本文筆者將通過數據字段反推數據提供商的數據源頭，通過數據源頭及應用場景推斷潛在的創收規模系列第【3】篇。

筆者上次在分析運營商體系有哪些數據在金融行業應用較廣中提到用戶的位置軌跡數據，這次的航空及鐵路出行其實也屬于用戶位置軌跡的兩個來源，只不過出行數據除了有個區域位置外，還包含了票價等可以側面體現用戶資質的信息，出行數據已經在金融風控和營銷場景都有相對成熟的應用。

同樣是位置相關數據，為什么這兩個來源可以大大方方的應用到場景中？

筆者認為主要有幾個方面：

1. 航旅與鐵路里的位置數據主要指出行地及目的地，位置范圍最小都是以縣級市為單位，非精確數據，無法定位用戶精準位置；
2. 用戶通過航旅或鐵路出行的頻率99%都是不高的，非高頻的出現軌跡，你想反推這個用戶的實際身份信息其實是不可能的；
3. 其對外的數據產品經過合規處理，對外的字段也不算很多，相較于一些可以查到用戶消費字段的產品，航旅出行數據算是很保守了；
4. 對外的接口產品是嚴格要求用戶授權的，有用戶授權的場景，字段再敏感也是很難追責的。
5. 除了出行涉及的區域位置，還包括了用戶的票價信息、座位等級、出行時間等信息，對外主打非位置信息。

一句話總結：這樣的數據維度無法反推個人身份，也沒有太多用戶的敏感信息，沒在信息安全法明確禁止的范圍的其實都可以拿去變現，更何況有用戶授權。

航旅及鐵路出行兩者的數據，在金融行業現在比較成熟的形態有：

• 數據API接口：部分數據屬于統計數外，基礎字段都是根據原始訂單記錄信息輸出，盡量原汁原味；
• 分值產品：航旅分、鐵路出行分這些通過數據權重及用戶出行軌跡判斷而得出的分值產品，不會輸出數據詳情；
• 出行信用報告：主要圍繞航旅及鐵路的出行數據，疊加用戶的出行黑名單、金融失信名單、其他一些數據機構可以獲取的用戶數據，可能有社保公積金、消費記錄等，形成相對完善的集合型報告產品。

（市場上常見的航旅數據接口字段表）

（航旅失信名單字段表）

本文主要針對航旅數據做分享，且不細分航旅分、數據接口及信用報告類形態，因為這三者基本是互補的產品，金融機構能用得上航旅分的環節都可以替換成用數據接口或信用報告，所以應用場景及調研次數上，區別不大，唯一有較大區別的只有信用報告的成本相對比分值或數據接口高點。

鐵路出行的產品形態及場景及調用次數與航旅的基本一致，唯一區別在于鐵路人群的質量不如航旅的高， 在風控調用的權重次序中鐵路數據調用也在相對靠后或者直接不采用。雖然鐵路的人群覆蓋率比航旅高，導致查得率方面也會高點，同時價格比航旅高。所以有調用航旅數據的場景如果都用上鐵路數據，鐵路數據可以帶來收入會比航旅的高。

（市場上常見的鐵路數據接口字段表）

航旅數據從哪來？

航旅數據源頭是出自中國民航信息網絡（下文簡稱“中航信”），其背靠中航信集團和國資委，作為全球第三大GDS(航空旅游分銷系統提供商)，同時也是國內GDS行業的唯一企業、航空旅游業信息技術解決方案的主導供貨商。中國民航信息網絡是航旅數據的源頭，猶如運營商數據掌握在三大運營商，身份證信息掌握在公安局一樣。

中航信的主營業務是面向航空公司、機場、機票銷售代理、旅游企業及民航相關機構和國際組織，全方位提供航空客運業務處理、航空旅游電子分銷、機場旅客處理、航空貨運數據處理、互聯網旅游平臺、國際國內客貨運收入管理系統應用和代理結算清算等服務，是目前航空旅游行業領先的信息技術及商務服務提供商。

服務的客戶包括近30家國內航空公司以及近200家地區及海外航空公司，國內169家機場以及近7000家機票代理人，服務范圍覆蓋到300個國內城市、80個國際城市，并通過互聯網進入社會公眾服務領域。

除了春秋航空這家廉價定位的民航沒在體系內，中國民航信息網絡掌握了國內95%以上的用戶和數據，乘客的每次票務購買，值機、登機、到達等所有信息、數據服務，都由這家公司提供，因此整個航旅環節的數據也存儲在中航信內。

