金融数据风控科技潜在市场规模1,100億元金融数据风控大数据将落地应用过程中的急先锋。信贷、支付等金融数据风控大数据已经达到一定渗透率2018年将成为保险大数据元姩。
近日爱分析在京举办了2018·中国大数据高峰论坛。TalkingData创始人崔晓波、九章云极创始人方磊、数澜科技创始人甘云锋、数起科技创始人李奣国等7位明星CEO分享了未来几年大数据行业的深度观察。
作为大数据重要应用领域之一的金融数据风控爱分析邀请了邦盛科技创始人王新宇就大数据反欺诈未来的发展趋势展开深度讲解。同时爱分析还在会上发布了《中国金融数据风控大数据行业报告》(以下简称报告)。
《报告》称金融数据风控科技潜在市场规模1,100亿元,金融数据风控大数据将落地应用过程中的急先锋信贷、支付等金融数据风控大数據已经达到一定渗透率,2018年将成为保险大数据元年
金融数据风控大数据是金融数据风控科技急先锋
金融数据风控科技是银行重心投入的領域。2017年招商银行拿出7.9亿元,即税前利润1%投入成立金融数据风控科技创新项目基金。2018年招商银行计划为金融数据风控科技投入22.1亿元,即上年收入1%
之后,中国银行也宣布投入营业收入1%近50亿元,用于科技创新以该比例推算,整个银行业金融数据风控科技潜在市场规模1,100亿元
《报告》显示,金融数据风控科技的创新技术包括大数据、人工智能、区块链、云计算、物联网等相比之下,大数据在金融数據风控领域应用落地最为成熟
比如,五大行的大数据平台都已经落地农业银行早在5年前就已经开始建设大数据平台,2016年底对公、零售、风控等业务都已经在全行统一的数仓上线中信银行等股份制商业银行从2015年开始上线大数据平台,到2017年各地城商行也开始纷纷上线大數据平台。
大数据被金融数据风控机构广泛认可最重要的原因在于数据是金融数据风控科技创新最关键的驱动力。从数据收集、存储、汾析、应用的流程来看大数据技术在各个环节都有涉及。AI重数据分析和应用物联网重数据采集,区块链和云计算重数据存储唯有大數据技术贯穿始终。
再从技术成熟度角度考虑大数据基础平台已有MongoDB、Cloudera、Hortonworks、Talend等4家上市公司,表明技术本身已经进入成熟期而AI、区块链等基础平台还没有独立上市公司出现。
因此作为金融数据风控科技急先锋,大数据是未来几年与金融数据风控机构结合最紧密的领域而保险公司、券商等非银机构将是下一波金融数据风控大数据受益方。
大数据在保险领域应用即将爆发
在落地应用过程中大数据与信贷、支付、财富管理、保险等金融数据风控场景紧密融合。
以信贷领域为例大数据在贷前、贷中、贷后等各个环节都与原有业务流程深度结匼。依靠大数据建立的完整用户画像信贷机构在获客、反欺诈、风险定价等方面都大幅提升了效率。
据悉拥有百度深厚大数据背景的百信银行,开业仅4个月授信用户超过100万,累计放款金额超过150亿元贷款余额80亿元。这些成绩与百度深厚的大数据背景密不可分
《报告》同时指出,大数据在信贷和支付场景达到一定渗透率之后下一个即将爆发的是保险场景。
过去保险行业IT基础设施落后银行至少5年。隨着银监会和保监会合并成为银保监会保险行业的IT重视程度将提升到新的高度。这为大数据应用落地铺垫了基础
根据爱分析调研,2018年保险领域的投资重点已经从销售转向大数据新流数据、评驾科技、彩虹无线、栈略数据等一批保险大数据公司先后获得融资。众安在线旗下的众安科技不光利用大数据技术赋能保险公司,还将大数据渗透到医院领域打造医疗、保险的全链路赋能。
可以想见随着数据鉯及IT基础设施完善,信贷、支付等成熟领域的大数据公司也将逐步向保险场景渗透完成跨行业发展。比如百融金服原本深耕信贷大数據领域,借助长期的积累已经横跨至保险场景。
2017年大数据风控市场规模140亿元
大数据风控和营销是横跨信贷、保险等场景的通用业务流程在移动互联网完全渗透的今天,大数据风控需求对于金融数据风控机构显得尤为重要
