恶性校园贷演化路径视角下的用户画像研究
来源:用户上传
作者:
摘 要：用户画像较为深刻地描绘不良校园贷用户的群体行为特征，提出从基本信息、内容偏好、互动数据、会话数据、情境数据等五个维度对不良校园贷用户进行标签化识别，构建不良校园贷用户画像，以便帮助高校学生工作者在日常教育管理中及早发现和关注特别学生，及时预警，防止不良校园贷用户深陷恶性校园贷陷阱。
关键词：不良校园贷用户画像;用户标签;高校教育管理
中图分类号：D9 文献标识码：A doi：10.19311/j.cnki.1672-3198.2019.19.073
2017年初，“两会”委员手中的数据显示：2016年校园网贷规模已突破800亿元，2017年全国在校大学生规模为2682.3万人，全国在校大学生人均有近3000元的校园网贷。2017年云南高等教育在学总规模90.66万人，按人均3000元的校园网贷推算，意味着云南高校网贷规模高达2.7亿，平均每所高校校园网贷规模达3600多万！
通常高校学生涉及的校园贷来源一般有四类：第一类是淘宝、京东、苏宁易购等电商平台提供的信贷业务;第二类是学生分期购物网站，如趣分期、分期乐等;第三类是单纯的P2P贷款平台，如名校贷、我来贷等;第四类性质最恶劣，为民间高利贷。
1 恶性校园贷演化路径
从工作实际接触、访谈和全国各类调查、媒体曝光资料来看，全国高校学生中网络借贷现象渐趋于普遍：当代大学生消费观念改变，消费需求旺盛，因而校园消费信贷一出现便饱受欢迎，使得囊中羞涩的在校大学生在校园信贷的支撑下也能享受一把“有钱任性”的购物体验。这些校园消费信贷号称“风险小利率低放款快手续简单无抵押”，倡导大学生购买“力所不能及”的商品，助长着刚刚脱离家长的大学生不合理地消费观念。
高风险是从上述第二类借贷开始的，到第三类、第四类风险暴增。2017年学生组队参加“挑战杯”全国大学生课外学术科技作品竞赛时，曾在云南省内高校做过调查，保守数据有超过1/4的在校大学生使用过校园消费信贷。事实上，第一类信贷业务——淘宝、京东、苏宁易购等平台提供的信贷，多数在校大学生都有涉及;而保守数据有1/4的学生涉及有第二类信贷;少量学生有单纯的P2P贷款;个别学生甚至涉及第四类信贷——民间高利贷。
从第一类信贷到第四类信贷，从一般信贷到恶性信贷，风险不断增加，而其中有一条演化路径如下：脱离父母管束经济能力较弱、不具备独立还款能力的大学生（以西部、农村来源学生居多），在前两类平台消费后逐步考虑从正规P2P贷款平台获得借款偿还到期款项，债台高筑，并逐渐考虑不太正规的P2P平台，进而更进一步陷落，开始寻觅百度贴吧、QQ群、微信群所谓“兼职”机会，实则陷入民间高利贷的泥淖，无力抽身做种祸害整个家庭，把原本不富裕的家庭拖向深渊，个人也无心向学或者实际情况迫使个人无法再继续求学。
2 不良校园贷的用户画像
虽然银监发[2017]26号文明令禁止校园贷，但仍无法阻止众多网络借贷平台以各种形式向大学生发放贷款，且形式更为隐蔽，套路更多，一旦爆发，风险极高。
在互联网高度普及和高频使用大数据的今天，可以利用日益成熟的数据分析工具，全面、细致地刻画不良校园贷用户的群体行为特征，将数据转化为需要特别关注的学生，便于高校学生工作队伍及时了解情况、及时预警，让数据为教育管理服务。
从文献来看，可以基于人口统计学的推荐方法，从不良校园贷用户的年龄、性别、学历、关注领域、网络行为、社会关系等来挖掘用户间存在的联系，通过对不良校园贷用户贴“标签”：可从基本信息、偏好、互动、情境等方面将不良校园贷用户标签化，勾勒出不良校园贷用户“画像”，找出那些需要特别关注的学生。
不良校园贷用户画像的绘制離不开用户数据，可通过学校数字网络管理系统、与移动等电信运营商合作采集数据，通过上网系统、社区门禁管理系统、以及QQ、微博、微信、易班等平台获取。其中，学校数字网络管理系统、门禁系统和易班平台保存了大量在校生的身份信息、用户登录记录等，可获得在校学生用户大量的静态信息数据和动态行为数据。学校数字网络管理系统还可能保存有用户在线浏览、互动、分享、内容收藏等信息。需要指出的是，由于现在国内三大电信运营商提供了几乎不限流量的上网服务，不良校园贷用户画像数据也会存储在电信运营商的管理系统中，而学校、电信运营商等各系统的数据各自独立，因此需要高校与涉及的相关方进行协调，整合各系统间的数据，才能较全面地绘制不良校园贷用户画像。
