反观中国，P2P行业一直渴望能与资本市场进一步融合。根据清科统计数据显示，截至2014年9月，中国P2P行业共有24家公司获得总额近30亿人民币的融资。其中，陆金所、拍拍贷、点融网等都对上市有所计划。

不过，要想在中国复制Lending Club式的成功，中国的淘金者们仍需跨越监管、技术、数据等重重阻碍。在此基础上，国内大众的投资风险意识依然不够强，风险承受能力很弱，这也给P2P平台带来了巨大的市场教育成本。

一边是全球最大P2P平台上市的示范效应，另一边是国内互联网金融平台跑路不断，监管不明，规范不够。在当下的群雄乱战中，如何找到适合自己的模式与定位，在规模扩张和资金安全间取得平衡，成了所有P2P创业者面前的挑战。

全球最大P2P平台成功登陆纽交所

中国式挑战

在P2P平台“信而富”CEO王征宇看来，Lending Club的上市与高估值为国内P2P行业带来了不少启示。

首先，Lending Club平台由技术驱动，采用自动化审批，大大降低了运营成本。第二，Lending Club从美国征信局那里收集数据，数据源相对完整。对于那些信用良好的人，公司采取的是“主动营销”的方式，即鼓励其上Lending Club借款，这无形中又降低了风险水平。第三，Lending Club的数据透明公开，这对于人们理解其业务非常有帮助；最后，平台自身并不承担风险，假使贷款出现违约，投资人将独自承担投资的损失。这让Lending Club的财务非常健康。

相比之下，中国的P2P公司要复制Lending Club的成功路径，显得并不容易。首先需要面对的就是监管政策的不确定性。美国对P2P网络借贷的监管主要以证券监管为主，P2P平台必须不断更新每一笔票据的信息，包括对应贷款的条款、借款人的匿名信息等。而在国内，P2P更接近于网络上的民间借贷，监管部门更关注和限制的是平台本身的运营状况。

有业内人士称，P2P平台说到底是一个中介机构，它利用互联网技术来分析和管理风险，和银行的管理风险方式有着本质区别，那些资本金、存贷比的杠杆要求都不应该有。

然而，“P2P应该如何监管，监管的尺度如何，目前并没有明确规定”，王征宇指出。在他看来，P2P行业的发展与监管在现阶段不可能做到完全合拍，“就像为一个婴儿做衣服，无论怎么做，一段时间后都会不合身。最好的方法是先拿一条毯子裹一下，等婴儿长大后再量体裁衣。”

与监管缺失相应的是征信难题。众所周知，美国征信局有着完善的系统，而中国的信用数据主要掌握在人民银行手里，尚未对P2P平台开放；即使央行开放了信用数据，也无法完全满足互联网金融的需求。这种情况下，中国式P2P有着独特的一面：它们不仅要撮合借贷，还要做之前的征信、评级，还要找资产，再到P2P平台的搭建。而征信成本的高企，无形中也推高了贷款利率。

目前，每家P2P公司都有着自己的风险评估模型，这种模型被视为公司的核心机密，不同P2P公司间并不会就风险评估方式进行沟通。换言之，由于分析方法不同，同一笔贷款标的，在不同的P2P平台上所获得的风险评级并不相同。

“这种不公开、不沟通的方式其实不利于行业的发展，大家并没有合力来降低贷款的风险。”王征宇称。尽管已经有不少P2P平台提出要共享“黑名单”，“但这种方式更像是一种事后的防范，沟通的关键应该是在事前规避风险。”

在此基础上，各家P2P公司的风险指标、逾期率计算方式也不尽相同，这使得外界很难对各个平台有统一的评判标准。

事实上，国内P2P行业眼下普遍存在着一种生存危机，各家平台既要扩张规模，又要降低风险。加上相关规范文件并未出台，也导致了各个平台的透明度、规范度都不够。

进一步说，不少P2P网站正处于一种“纠结”的状态因为一旦达不到规模就可能倒闭，想做规模却无法获得足够的征信数据，只能通过担保、资金池来吸引投资人，从而碰到监管红线。

目前，一些P2P平台已经“走出纠结”做大了，但仍有一大批平台处于不大不小的尴尬中。从这个角度看，如何有效地监管这个新兴行业，成了摆在监管层和所有从业者面前的挑战。

创新与分化

事实上，P2P平台对传统金融领域的冲击不言而喻。它开创了一种新的业务模式，让大众有了新的理财方式，并且运用大数据等各种技术手段来完成信用分析。可以说，互联网的技术、工具和思维，改变了传统金融业的数据来源和信用评估思路。

通常，P2P平台会根据用户提交的资料及其在网络上的行为记录，将客户分为若干个群体，并为其制定相应的贷款利率。除了了解借款申请人的年龄、性别、婚姻状况、收入、负债等基本情况外，P2P平台还会观察用户在社交网络上的留言情况。将单个申请人的几百上千个特征信息代入风险模型后，网站就能计算出借款人的信用等级。

具体说来，在大数据分析中，P2P平台面对的是从网上抓取的大量非结构化数据，如社交网络的评论、用户上传的音视频等。这些数据散落在包括文本、图片、视频、音频等众多的数据格式中，其中蕴藏的价值需要深度计算才可以分析出来。这就需要通过机器学习，将这些数据进行智能化分析。

以宜信金融为例，公司会给系统预设一些规则引擎，引导系统做出一些基本的判断和决策。这些基础规则是基于现有的数据和经验生成的。比如，没有收入的人会被直接排除在借款人群之外。在此基础上，一旦充入大量新数据，这些既有规则引擎又会发生变化。无论是修正现有规则还是获得新的规则，都需要通过机器学习来完成。

就信而富来说，公司正尝试着从各种信息纬度中提炼价值，建立起一套自动化的授信决策机制。据悉，公司的自动化授信决策引擎，所依据的主要是三个纬度：首先，借款人在给定的一段时间内，还款的可能性是多少。第二，这个申请从根本上来说，有多大可能性是假的。第三，这笔借款预测风险调整后的收益是多少。通俗来讲，就是借款人借到钱后，可以为出借人贡献多少收入。在将上千个数据纬度进行各种各样的汇总后，信而富可以完整地展现申请人在各个时间点的行为特征，并由此为贷款申请自动打分。

但不得不说，国内不同P2P公司间的技术水平大相径庭。王征宇坦言，“有些P2P后台的技术水平非常低，用excel表格就打发了。也有些平台具有很强的数据分析能力。”除了技术外，无论是资金实力、风控还是商业模式，国内P2P的两极分化已十分严重。

其中，一类P2P的资源非常雄厚，如陆金所；另一类P2P则“还没有想得太明白。”这类P2P平台中有很多是从其他行业转型的，譬如商贸公司、典当公司、财务管理公司等。在此基础上，不同P2P平台的客户分布和借贷额度也大不相同。面向中小企业和小微企业的P2P，其平台上标的的融资额大多为几十万元到几百万元；而针对个人的P2P，平台上标的的融资额通常只有几百元到几万元。

这两种不同类型P2P的运营方式完全不同。个人借贷需要借助信用评分，而这种评分会更多地依赖自动化的技术手段。企业信贷则需要评级，这种评级大多由专业化的审批人士完成。眼下，大部分平台更倾向于做企业融资，因其为平台带来的手续费收入更为可观，运营效率更高。但面向个人的P2P，更能够分散风险。

值得一提的是，无论如何分化，P2P行业的洗牌势在必行。毕竟，P2P分食的是传统银行不碰的缝隙市场，而眼下P2P公司比银行还多。从这个角度看，随着P2P公司的全国扩张，新一轮的淘汰与整合近在眼前。