在爱分析最新发布的《中国金融数据风控科技创噺企业估值榜》中,大数据风控上榜公司数量高达32家占比超过50%。榜单第2名是京东金融数据风控CEO陈生强公开表示,京东金融数据风控风控体系变量有60万个5000多名员工中3000人从事风控和大数据。由此可见大数据风控在当前金融数据风控科技领域的重要性。
根据《报告》中國大数据风控市场规模2017年达140亿元,而美国市场规模则是120亿美元考虑到当前中国市场居民消费信贷余额只有美国1/3,中国大数据风控市场规模还有大幅提升空间
2017年末百行征信的成立,对于大数据风控市场的数据源基础设施是一大利好
由互联网金融数据风控协会主导的百行征信吸纳了芝麻信用、腾讯信用等8家股东,有助于解决非人行征信中心覆盖人群的数据孤岛问题降低了整个行业获取数据的门槛。
但是與人行征信中心不同的是百行征信是市场化个人征信机构,行政命令权弱人行征信中心的定位则是国家金融数据风控信用信息基础数據库,拥有强制性的行政命令权因此,是否能够顺畅的要求各个非银机构上传个人信用信息是百行征信面临的一大难题
可以对照的是“信用中国”。信用中国是由发改委、中国人民银行指导的社会信用体系建设系统性项目工程信用中国包括政务诚信、商务诚信、社会誠信、司法公信等众多内容,需要调配各级人民政府、工信部、农业部、商业部等众多资源其数据收集难度不亚于百行征信。
信用中国洎2014年开始立项计划2020年初步建成,历时7年之久由此可见,百行征信统一数据源的时间征程也不会短暂
以下为爱分析联合创始人&首席分析师张扬在会上发布报告的演讲实录。
张扬:感谢各位今天能参加我们爱分析的大数据论坛上午讲的是大数据的基础平台和通用技术层,下午我们共同探讨大数据在各个行业的应用
首先,我们可以看一下金融数据风控科技的市场规模其实,金融数据风控科技的市场规模本质上和IT投入的逻辑是很相似的就是金融数据风控科技其实是占整个金融数据风控机构营收的一到两个点之间。
举几个例子可以实际看一下第一个是招行,招行2017年金融数据风控科技成立了一个项目基金这个项目基金是做专门做金融数据风控科技的业务,这个基金2017年嘚时候只是上一年税前利润的1%到2018年的时候其实已经提到了营业收入的1%,这个其实跟IT投入的比例已经极其接近了所以2018年招行银行在金融數据风控科技的投入是22亿,这个数字可以类比另外一个数字就是招行整个的研发支出是40-50亿之间,从这个角度来看金融数据风控科技对传統整个IT支出支出扩大了40%到50%的市场
第二个例子是中行,中行是五大行中第一个提出来把1%收入投入到科技创新中中行2017年收入将近5000亿,因此科技创新投入至少是50亿的量级
除了银行以外下面的两个例子是券商。先讲一下华泰证券华泰是除了大智慧,东财、同花顺以外最大嘚独立流量平台,月活在千万级别华泰证券研发投入4.1亿元,占营收比例2%广发证券也是在2%左右,
因此我们可以看到,在相对比较成熟嘚做大数据的金融数据风控机构里面整个金融数据风控科技的投入是在1%到2%的比例。我们拿这个测算一下金融数据风控科技整个的潜在的市场规模2017年中国GDP是82万亿,金融数据风控业占比大概是9%再乘以1.5%的金融数据风控科技预算比例,金融数据风控科技潜在的市场规模是在1100亿咗右
上午也讲过,整个金融数据风控大数据在现在的实际市场规模是在200亿左右,整个测算实际金融数据风控科技渗透率也就是20%上下還有80%的提升空间。这是我们未来看到的独角兽级别的金融数据风控科技公司未来一个很大的成长空间
第二个我们来分享一下为什么先看金融数据风控大数据。从数据的应用流程就是从底下的搜集,到存储到上层的分析、应用的话,大数据是贯穿始终的一个技术从这個角度讲AI只是在上层应用,区块链现在是在数据存储未来一定会到应用层。像物联网基本上是在数据搜集这个层面去展开的大数据是整个在金融数据风控科技里面最核心的一个技术,而且大数据是在银行里面落地最早的技术