用户标签是高度精炼的特征标识，不良校园贷用户标签就是将其特征符号化，为不良校园贷用户勾勒出“画像轮廓”，其中的核心工作就是在为用户进行画像的过程中为其匹配相应标签。根据文献调查、2017年对云南高校不良校园贷涉及学生调查情况，结合工作接触和深度访谈，本文将从不良校园贷用户自然属性、内容偏好属性、互动数据属性、会话数据属性、情境数据属性等五个维度勾勒不良校园贷用户画像，并将之标签化识别。用户自然属性主要用于识别用户身份，是对用户基本特征的描述，可以从姓名、学号、性别、年龄、所学专业、所在院系等方面进行描绘;内容偏好属性主要通过用户操作行为来进行描述其偏好的，可以关注用户经常浏览的页面、鼠标停留的时长、阅读的内容等;互动数据属性关注用户与其他用户进行讨论、互动、分享、收藏等活动特点;会话数据属性通过用户登录频率、频次、咨询内容的深度等进行分析，可以反映用户的某些潜在特征;情境属性标签主要包括时间信息标签、位置信息标签，因为工作接触发现，如非迫不得已，不良校园贷用户初期多会在深夜避开亲友告贷。将上述五个属性标签和用户路径痕迹等进行组合，能初步建立多层级的不良校园贷用户画像标签体系。再对多层级数据标签进行进一步组合、关联、交叉分析，还可以形成更为精细化的不良校园贷用户标签体系。
3 结论和建议 政府历来重视高校学生工作，对于不良校园贷，政府有引导、高校加强教育，旨在使在校大学生远离“校园贷”、健康快乐学习生活。但实际效果与预期有差距，实际效果并不佳。如能从用户画像的视角，对不良校园贷用户进行标签化识别，构建出不良校园贷用户画像，通过数字校园网设置学生“校园消费”预警信号，即利用大数据为提升学生工作质量提供帮助：提醒、警示高校学生工作队伍及时关注特别学生、关注重点群体，从学生实际出发，分层分类及时展开有针对性的教育管理，变“校园贷”总是亡羊补牢为事前把控。
（1）开展普及校园金融的文化活动，帮助自律性不强、自我约束程度不高的大学生建立文明、理性、科學的消费观，引导学生合理规划生活费使用。
（2）对于金融知识匮乏的大学生，应充分利用校内校外金融学的资源，在校内开展多渠道的金融知识学习活动。例如与银行合作，开展征信进校园活动;面向全校开设个人理财公共选修课程，组织学生学习金融知识;各院系可以举办沙龙活动，涉及主题包括但不限于预算、如何精打细算、如何预防身份被盗用、设定财务目标等内容;在专业技能竞赛节中举办“财务扫盲周”活动，活动期间以在校大学生喜闻乐见的形式提供有价值投资理财知识，吸引更多学生自觉参与其中学习、感受、分享、提高。以上种种，一则增强在校大学生理财意识培养财商，二则揭穿非法“校园贷”真面目，帮助在校大学生提高风险识别能力、增强风险防范意识。
（3）组织规模庞大的青年志愿者行动起来，在校内展开关于正确认识“普惠金融、防范不良校园贷”的义务宣传活动，帮助大学生端正消费观念，纠正超前消费、过度消费和从众消费等错误观念。
（4）对于中学时代父母疏于理财教育的学生，可利用大学生暑期社会实践机会，“三下乡”宣传教育，扩大防范“校园贷”风险的影响面，家校联动，促使更多大学生理性消费。
参考文献
[1]刘海，卢慧，阮金花，田炳强，胡守忠.基于“用户画像”挖掘的精准营销细分模型研究[J].丝绸，2015，（12）：37-47.
[2]丁伟，王题，刘新海，韩涵.基于大数据技术的手机用户画像与征信研究[J].邮电设计技术，2016，（03）：64-69.
[3]李映坤.大数据背景下用户画像的统计方法实践研究[D].北京：首都经济贸易大学，2016.
转载注明来源:https://www.xzbu.com/2/view-14896067.htm
