的耐心优化风控模型

服务所定义的价值客户群，需要经过长时期的筛选与试错。那是个计算机不发达的年 代，Capital One 早期风控的坏账率达到行业相应平均水平的 2-3 倍。随着数据的沉 淀，风控模型逐步完善，到1992-1993这一情况有了实质性的改善。  

● 成功实施了个性化利率与风险定价

那时期的美国，大多数信用卡中心采用统一的 19.8%年化利率来服务客户。Capital One 针对价值客户群推出了最低利率 9.8%的竞品，结果这类群体中不少人纷纷从旧体系的金融机构中将额度转移。个性化利率的策略吸引了越来越多的中产阶层用户，虽然花旗等公司也效仿这样的做法，但Capital One当时已具备的数据优势是花旗等旧体系金融机构在短时间难以超越的。因为数据本身的存量越大，它的精度就会越高，每 一次犯错，都会让数据产生记忆并不再掉进同一个陷阱；后续计算机的发展，持续地提升了机器的运作能力，算法也更加智能，这让Capital One形成了良性循环。与之相 反，同时期的大多数就体系金融信用卡中心的风控模型依赖于第三方外包服务商，原 本可以积累的数据仿佛进入了黑盒，这意味着很长一段时间内他们很难实现动态的用 户分析引擎。  

2、Zestfinance  

2009 年成立于洛杉矶，是一家通过机器学习和大数据技术进行个人信用评分的金融科技公司，服务于个人征信分数不达标的用户。截止 2015 年底，Zestfinance 已经服务 了 10 万名客户，主要分为两大类：一类是因 FICO（美国通用的一种个人信用评级法）评分接近或低于 500 而基本信贷需求无法得到满足的人群；另一类则是信用分数不高而借贷成本高的人群。

ZestFinance 通过三大步骤完成对这类群体的金融服务，分别是：搜集数据→ 输入多维变量、建立模型→ 获取评估结果并对结果核实修正。

它首先通过用户自身数据（住址、银行卡信息）、第三方专有数据（专业第三方机构）、公共数据、社交网络数据进行系统自动多维度收集，而后通过机器自动学习将 3500 个数据项转换为 70,000 个维度输入变量，再利用 10 个预测分析模型，如欺诈模型、身份验证模型、预付能力模型、还款能力模型、还款意愿模型以及稳定性模型，进行集成学习或者多角度学习，并得到最终的消费者信用评分。  

持续迭代的能力：ZestFinance 的评分模型更新并细化的速度很快，从 2012 年至今， 几乎每个季度都会推出以开发者命名的新信用评估模型。最早，ZestFinance 只有信贷审批评分模型，目前已经开发出八类信用评估模型，包括市场营销、助学贷款收债、法律收债、次级汽车抵押贷款等等，用于不同信用风险评估服务。

从一个侧面来看ZestFiance的牛B之处，它于去年6月和今年7月相继获得京东和百度的投资，其中京东的投资金额达到1.5亿美元；正是因为它能有效地补充国内消费金融贷款者个人信用评估的不足，有助于京东和百度在拿到个人征信牌照之后在中国消费金融的布局。 

3、Grouplend

Grouplend 于 2014 年在加拿大温哥华成立，主要为加拿大中等收入人群提供消费信贷服务，其服务特色在于：Grouplend 会参照贷款用户的社交信息数据，做出是否放贷、 放贷利率高低的决策；社交信息包括社交活跃度、社交关系、好友的平均信用等级等。举例而言：如果贷款者好友的平均信用等级没能达到其规定的最低信用分要求，或者贷款者的好友违约率过高，都会使得 Grouplend 拒绝该名申请者的贷款请求或将贷款的利息相应提高。  

（文章分析引用的数据来源 ：上市公司年报、 券商行研报告 、媒体对创业公司的访问稿或演讲整理稿 、以及笔者通过行业内部人士访谈所得数据等；文章所披露的数据与公司实际运营数据会有偏差，不作投资参考）