先上结论：现阶段互联网消金行业最需要的是能够参与整合数据资源的人。

      “互联网+”是一个这几年反复被提及的词儿。对于它的含义，现在大家应该已经有比较清晰的理解了。“互联网+”绝不是其他行业简单加上互联网的意思，不是各家企业都做个网站就好了的。互联网作为前所未有的信息交互平台和渠道，已经深刻的改变了即有的商业模式和人们的生活模式。而在这个过程中，传统行业的“互联网化”也会遇到各式各样的问题和挑战，传统金融业也不例外。

       所谓“人才”，是被需要来解决“问题”的。敢于、擅于甚至乐于处理这些问题的人，就是目下互金行业最需要的人才。

       那么，今天消金行业所面对的问题是什么呢？这要从互联网消金的特点说起。互联网消费金融最为显著的特点是“小额大量，在线交易”。

       这俩特点就决定了，企业不容易采取个案处理、诸案审核的方式来对待每个申请、每笔贷款，不然人力成本就太高了。而另一方面，“在线”的方式，又进一步决定了，信贷方必须迅速的做出是否授信、放贷等决定，并且要同时给出相应的合理额度。在这样的前提下，放贷的一方能够根据什么来判断用户的申请呢？只能根据该用户及同类用户的历史行为数据。

       也就是说，“问题”就聚焦在必须掌握足够的数据，并且让数据说话。这样，问题就来了：

一、数据问题

1、信用数据

       当需要判断某用户是否可以授信的时候，如果能够掌握他在其他金融机构的历史，那是比较理想的。但有时候，用户数据会有很多来源，它们的质量也许是参差不齐，甚至真假难辨。

       面对 “脏”的数据，首先的问题是如何进行数据清洗，如何将各种七七八八来源的数据加工成一个还算能用的形式。而使用这些数据的时候，则首先要确保的是自己能够及时发现其中可能存在的“坑”。

2、一般行为数据

       当然，仅仅有上面这些数据是远远不够的，还是会有很大一部分客群没有信用相关的数据，那么就需要通过他们的日常互联网行为（比如网购、游戏、广告和新闻浏览等等）来理解这一部分用户。这一部分数据往往是异常巨大的海量数据。这就涉及到大数据相关技术了。

       这时，不管是大厂还是小厂，都会面临技术选型的问题。创业小厂的团队，需要考虑的是需不需要自己搭建整套大数据处理框架，还是租一套就好。而对于身处大厂小社会中的团队，则要面对另外的选择：是搭建自己的服务平台还是使用研发部门搭好了的？

       这其实不是一个显而易见的问题。但不管是哪种选择，都能够给掌握大数据相关技术的同学以一片施展的空间。

3、人群画像

       当你有了如上的种种数据之后，就可以对用户的“面貌”进行一些描述了。比如这人是男是女、收入几何、是否有车有房等等。这些信息往往有很明确的信贷和营销指向性，但因其敏感，所以一般需要通过即有的数据进行推断。

       总而言之，互联网消金主要就是跟数据打交道，因而处理数据的重重困难也就是其核心的需求，处理这些问题的岗位也就是急需的岗位了。每一个打算在这个行业里立身的同学，都要做好不断在目下仍然十分不健全不规范的数据中摸爬滚打的准备。所谓“外练筋骨皮，内练一口气”，筋骨强丹田足、经（cai）过（guo）淬（da）炼（keng）的同学正逢其时。

二、模型问题

       既然消金的主要工具是数据，而消金的主要服务对象是“人群”，那么怎么穿越纷乱不堪的数据看到其背后的“人”，是一个消金工作者每天都要面对的问题。

       对于了解“人/客户”这件事儿，金融业传统传统的常见做法可以统称为“卡策略”。

       也就是用一些硬性的规则（比如职业、资产、负债等等属性），从申请用户或者即有用户中划出一部分人群来，然后考虑施以营销、授信、提额等策略。

       举例来说，“卡策略”有一个常见的初级版本：在写字楼门口摆摊办卡送小礼物。这种营销通常审核非常松，有时甚至没有，其策略就是默认了该写字楼里的用户都（在某种意义下）是优质的。这相比于“千人一面”的大幅招贴广告已经进了一步，算是“千人十面”吧。

       而现在，在互联网的具体场景下，已经有了做“千人千面”的个性化定制服务的物理条件了。这样，用于数据挖掘的机器学习算法就有了用武之地。建模人员可以用海量用户行为数据来建立用于预测用户行为的统计模型，然后原则上可以针对每个（而不是每群）用户推出个性化定制化的服务。但实际发展并不这么单一，而是更复杂的综合体。