农行2013年的时候开始筹建大数据平台,2016年的时候对公业务,零售业务核心的一些业务系统,基本上在统一的大数据平台上线像中信银行,2015年大数据平台初步上线是比农行晚了兩年。2017年我们看到各种各样的城商行上线大数据平台。
从这个角度上来讲大数据底层的基础设施在银行体系里面搭建的比较完整。如果是去类比不管是AI、还是物联网也好,这种底层的数据平台还没有搭建那么完整包括上午讲AI平台,我们看到的公司也不到十家整个市场规模大概就是二三十亿。
除了看金融数据风控科技以外我们也在看大数据在各个行业应用,在金融数据风控行业的应用是市场规模朂大的我们看到大数据除了在互联网这个行业应用以外,金融数据风控行业是最先跑出来的未来包括政务,电信都会持续去做
第二蔀分,我们重点讲在金融数据风控大数据各个领域的应用其实整个大数据在金融数据风控行业里面的应用,细分的话就是四大类信贷,支付保险,财富管理我重点讲一下信贷和保险这两个领域。
底下这张图是信贷的标准业务流程这个业务流程过程当中我们可以看箌大数据最早,其实是从反欺诈这个角度切入逐渐进入风险定价,然后开始做获客在信贷业务流程中,我们看到少了一个环节就是贷後催收这个环节
2016年底,2017年初的时候我们系统性的调研了贷后催收公司。当时的实际情况其实大数据在里面更多的起到了一个分发器的莋用就是说它本身并不改变贷后催收。第一个它不改变催收的人员效率第二个也没有改变整个催收的催回率问题。
其实当时的话大數据在贷后的作用还是相对有限的,整个贷后催收的环节是有波峰波谷其实大数据,因为它是连接各种各样的第三方的催收公司所以怹可以很好的平滑波峰波谷,这个对金融数据风控机构来讲是它解决的唯一的需求他没有改变金融数据风控机构催回率的问题。
今年随著AI技术与大数据融合未来能实现智能催收的一个方向就是智能客服在里面起到价值的时候,其实很重要的一点催收人员效率改变原来昰就是一催,二催大数据起到的价值就是找到最合适的催收机构去催收。但是它对于人效提升本身其实是没有本质性的改变
如果AI在里媔起到一定作用的时候,有一部分催收人员是会被替代的像上午讲到的智能客服未来是有机会去替代到人工客服。然后催收其实本质上某一些环节是和客服很像尤其是很多现金贷的催收,那些催收基本上都是电话的催收不是实际上门的催收,实际的催收人员去替代是佷困难的但是线上的电话催收,一催二催其实都有可能通过技术去实现的,如果一旦通过技术实现的话贷后催收是很大的一个市场。因为相当于它一部分是帮你替代了原来的催收人员另外一部分它可以创造一些新的价值。
除了贷后这个环节以外我们刚刚讲到的大蔀分金融数据风控大数据公司是从反欺诈切入,然后做风险定价最后做获客,这个过程有一个点可以和大家探讨分享的
我们一直在考慮的一个问题,其实最早五大行五大行其实对获客,对于身份验证对于授信是有系统性的需求,我们看到能给他提供服务的大部分时候还都是BATJ核心的原因都是因为大家互相体量差不多的合作伙伴,其实五大行是比较难切入的一个客群的领域
到股份制银行,我们调研嘚金融数据风控大数据公司都能服务这些客户未来,这些公司一定是往营销这一块去延伸延伸的最核心的一个原因就是银行其实要做嘚事情就是用户的LTV,这个对于所有的银行来讲都是终极目标银行跟其他的金融数据风控机构稍微不同,银行自带了信贷业务自带了财富管理业务,也可以做保险的销售银行是所有金融数据风控机构里面最强调LTV的一个机构。所以从服务银行的角度来讲最终一定会做生命周期管理服务。
再往下就是城商行对于银行来讲需求发生了很多的变化,举个例子比如说股份制银行招行应该它的零售客户是在亿級别,如果到股份制银行是几千万级别的如果是稍微小一点是城商行可能是千万级别,甚至是百万级别这个时候对于他们来讲,帮他詓激活沉默客户这个其实是营销需求。但是更重要的营销需求我们看到的是获客。但是实际上这个获客大部分的金融数据风控科技公司比较难去帮他去解决的。因为手头没有流量
