進入2017年下半年以來，隨著大搜車3.35億美元E輪融資、花生好車10億元戰略融資、車好多集團8.18億美元C輪融資的相繼完成，使得汽車”新零售+新金融“這個模式一時間圈粉無數”，“以租代購”也迅速成為汽車金融行業里面的新興代名詞。
汽車金融滲透率低、購車群體的年輕化以及超前消費觀念的普及，加之資本的青睞和互聯網的加持，使得汽車新零售新金融迅速成為了互聯網金融領域的新風口。
汽車新零售以互聯網為依托，通過運用大數據、人工智能等先進技術手段，對汽車的生產、流通與銷售過程進行升級改造，建立縱深結合、豐富立體的汽車新零售生態圈，使得行業中的汽車主機廠商、汽車經銷商、消費者等各環節都可從中獲益。
汽車新金融亦是如此，通過科技和數據，實現用戶金融需求與金融機構汽車金融產品之間的智能匹配，幫助經銷商為用戶找到最優的金融解決方案。
然而，新零售新金融并不只是用技術打通線上線下這么簡單，汽車金融企業或平臺如何在新零售新金融模式下立于不敗之地，其中最關鍵的一環就是運用大數據技術建立起核心競爭力，以數據來連接消費者的內心，從而以數據驅動來實現人心的驅動。
一、數據驅動下的汽車新零售模式
下面我們首先來看看如何借助數據來打造有競爭力的汽車新零售模式。
商業模式好壞與否或競爭力的強還是弱，最關鍵都是在是否能有效的解決用戶的痛點。那么購車這個場景下，用戶最關心的問題可以歸納為兩個：
一個是能不能貸款購車;
一個是在可以貸款的情況下，能否提供一個適合且利率公允的產品?
為了解決以上問題，汽車金融企業或平臺可以利用數據在如下幾個方面進行發力：
1. 建立純線上的自動化授信體系
融合業務數據和互聯網大數據，利用先進的機器學習技術，打造純線上自動化汽車金融大數據風控體系，從而改變傳統汽車金融依靠線下提交材料人工審核的方式，給用戶以更優質的購車體驗。
同時以授信為主，也可以提前鎖定一個潛在購車用戶，因為一個肯在線上提交資料進行授信的用戶肯定比只是APP上瀏覽車型的用戶需求更明確。
2. 以用戶為中心進行授信
以用戶為中心的授信就相當于在你的平臺上給用戶發放了一張汽車領域的信用卡，只要不超過相關額度和使用期限，可以隨便購買平臺上任何車。也就是授信弱化了對車型和車價因素的干擾，從而極大提高了用戶的體驗。
試想下：如果你每改變一款車型或車價發生了改變就需重新走審批流程，這種體驗會有多糟糕。
3. 動態風險定價，提供靈活多變的金融配套方案
互聯網是為了消除信息不對稱，如果利用用戶不夠專業、信息不對稱而匹配給用戶貴的產品或者對平臺有利的產品，遲早是殺雞取卵，得不償失的。
根據用戶的實際情況利用數據進行動態的風險定價策略，提供適合用戶的金融配套方案，將有利于提高用戶對平臺的忠誠度和粘性，也更利于企業的長遠發展。
二、汽車新金融的大數據風險控制
在中國的汽車金融業務中，最主要的參與方有四大類：商業銀行、汽車金融公司、融資租賃公司和互聯網汽車金融平臺。
這其中銀行和汽車金融公司無疑是最主流的玩家，銀行有資金優勢，汽車金融公司的主體則往往是整車廠或經銷商，有渠道優勢，這倆已經占據了95%的市場份額(見圖1)。
圖1：中國汽車金融業務各主體份額占比
作為汽車新金融代表的融資租賃公司和互聯網汽車金融平臺，均選擇差異化競爭的道路：渠道下沉、針對銀行、汽車金融公司無法覆蓋的人群，以及產品、服務的持續深化。
目前各企業基本都是瞄準二、三線以下甚至農村地區缺乏購車資金的年輕人，他們消費意識超前，對金融產品接受度比較高，同時也熟悉互聯網。
與此同時，汽車金融業務在低線城市的滲透，客戶質量還明顯低于銀行、汽車金融公司，因此其中的風險是顯而易見的。在擴大業務規模的同時，有力的風控能力，將成為新興汽車金融機構在這一輪競爭中的決勝點所在。
首先我們來分析下汽車融資租賃業務(這里主要討論直租)中存在的主要風險，可歸為如下三類：
(1)信用違約風
信用違約，即通常我們說的償還能力不足導致的違約，這類違約人群均是真實購車意愿用戶。這類風險主要是由于申請時材料造假導致，比如：虛高收入等，或者后期由于某些原因導致的，如：失業等。
(2)車輛套現風險
這類風險主要是承租人出于現金周轉的需要，而選擇將車子去進行套現處理。汽車租賃過程中因為車輛的所有權不在承租人，選擇這種方式去進行變現的代價過大。這類人一般都是在正規渠道(包括網絡借貸平臺)已經無法借到錢，或者已經是信貸黑名單客戶。
(3)詐騙風險
汽車金融欺詐可以分為個人欺詐和團伙欺詐(中介欺詐)。可以認為：個人欺詐的概率很小。
假定10萬元的車，按1成首付加上保險等費用差不多需小2萬元，正常二手市場買差不多可以7-8萬元。但因租賃車輛承租人無所有權，只能進入黑市轉賣，大概在3-4萬元，因此通過這個方式騙得的金額并不高，而手續卻極其繁瑣，代價很高。肯冒這個險的人其實都可以歸為上述第二類風險人群里面。
對于第一類風險：
一方面建立多渠道交叉驗證機制，避免用戶信息的造假;
另一方面，融合業務數據和互聯網大數據，利用先進的機器學習技術，全面評估用戶履約能力;
再者就是建立貸中監控機制，如：發現用戶異常(如工作單位經營異常、最近出現多平臺借款行為等)，則可提前主動介入，最大程度降低企業損失。
對于第二類風險，可以建立黑灰名單模型。
黑名單數據深得各家互金公司的寵愛，幾乎是來者不拒。但因數據污染等問題的存在，市面上各家黑名單的質量參差不齊，而且整體質量有不斷下降的趨勢。因此如果還是按照命中黑名單就拒絕這種強規則邏輯肯定不適合，且會將很多本質上是優質的客戶拒之門外。
在這里我們可以借助Adaboost算法思想更好的挖掘黑名單的價值，集眾家之所長。借助這個算法原理，可以把每家黑名單當成一個弱分類器，隨著接入外部黑名單數據源的不斷增加，根據各家黑名單的表現給予各家一定的權重，最終構成一個強的分類器。
根據最后模型的得分進行黑灰名單的劃分，從而采取拒絕或者提高首付或降低授信額度等措施。
圖2：Adaboost算法結構
對于第三類風險，因汽車金融里面欺詐不同于3C產品或網貸，手續卻極其繁瑣，均是需要專業產業鏈團隊進行操作，而且持續的時間一般較長，涉及的鏈路較長。正是因為這樣的欺詐特性，可以通過大數據建立關聯知識圖譜，同時結合線下人工審核的手段來有效防止團伙的欺詐。
結語
本文主要簡單介紹了下如何運用大數據更好的幫助汽車金融企業健康穩定發展，關于大數據在汽車金融中的應用。除上面講的這些外，還有很多有趣的課題可以研究，比如：在營銷方面、在個性化推薦方面、在站外廣告投放方面等等。
京公網安備 11010502049343號