       很多时候由于业务先行，业务拉回来的场景不是很大，渠道也比较小。传统的卡策略思路不会完全被抛弃，很多精细的策略是可以赶上统计模型的效果的，策略也能替代模型的部分冷启动问题。另一方面也是因为有一些消金业务场景（比如风控）要求算法的“可解释性”很强。这是这些领域的“审慎”属性所决定的。

       所以经验策略，经验策略+统计模型，大数据模型，在不同场景和阶段仍然都是有用的。只不过，更多焦点在于新的行业发展，更大挑战在于传统风控无法覆盖所有社会人群，进而企业对大数据模型的产生了恐惧或者是过度相信两种心态。恐惧者对大数据模型充满怀疑，认为它会失控；迷信者对金融业务缺乏敬畏，认为它能解决所有问题。

       总之，不管是前者还是后者，其实都是对于模型背后的数学仍然不太了解导致的。当然业务中的问题，就是从业者的机会。所以业界目前非常需要大量做数据挖掘的人同业务人员共同改进算法模型的效用。

      往更深里说，这其实也是因为对于人类行为尚且不够了解。只能建立统计模型，而不能建立动力学模型。没有第一性的原理做支撑，我们无法去预测特定人群对于经济的预期及其所导致的行为。这是经济学的普遍性问题，而它在消金中更为突出。

       这正是因为互联网消金“小额大量在线”的特点导致了我们不能采取个案处理的办法来做，只能估算人类行为的统计结果，最后追求总体的正向收益。

       所以，这里面不仅有“技术问题”，还涉及社会心理学、文化人类学和行为经济学等等“科学问题”。中国互联网企业的特点是重实践，项目落地快、迭代也快，这正好给了有志于了解人类和人类社会的人一个绝好的观测机会。

三、业务问题

       在对有了对用户行为做出了一定的预测的能力之后，下一步就是如何对特定的场景应用这种能力，即对用户展开特定的商业动作，以满足用户需求来达到盈利目的的问题了，也就是业务问题。这是一个广泛的话题，限于篇幅，这里仅举一例。

       有数据显示，近年来，传统银行信用卡中心的收入中，分期手续费收入占比有一个提高的趋势。这从一个侧面反应了消费者消费习惯的改变。消费升级的到来，也反应了“拉动内需”的政策导向的效果。付费分期的增加，说明更多人采纳了“超前消费”的方式。它更反应了新一代消费者对社会以及自身稳定、发展的总体预期。

       消金乃至互金如何因应这一趋势，是大有文章可做的。采取超前消费的用户，可以有很多种情况：

       比如这些年经济的狂飙突进，使得不少人荷包满满鼓了起来，他们有能力有底气超前消费。这一部分客群注重的往往是如何让自己的生活更加锦上添花，也就是在自己在意的方向上得到更多的满足。对于他们，信用卡类产品的相关权益可以成为一个考量点：用相应的卡是否可以在常去的咖啡馆得到更多服务，在机场是否有满意的候机室等。随着电子支付的发展，人们出门不必带着一大叠卡了，这反而可以促使大家申请更多的卡类产品。同时，这些卡相应的权益，也将对应客群的线上流量进行了细分，这其实是电商做精准营销的好机会。要做好这一块，不仅需要业务人员从数据中读出用户的基本面来，还需要敏锐的读出个性化的需求来。

       比如年轻人刚刚立足大城市，刚刚工作积蓄不多，但是基于对前景的信念敢于提前投资人生，同时又乐于一分一毫的积攒财富。在这群人中，有一个很有意思的人群——羊毛党。他们很乐于分享各种折扣和返利信息，乐于比较研究各种产品的差别。产品输送的利益点少了，不具吸引力；而多了又会影响产品收益。所以对于这一部分客群，怎么在设计分期免息产品的时候找到那个既有吸引力又可以增进产品收益的平衡点，是一个既需要拿捏分寸又饶有趣味的事情。这需要业务人员从数据中读出敏感的点来。

       比如新一代的消费者，敢玩儿、会玩儿，他们选择比前一代更加“活在当下”的生活方式；作为玩家，通常在意的是某个特定的垂直领域，金融产品在相应的领域做出规划，就能吸引到这一部分客群。同时，也必须看到，这一部分人群的资金链条往往比较脆弱，所以这一部分金融产品需要的风控压力会比较大。这需要业务人员从数据中读出痛点和风险来。

       总之，互联网消费金融是一片刚开始开垦的处女地。所以现在正是有志青年们在“广阔天地”中“大有作为”的时候啦！