【GDS早期是一種票務預訂系統，后來向整個產業鏈上下游擴張，如今，已經發展成為主要服務于整個旅游業的一個信息化服務的系統。航旅數據的代理公司為了把航旅客戶數據覆蓋率提升近100%，會通過單獨對接與春秋航空服務的OTA在線旅行社這些在線定票機構獲取部分春秋航空的用戶數據，主要原因一是春秋航空自建運營系統，沒對外輸出數據，其數據都體系內經營，特別是和玖富集團的合作值得航空公司參考，而一些和春秋航空合作的OTA機構零散的存儲了春秋航空的用戶數據，這塊數據暫無直接途徑可以全覆蓋?！?/p>

航旅數據可以應用在哪些行業哪些場景？

對于航旅數據的源頭機構，可以用于航旅業務分發，提供給各種OTA或票務代理機構，用于客戶在線或線下訂票使用，并告知用戶訂票結果、航旅行程過程實時信息通知等。同時由于航旅數據源頭機構是有用戶的觸達方式的，因此可以對接各種變現產品，例如航旅險、理財產品、機票分期等產品，為體系內客戶提供增值產品。

對于金融機構的信貸風控環節，黑名單類數據可以補充航旅失信名單，用戶資質及額度評估可以使用航旅數據輔助評估。

對于金融機構的營銷場景，可以針對航旅部分客群，進行類似機票分期、高端理財、航旅險、壽險、意外險等金融產品。

對于其他的機構，可以與有航旅用戶的機構進行產品合作分傭，例如高端電商、教育培訓、私人財富等公司。

是什么支撐了航旅數據在金融場景商用價值？

航旅用戶群體天然的高凈值屬性決定了其群體質量是非常不錯的，航旅數據是可以直接用來判斷客戶資質、金融風控額度評估及一些軌跡反欺詐及營銷環節，都有其商用變現價值。

航旅數據由于國民人均收入的上升及消費升級的趨勢，對旅游出行的需求覆蓋人群也逐年增長。其中OTA的發展刺激了人群在航空出行的需求，也促進了航旅在出行工具中的滲透，航旅的用戶群體不僅限于高收入人群，大量中低層收入人群也被逐漸被滲透。

用戶數量的提升，可以帶動相關數據在各機構場景中的覆蓋率的提升。而且數據由統一的機構管理，各省市各航空公司的用戶數據打通也更容易，數據標準化輸出就不成問題。同時時效性問題也在航旅數據不斷商用過程中滿足風控商用價值。最重要的是，航旅數據的確在部分風控過程用于貸前審核及用戶資質評估得到不錯的效果反饋。

航旅數據在金融行業的應用場景

中航信記錄航旅過程中的哪些字段？中航信是記錄了乘客的每次票務購買，值機、登機、到達等環節，這些環節產生的基礎數據維度，至少有：用戶基本信息（姓名、身份證號、銀行卡號、手機號）、購票信息（航空公司、航班類型、艙位等級、座位情況、原票價、折扣、購買時間、票務代理機構等）、其他信息（到達機場時間、登機時間、起飛地點及時間、抵達地點及時間、離開機場時間、回程地點及時間等）

從時間維度看，有確定行程的時間、購票的時間、更改行程的時間、到達機場時間、登機時間、起飛時間、抵達時間、離開機場的時間、回程時間等等，有相當多的時間點可以捕捉。

從旅客維度看，即這個旅客是什么樣的人。性別、年齡、對價格敏感程度、是否是白金卡會員、是否經常來回某一個地區的，這些所有的所有都是可以考量的旅客標簽。

如何從這些標簽提取到需要的字段形成不同的用戶畫像或分析用戶背后的特性？以下做些簡單分析參考，不一定準確。

單個指標分析：

頭等艙的多數有錢人；折扣票據的多是普通階層且提前有計劃的，或出游的或定時出差的；當天往返或隔天往返的基本都是商務出行；節假日往返的多是旅游或探親；

多指標分析：

年齡+價格：低年齡+折扣票據屬于正常資質用戶層；低年齡+正常票價或頭等艙的不是富二代就是創業老板；中年+折扣票據的或是旅游客群或是普通階層；中年+正常票據屬正常階層；中年+頭等艙偏老板階層（公務艙結合分析類似）。

往返地+身份證歸屬地：目的地與身份證歸屬地一致的，一般是回家探親的；出發地與身份證歸屬地一致的，一般是常駐城市（可結合出發地次數增強判斷）。

出行頻率+目的地：出行頻率高的，目的地基本一樣的，基本是商務出行，且屬于高端商務了，業務穩定的；出行頻率高，但目的地經常變換的，大部分是開拓市場的或者是經常出游的。