所以这个过程当中,我们看到风控区别没有那么大因为你背后的模型本质上还是会有┅些标准化的模型,只不过是运用的参数有一些区别但是在营销的环节区别会比较大。在往下整个过程中有两类一类就是BATJ这种是会下沉的,本身自带流量有一些客户适合大行,有一些客户适合小行这是逻辑通畅的。
还有我们看到一些金融数据风控大数据公司是帮小荇做各种各样的营销体系就是小行去做线上获客,但小行没有那么多的预算去线上获客所以你必须要赋能线下的网点人员。网点服务嘚客群一个是小微企业主还有年龄大的人群。第二种人群会越来越少所以我们认为服务小行的时候,很有可能重心是服务小微企业主愙户比方说我是在某一个区的营业厅的营业经理,这个经理会对这个区的小微企业比较熟悉这个有可能是他们的竞争壁垒。
所以原来莋小微企业征信的公司他们的风控模型更适合再往小行,其实这些征信的模型或者风控的模型,跟2C的风控模型还是区别会比较大所鉯信贷领域,过去其实是看到大部分做做个人风控做消费的客户。但是实际上银行再往下下沉到城商行,再下沉农信社的时候有很夶一部分客群是小微企业,这些小微企业主的风控模型有可能是完全不一样的
支付领域比较简单了,支付领域相对来说原来银行的信鼡卡也好,或者是第三方支付公司来说都是相对来说比较成熟的公司就是大数据支付领域是相对成熟的。
另外一个就是核心讲的就是大數据在保险领域的应用其实农行的大数据平台基本上是2013年建的,大家都认为保险是落后银行五年理论上2018年应该是保险大数据的元年。
其实也是因为我们最近再去调研的时候跟去年去调研,包括2016年下半年的时候去调研尤其是调研保险大数据的公司,会发现思路上有一些不一样过去我们去调研的时候就是纯粹卖保险的,里面会用到一些大数据我通过互联网赠险的方式,拿到的大数据通过我后面的唑席,可以销售给客户的高客单价的寿险转化率大概是2%,这个没有特别大的改变
去年去调研的时候,2017年的时候一个很明显的感觉还昰销售这个环节,但是对强调整个大数据在销售环节的就是在场景里面去拿更多的数据,去获取更多关于这个客户除了原始的投保数據以外更多的数据,这个过程当中就是场景险场景险就是去年上市的众安在线很强调的,他叫生态
但是我们其实类比一下信贷领域,信贷领域不是从最早的获客环节进去的我们现在看到的真正在做金融数据风控营销的,就是简普科技一家这个其实核心原因是营销,僦是跟我刚才谈的信贷是一样的营销一定是到最后,做完风控以后就是做完风控才去做营销的。
所以我们觉得在保险领域逻辑是一样嘚上来不应该是做销售的保险大数据爆发出来,应该还是在大数据风控的角度去做保险的公司先冒出来
所以我们看的是核保核赔包括萣价,然后这个里面其实又有一个跟信贷不太一样的地方就是它比方说信贷是从贷前开始的,保险我们更看重的是所谓的保后赔付这個环节,而不是保前就是核保这个环节。
贷款它的产品是黑盒子你对外看的是公积金贷款、保单贷款产品,但是其实它里面内在的逻輯是不知道的它只是那些维度的数据,但是它的风控模型是什么你不知道的但是保险领域产品是公开透明的,你很难说做保险产品创噺我们可以看到众安做的尊享e生,至少目前有三四十款同类产品保险产品的风险定价很难有差异化的,大家的逻辑和思路基本上是类姒的
所以,第一个来切入的是应该核赔环节核赔这个环节有些公司是能够拿到保险公司历史的数据,基于历史的数据做一个核赔的引擎就是给保险公司做一个核赔过程中的定价。
这个为什么能做呢第一个就是赔付的数据对保险公司没有那么敏感,因为比方说举个例孓像团险这种,大概实际赔付的人次是整个投保人次的十分之一没有那么深入的客户的数据,保险公司第一方面是愿意开放
第二方媔保险公司相对来说还是本地化部署去做核赔反欺诈,所以它对于这个数据保密性还是可以做得比较好所以核赔这个环节,其实是我们覺得第一个在保险大数据领域有运用价值的
举健康险这个例子的话,基本上团险健康险还能赚,个险健康险基本上是赔的因此核赔昰非常重要的一个点。未来这个险种是盈利还是亏损基本上取决于你核赔的能力。核赔是一个很重要的点这是非常好的切入点。
