拍拍贷的商业模式大起底
拍拍贷先从熟人起家，难点是风控
互联网金融真的难做，把钱借给谁很容易，特别容易，但是你真的能把钱按时收回来特别难——这个事情取决于你的风险控制能力。
最初，我们靠熟人买卖完成平台的风控。我们网站一开始并不是对外开放的，而是一种邀请制。我们一开始想通过朋友之间的圈子，把钱借出去。比如说我要借钱，我的朋友把钱借给我，他也可以把他朋友的钱借给我，同样我也把我的朋友拉到网站上借钱，这样完成交易。换句话说最终发生借贷关系的两个人，不管怎么样都是通过一圈一圈朋友介绍加入的。我们一开始通过这种关系进行风险控制。
这样做了几个月后，我们发现熟人之间的借贷讲究的是效率，说白了就是要快!没有人愿意在网站上注册，然后提交个信息，才能借到自己邻居的钱，这逼着我们不得不开放，开放注册，让陌生人进来。
后来，我们走了线下审核这条路。既然陌生人要进来，为了风控我们尝试了线下核实。但是我们发现线下(审核)模式第一不经济，效率不高，一天死活跑跑四五个人了不起了，非常累。
第二个效果不是特别好，看上去特别好的用户也不一定按时还钱。比如说我印象特别深刻的一位在上海图书馆工作，应该说工作蛮稳定的，因为在这样一个知识的海洋里面工作，他的同事对他评价也不错，我们去看了一眼，觉得挺好的，但是最后这个人一分钱没还，后来再去找这个人的时候说这个人辞职了。
拍拍贷做P2P，坚定的放弃线下审核制度
所以，我们后来决定用数据说话。不过，我们不后悔有这一段“重”的岁月，因为那时候我们要核实一个人的身份，会要求用户将自己的身份证、户口这些资料拍下来上传，我们为此找银行的专业人士培训，学习怎么看一个人身份证到底是真是假。这些知识庞杂，但是很有用，比如你现在要是拿一张假身份证给我，我可以凭借字体就识别是不是真的。
另外，我觉得那些大量依靠线下审核做业务的P2P网站长期来看会有一些问题，不可否认它们中有令我们尊敬的同行。这些网站的模式的交易分为两个部分，一个是线上交易，线下也有交易的部分，线下它采取高额的成本去审核。我们觉得最大的问题就是风险控制的这个环境，它是通过线下的人员去跑的。当然这些网站可以招比银行更便宜的人进来，但是整个环节有那么多人参与，而且是个案处理，所以它本身的效率有很大的问题，单个服务人员成本非常高，加上销售人员的提成。
最终反映到结果是：
第一，这些网站的单笔金额比我们大好多倍，大几十倍，我们平均单笔金额只有一万，它可能是二三十万，这是一个。
第二，用户收了更高的费用。
所以对于采取这种模式的网站来说，第一，它服务的对象没办法进一步下沉，它的客户至少是借二三十万的这个群体，金字塔顶尖外的客户它是覆盖不到的，另外它服务的费用是不可持续的，我听说这些网站的一些机构借款人甚至承担了40%以上的借贷成本。
你想想看大家都做生意，什么生意能有这么好的利润，用户肯付出这么高的成本拿钱，多半是救命的钱。换句话说用户没办法长期承担，所以这些网站的用户的重复率就会很低，这次借了我活过来了，下次不会再借，因为我的生意创造不了这么多利润。因此这些P2P网站获取客户的成本过高，从效率，包括可持续发展上面来讲，我觉得是会有一些问题。
所以，我们更加坚定地放弃了线下审核，我们就是要打造我们自己的风控模型。
互联网金融风控，关键在于数据收集——做搜索的创业经历对此有帮助
理论上讲任何人都有可能借贷不还，只是概率高低的问题。
我们建立风控模型的目的，不是在60亿的地球居民中找到一个永远不会逾期不还的人，而是我们要知道说这个人借多少钱的状态下，他的违约概率是多少，我们解决的是这个问题。如借300万，借贷不还风险为80%，而借20万，借贷不还风险几乎为0。风控模型帮助投资人知道自己的风险的边界在哪里。
恰好2009年初的时候，有一个好事，我们听到公安部下面专门做了一个信息平台，居民的身份信息可以对外开放，可以商用了。换句话很多数据信息我们可以做验证做比对，不用人工去看了，提高我们很大的效率。这很大程度上帮助我们，随着我们积累的用户越来越多，数据越来越多，有一些用户会违约，有一些用户会按时还，违约的客户中有一些违约长有一些违约短，数据积累我们可以分析说到底什么样子的用户可以违约，就可以找出一些共同特征，这些共同的特征可以组成对一些人风险评估、风险评级的数据维度。后来，随着我们数据分析能力的进一步提高，我们关注的用户数据不再局限于银行的那七八十项(包括：工作收入、有无家庭、生育情况等)，而是400多个维度，有些用户的考察维度高达数千个。
这些维度其实就是用户在互联网上留下的各种数据、行为轨迹等，比如用新浪微博有多少粉丝，粉丝数量，每天转发什么样的微博，关注什么样的人，发表什么话题，这些都是我们看的数据。我举个最简单的例子，我们注册页面要填十几条信息，正常人走下来大概三四分钟，因为有的时候他会犹豫一下，对于那些注册特别快，花一、两分钟完成，或者六、七钟完成且不断篡改的用户，我们数据挖掘发现是高风险群体。
换句话说我们不断扩展关于一个人的数据维度，不断做逻辑分析。这些数据信息一旦进入我们的风控模型就将做为我们对用户进行信誉评级的参数。这些看似没有关系的数据，其实背后蕴藏反映借贷风险的规律。
数据与数据之间在足够动态和大量的条件下，会帮助我们找到规律。举一个例子，在我们积累数据的早期，凡是有用户违约，我们就会把这些用户的数据放在互联网上搜索(过去自身的搜索技术积累发挥了大作用)，我们会搜集这些用户在网络上的行为，比如我们会搜索到他在某些网站发表过的一些不良言论。
我们会由此得出互联网上有这样信息的人群可能是高危险人群。但是，仅仅是可能，需要我们后来不断通过放贷，用户还贷的情况，是否逾期等数据，来验证这些信息与放贷风险的关系。从而来不断优化我们的风控模型，如今凡是要申请借贷的用户，都必须授权我们去检索他的信息，而我们也从同寻求借款的用户的合作，回收数据，从而优化我们的风控模型，每个星期我们都有新版本的风控数据模型上线。
这个风控数据模型可以保持投资人看到借款人的违约风险，通过一个可视化的界面，投资人在判断是否可以借钱给对方时，系统会给他提示，显示对方在借多少钱时，违约风险是多少?帮助他决策。我们的系统就像一个会说话的人工智能助手!
另外，出于风险控制的需要，我们还会对投资者做一些建议。我们要求投资者的投资足够分散，足够分散将降低投资人的风险，他的钱不会全部借给一个人，而是借给若干人。我们的坏账率只有1.5%，一个投资人拥有17%~18%的收益率减去1.5%的坏账，所以投资人至少有10%以上的高收益。
【版权声明】行行出状元平台欢迎各方(自)媒体、机构转载、引用我们原创内容，但要严格注明来源：；同时，我们倡导尊重与保护知识产权，如发现本站内容存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至service@hhczy.com，我们将及时沟通与处理。