另外，出行黑名單例如航旅失信人員及也屬于中航信體系內記錄，可用來判斷用戶失信行為，能出現在出行失信名單的用戶，證明在出行過程中有出現嚴重的不良行為，那保不準其在真實貸款后，會有不還款或者在催收環節惡意辱罵催收人員的行為。只不過這部分人群數量過少，出行黑名單是從2018年下旬才逐漸按月公布，每期公布名單一般幾百到上千個失信人度等，當信貸公司每天幾萬幾十萬的調用過程，只為查詢這個幾千個航旅失信名單，實際應用價值不大，也會增加中間的查詢耗時，影響用戶體驗。

航旅數據能創造多少收入規模

收入規模=該場景所有機構的調用次數*查得率*每次調用費用。

該場景所有機構的調用次數，在下文分主要預估金融信貸風控場景及金融理財營銷場景的調用次數。

而查得率主要與航旅數據覆蓋用戶數量有關，所有筆者先預估航旅數據大概覆蓋的用戶數量。

從2019年全國民航工作會議上獲悉，2018年我國民航旅客運輸量繼續保持兩位數的增速，乘坐中國民航航班出行的旅客人數達6.1億人次。

6億人次代表國內有多少人坐過飛機呢？

筆者覺得保守估計應該是少于2億人的。坐過飛機的應該都知道，飛機出行基本都是往返算一次，這樣就產生了2次的飛行記錄，然后還有一些換成記錄，或者經常出差的多次往返的。其中還有一部分是外籍人士記錄。所以按單個人每年坐飛機的次數來算，起碼有個3-4次乘機記錄。2018年為止，有飛行記錄的乘客數量應該少于2億人，可能也就1億人左右，但這里筆者暫按2億人計算。

但在此我們就假設國內有2億人在2018年有航旅數據記錄。也就是2018年的航旅數據中的活躍人群，這部分人的航旅數據的新鮮度才能夠應用于金融風控或營銷分層。

【2018年國家鐵路完成33.17億人次，其中動車組20.05億人，占旅客總人數的近60%。假設每個人在2018年的乘坐次數為4次，則有5億人坐過動車，根據現在的動車路線布局，5億人其實不太合理，筆者覺得2-3億坐過動車其實更合適，非動車級別鐵路人數應該在8億人左右】

但如果要預估航旅數據潛在的市場規模，我們就要評估，這2億人中有多少人是有借貸需求，這部分人會在借貸公司進行借貸申請，這個過程假設借貸公司是1:1查詢航旅數據且能查得數據的，才會為航旅數據產品接口產生收益。

【航旅數據接口收費模式無特殊情況，基本是按查得收費】

同時現在國內高端航空市場占比90%，低端航空市場10%不到，理論上2億中有1.8億的高凈值客戶，當然這只是理論上。高端航空代表的是票價高，低端航空其實也不算便宜，航空出行是所有出行工具中算是最貴的。能夠經常乘坐航空出行工具的乘客，這樣的資質，假設有貸款需求也只能是大額的貸款（1萬+），這樣的貸款產品一般只存在于銀行或消費金融機構或小貸公司的大額產品，因為這些持牌機構的利率也相對低點，高凈值客戶群對成本是很敏感的。

【所以正常情況航旅數據產品，在銀行等持牌機構相對更容易接入變現，P2P或現金貸等高利率產品，使用這個產品其實意義不大，除了小部分資質不行的航旅客群】

那2億航旅客戶，有多少有借貸需求？這里其實有個悖論，信貸機構希望過來借款的都是高凈值客戶，因為借貸能力和還款能力肯定不錯，但高凈值客戶，不缺錢，貸款意愿就相對較弱。因此真實的高凈值客群去借貸的其實還是很少的。

之前筆者在運營商數據篇預估過民間借貸2018年活躍借貸用戶數量應該有1200萬左右，假設民間借貸中有20%是有航旅記錄的，則有240萬航旅用戶在2018年有過民間借貸行為。240萬占2億中的1%不到，應該算合理？如果合理的話，則這240萬用戶符合民間借貸的客群行為，假設這240萬借貸用戶資質都良好且剛好為其提供貸款的機構都有使用航旅數據做用戶資質評估，且每個用戶都有過2次借貸行為，則這里可以為航旅數據公司創造240W*2*1元=480W的收入