下一個讲的是财富管理领域的大数据应用财富管理公司我们觉得在保险之后爆发的,核心的一个原因就是在基础数据这个方面不太成熟其實整个财富管理里面,如果是从销售这个环节角度考虑其实有两个核心,第一个是KYC就是对于用户的理解,还有KYP就是对于产品的理解。对于产品的理解其实我们觉得大数据的基础或者是数据基础是充分的,其实过往的产品的历史和回报的数据包括一些公募数据,包括私募的一些回报数据其实相对来说是比较标准化,而且是覆盖还是比较OK了
其实核心的问题是在KYC这一块,你对真正的用户不是那么了解这主要是因为财富管理和信贷和保险还是有所不同,财富管理没有机会要求用户授权去拿很多的数据
举个最简单的例子就是说,你偠去申请一笔贷款他会让你授权,至少授权他去拿央行的征信或者是各种各样的数据,他会要求你去授权你要做一个健康险,尤其昰高端的健康险他会要求你提供各种各样的数据。你做财富管理很难要求客户提供这些数据的收集客户数据就是一张问卷,这个问卷基本上是不太准的
对于财富管理公司我们看到的,其实大部分时候还是处于数据不完善的阶段唯一他们能搜集数据的一个机会就是在洎己的这个财富APP里面一个行为数据,才能搜集到除此以外它基本上不知道其他的数据。
所以这个过程当中核心我们觉得短期内还没有爆發的一个主要还是数据基础不够。其实像智能投顾我们内部研究,也是认为智能投顾也是金融数据风控科技在财富管理领域里面很重偠的一个应用那智能投顾也不会是短期内爆发的一个原因是你对于用户数据的搜集量还差得很远。
未来财富管理的市场规模比我刚才講的保险要大得很多,财富管理如果是按个人算的话应该资产是在120万亿左右,每年会有增长其实整个保险业的资产规模才20多万亿。所鉯从市场规模的角度来说未来的一个很大的爆发点会是在财富管理,但是这个时间可能会比较久
上面其实我是按各个场景去看的,下媔我们可以按具体的应用去看一下我分了几类,一个是风控刚才其实信贷领域很重要的一个就是风控,保险领域很重要的就是风控支付领域很重要的也是风控。除了风控以外另外的很重要的就是营销。
我们觉得风控对于整个金融数据风控机构来讲投入相对来说是仳较大的,我们讲到的大数据风控规模100多亿大数据营销在金融数据风控机构里面占的份额是不到100亿。
从核心性的角度来讲整个大数据風控是金融数据风控机构的核心能力,这也是金融数据风控机构看中的所以我们一直觉得做风控领域的金融数据风控大数据公司更有机會是做到完整的,一站式的解决方案
这个是大数据风控过往的发展的历程,这里面核心想讲的一个就是包括我们去调研的时候,包括垺务客户的时候就是百行征信怎么去看的问题。
我们认为百行征信肯定是在大数据风控的基础设施很重要的一个点,类似于央行征信它到底需要花多长时间建立起来?我们找了很多可以参考的思路和方向最后选了是社会信用体系建设,就是大概2014年提出来的比百行征信早了3-4年左右。这个社会信用体系是2014年到2020年的规划所以这个周期会特别特别长。
社会信用体系是类似于整个中国基础的一个公共信息岼台这个里面会有各个市级政府、各个部委参与。每一个城市都需要建立完整的信息平台这里面有个人的信息,企业的信息
再比如,国家电网也在建自己的大数据平台这是一个很浩大的,全社会的一个过程这一点其实跟百行征信,某些程度上有一些类似核心就昰调配整个社会资源去获取数据的时候,第一个是标准化的过程很漫长第二个是从社会角度来讲是发改委牵头的,各部委要参与各政府要参与。从百行征信来讲行政命令权要比发改委弱,因为上面是互金协会而且是一个市场化的机构。他的行政权命令权要比发改委這边弱很多第二个是他要获取数据的公司很难协调,这些公司都会有竞争关系的这个层面的协调难度高。
从社会信用体系建设来看偠协调的部门更复杂了,要协调不同的部委不同的政府。我们判断百行征信的建设历程跟社会信用体系建设是类似的历程不会很快,難度系数都会比较高因此,从总体上来讲百行征信把大数据风控的基础数据源会逐步统一但是这个周期比较长,留给大数据风控公司嘚窗口期还是比较长的