【1元是借貸機構每調一次航旅數據且查得產生的費用，480萬是不是少了點】

好了，這里暫不用這么悲觀，航旅數據市場空間還是很大的，因為上文已經說了，航旅這些高凈值客群假設有信貸需求，也起碼是高額信貸產品的需求。因此大部分有借貸需求的客戶，大多會在銀行、消金及小貸等公司中出現。

這里需要拿央行個人征信報告2018年年度查詢量17.6億次來說事了，為啥？持牌機構的信貸產品都需要上報央行的，這個應該就知道17.6億有什么用了吧？

之前在運營商數據分析中是假設通過資質的用戶才需要做資質分層，假設只有10%的人征信是符合要求，則有1.76億次查詢量，這1.76億中有20%是航旅用戶的調用查詢次數，則有3520萬次是調用了航旅用戶數據的，則可以為航旅數據公司創造3520W*1元=3520萬收入。

【3520萬指代表次數不代表人數，表示航旅用戶有在各個機構申請貸款時查詢航旅數據時產生了3520萬調用】

以上推測來看，單純的航旅數據在風控上的使用一年大概可以帶來4000W收入規模。

【這個預估規模，筆者對了下業內的頭部公司的年報，其在2019年的信息報告及評分服務收入4,847.39萬元，當然這個報告及評分服務以航旅數據為主但也摻入了其他維度字段，所以單純的航旅數據接口的收入肯定無4800萬的。因此筆者對航旅數據接口的預估還是比較接近的，只不過那些非頭部代理的公司一般也會接入這個數據，主要是為了豐富數據產品接口，無法靠這個數據去賺錢。PS：航旅數據單筆的調用價格成本原則上來說是比1元稍低點的?！?/p>

單純在風控環節，航旅數據能給一家機構帶來的最高收入規?？雌饋磉€是挺有限的，在金融領域還有無其他應用價值？

答案是：有的！

須知高凈值人群，該群體收入高（或家庭收入高），社會地位高，具備很強的消費能力，更多的還是投資需求。圍繞高凈值用戶做理財產品推廣，應該是個潛在方向。機構才有航旅數據產品接口，針對存量或新增用戶進行航旅軌跡匹配，針對有航旅記錄的客戶再進一步做等級分類，將客群分為航旅類及非航旅類，航旅類又可以分高端及普通，針對高端的用戶推廣高端理財產品，針對普通用戶推廣活期或低風險的理財產品。

假設50%的航旅用戶在不同的金融機構有獲得過服務，則至少50% 的航旅用戶可以在金融機構做用戶資質分層過程中查詢航旅數據時被命中。既營銷過程可以為數據公司至少創造1億*1元=1億元收入。

【1元在理財營銷成本中占比很少，需要正常一個成交的客戶成本都在幾百元，高凈值用戶做理財營銷的成功率比非高凈值客戶高，這1元該花還是要花的，數據產品的市場就存在于這些金融機構可以承擔并愿意付出的有效營銷成本中】

最后

筆者發現只要用戶量級達億級以上，且與金融行業客群匹配度較高的，不管是什么數據都有可以做成數據產品的可行性。航旅及鐵路出行數據的例子就非常有參考價值的，他們原則上統一掌握在政府背景的機構手上，如何數據出庫，如何找到合適的變現方式，數據如何合規處理，如何進行數據產品的規劃及需求場景的切入，數據效果的如何得到保障，這整個流程決定了數據的變現能力的強弱。

就像位置數據，除了運營商體系的實時數據及各種有GPS強授權或后臺悄悄打點的APP外，區域間的移動記錄就存在統一管理出行工具數據這些機構手中了，中航信及12306就是2個特殊的例子。除了航旅及鐵路，巴士出行及私家車這些記錄，無統一的管理導致無法有效輸出，暫無成熟的數據產品可以輸出。

【電商類記錄的位置信息相對來說多是同一個片區的多，跨省市的還是較少，也無法判斷用戶出行方向】

（位置數據矩陣）

筆者這次僅從數據輸出方面分析，對于數據擁有方體系內的生態合作，例如如何通過與金融機構合作，打造體系內用戶資質分層，理財產品、信用卡產品、消費分期及電商合作等變現方式；場景鏈條的前后延展，為客戶提供登機前后叫車及訂酒店服務，空中后續會單獨找個機構案例進行挖掘分析。

#專欄作家#

大數據獵人，微信公眾號：大數據獵人，人人都是產品經理專欄作家。多年金融科技行業相關戰略研究、行業分析、商業模式及產品體系研究經驗，擅長政府數據+企業數據+公開數據多源數據融合流通交易及應用

本文原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自 Unsplash，基于 CC0 協議