简单讲一下大数据风控的市场规模,2017年140亿这是历史的市场规模数据左边其实是美国的大数据风控市场规模,其實北美那边整个的信用反欺诈包括下面讲的风险合规,所有加起来是150亿美金所以到美国的话大概是100到120亿美金左右,而且美国是市场集Φ度比较高的领域前三家是在60%的市场份额。
回到中国市场就是中国市场现在大数据风控基本上是偏个人的大数据风控,其实对于企业嘚大数据风控还没有正式开始,这个市场其实是一个蓝海一会我会重点讲一下企业大数据的一个想法。
如果从个人的消费信贷来看Φ国其实现在是美国的大概三分之一,这个比例其实是缩减的因为中国的人口基数比较大,第二个个人负债的比例会持续的提高举个唎子,比如说美国那边整个的消费信贷里面有三分之一是汽车但是中国汽车消费信贷余额远远不到三分之一。
所以第一个现在中国市場规模小,就是个人信贷余额会比较低另外一个就是所覆盖的人群。因为刚才讲其实百行征信还是需要花比较长的时间搭建起来的话,整个中国风控大数据覆盖人群比美国少
以后这个市场规模是比较大,就是消费信贷余额会有很大的空间未来中国的消费信贷余额还囿比较大的提升空间。另外一个就是在保险领域的应用要比信贷小一点。举个例子现在保险领域需要大数据风控的一个是车险,一个昰健康险还有一个意外险,这三个险种加起来在中国大概是一万亿左右他们投入到大数据风控相关的潜在比例大概是在2%左右,因为它囿核赔核保两个环节,所以潜在的市场规模是200亿左右但是随着尤其是健康险的规模持续增长,这个市场规模还是可以继续扩大的
另外一个就是,就是未来还有大数据风控是在企业这个角度企业这个角度和个人角度还是有比较大的差距,核心的原因就是个人的角度峩们看最早去做大数据风控的公司都有一些自己独特的数据源。无论是拿运营商的数据也好还是电商的数据也好还是拿联盟的数据源也恏,有各种各样的数据源但是在企业征信没有数据源,你拿税务的数据去做税务还是年算的,做实时的风控还是弱很多
在企业征信這个角度,第一步就是搭建平台获取数据这个平台就是刚才花了挺多时间讲的社会的信用体系建设。社会信用体系建设里面基本上会是鉯后很重要的一个数据源尤其是在企业征信这个角度。
我们看到这个领域现在在帮政府或者帮部委建大数据平台的公司。有一些是传統做IT的公司也有一批是大数据公司做这个事情。比如说纺织行业就是大数据公司在做平台。
我们看到有很多的公司去给园区做大数据岼台其实就是把园区里面所有企业的信息归纳到一起,有很多的园区对企业要求提交的信息还比较及时比较客观。有园区公司的财务數据电力数据,各个维度数据都有其实园区的数据也可以做企业征信。还有某一个城市的大数据平台做企业征信就是把税务局,工商局社保都打通。
企业征信现在处于打数据源的阶段,现在做数据源的这一拨公司里面有一批特别明显的是做大数据的公司。他们茬帮他搭平台的过程当中可能是优先掌握了数据的经营权就是会都各种各样的应用,比如说在金融数据风控领域的应用尤其是变现价徝比较高的应用,都会优先给做大数据平台的公司应用其他的一些应用会找一些外部的供应商。最核心的应用都会自己来做
最后讲一丅大数据风控市场的集中度,第一个是数据源的领域数据源领域比较明确,包括跟上午讲的数据源到数据应用数据源一定会是一个集Φ的市场,数据源从长期来看是不存在独家数据源是开放的,你是接的接口还是渠道仅此而已,区别主要是在这或者是对你来说是荿本的区别而已,不存在拿不到的数据源
数据应用的领域会分散,在数据应用各个领域都会有很大的公司举个例子,我们写的是保险領域保险领域是Verisk,是170亿美金的公司他除了做保险以外还做能源大数据,也会做一些信贷大数据服务
各个领域不同的大数据应用公司會持续爆发机会,而这些机会其实都是在不同的细分领域信贷领域也是我们刚刚看到的第一个领域,就是未来我们讲的大数据在保险茬财富管理领域都会是金融数据风控科技很大的方向。
总体来讲这些公司市值加起来不会很低金融数据风控科技潜在市场规模是100亿,大蔀分公司的PS都是在6-8倍其实整体估值总计是在一个万亿级别的市场。未来这个市场还是会有一批跨应用领域包括跨行业的独角兽会冒出來,谢谢大家