近幾年,隨著家庭收入增長(zhǎng),電子商務(wù)在中國(guó)迅猛發(fā)展,個(gè)人數(shù)據(jù)量激增,使得基于互聯(lián)網(wǎng)的金融服務(wù)開(kāi)始快速發(fā)展,形成了一個(gè)巨大的市場(chǎng)。與此同時(shí),接受金融服務(wù)的群體迅速擴(kuò)大,服務(wù)的場(chǎng)景和用戶(hù)習(xí)慣也發(fā)生了巨大變化。
傳統(tǒng)金融機(jī)構(gòu)想進(jìn)入整個(gè)大消費(fèi)金融市場(chǎng),它得變得“智能”一些。過(guò)去兩年,一些銀行已開(kāi)始慢慢與金融科技公司從精準(zhǔn)獲客、產(chǎn)品設(shè)計(jì)、風(fēng)險(xiǎn)控制、聯(lián)合建模等方面開(kāi)始了合作,合作方式逐步深入。
我們認(rèn)為,“智能”在消費(fèi)金融業(yè)務(wù)中的體現(xiàn)應(yīng)該是“端到端”的,是指依賴(lài)于大數(shù)據(jù),人工智能等技術(shù),實(shí)現(xiàn)從獲客、產(chǎn)品設(shè)計(jì)、風(fēng)控定價(jià)、放款到貸后管理等信貸全流程的智能化。
品鈦研究院(ID:PINTECAcademy)分專(zhuān)題就“智能消費(fèi)金融”進(jìn)行系列討論。此前已發(fā)布《掰開(kāi)揉碎了聊聊“智能消費(fèi)金融”系列——風(fēng)控篇》為系列開(kāi)篇。
本文著重介紹智能消費(fèi)金融體系中模型的角色:
· 預(yù)測(cè)模型如何貫穿智能消費(fèi)金融各環(huán)節(jié);
· 模型背后強(qiáng)悍的底層系統(tǒng)是怎樣的;
· 模型設(shè)計(jì)如何與各業(yè)務(wù)線(xiàn)配合。
本文節(jié)選自品鈦研究院出品的《智能消費(fèi)金融101》課程內(nèi)容。
1 數(shù)據(jù)基礎(chǔ)薄弱,傳統(tǒng)銀行難“系統(tǒng)性”挖掘用戶(hù)價(jià)值
麥肯錫在2017年7月出版的《中國(guó)銀行業(yè)轉(zhuǎn)型與創(chuàng)新系列白皮書(shū)》報(bào)告中指出,傳統(tǒng)銀行本身數(shù)據(jù)基礎(chǔ)能力較弱,具體體現(xiàn)在不同部門(mén)的數(shù)據(jù)口徑、字段、細(xì)致程度都有差異。
傳統(tǒng)金融機(jī)構(gòu)里,不同產(chǎn)品的交易數(shù)據(jù)儲(chǔ)存分散、未打通,這導(dǎo)致用戶(hù)數(shù)據(jù)難匯總,大量有價(jià)值的客戶(hù)交易行為數(shù)據(jù)價(jià)值沒(méi)有得到有效利用,造成用戶(hù)數(shù)據(jù)與一線(xiàn)應(yīng)用脫節(jié)的情況。
2 數(shù)據(jù)、預(yù)測(cè)模型貫穿智能信貸決策各階段
傳統(tǒng)金融機(jī)構(gòu)的這些弱點(diǎn),剛好是智能消費(fèi)金融能補(bǔ)足的。
相較傳統(tǒng)金融機(jī)構(gòu)數(shù)據(jù)分散,口徑不統(tǒng)一,無(wú)法形成系統(tǒng)化決策問(wèn)題,智能消費(fèi)金融的預(yù)測(cè)模型貫穿了貸前(營(yíng)銷(xiāo),新客申請(qǐng))、貸中(老客管理)、貸后(客戶(hù)服務(wù),催收)各個(gè)階段。
營(yíng)銷(xiāo)
營(yíng)銷(xiāo)階段的預(yù)測(cè)模型主要解決兩類(lèi)問(wèn)題:1)客戶(hù)畫(huà)像是什么樣的;2)要為他們提供什么樣的產(chǎn)品。
智能消費(fèi)金融每一個(gè)投放廣告決策都有數(shù)據(jù)支持:響應(yīng)模型用于預(yù)測(cè)怎樣的客戶(hù)最可能來(lái)申請(qǐng)貸款;估值模型用于判斷某類(lèi)客戶(hù)能為機(jī)構(gòu)帶來(lái)多少價(jià)值,其中包含對(duì)客戶(hù)逾期、違約風(fēng)險(xiǎn)的衡量,以及對(duì)于客戶(hù)對(duì)價(jià)格敏感程度的評(píng)估。
新客申請(qǐng)
新客申請(qǐng)階段,智能消費(fèi)金融需要解決的問(wèn)題是:判斷客戶(hù)是否有欺詐風(fēng)險(xiǎn),以及對(duì)于欺詐風(fēng)險(xiǎn)較小的客戶(hù),如何進(jìn)行定額定價(jià)地為他們提供個(gè)性化服務(wù)。
欺詐風(fēng)險(xiǎn)分為兩種:
一種是三方欺詐,即第三方冒用“申請(qǐng)者”的姓名或身份信息進(jìn)行申請(qǐng)。目前,三方欺詐主要通過(guò)人臉識(shí)別等手段進(jìn)行解決;
另一種更普遍的情況是一方欺詐,即確實(shí)是本人申請(qǐng),但申請(qǐng)者在申請(qǐng)時(shí)沒(méi)有還款意愿,其防范主要是靠模型來(lái)判斷。
在判定了客戶(hù)欺詐風(fēng)險(xiǎn)可控的情況下,需要用模型確定適合客戶(hù)的費(fèi)率和額度,這里會(huì)用到定價(jià)模型和估值模型。我們會(huì)為金融機(jī)構(gòu)客戶(hù)計(jì)算,如果該機(jī)構(gòu)以某一費(fèi)率向客戶(hù)提供消費(fèi)金融服務(wù),那在估值模型結(jié)果下,這位客戶(hù)為能為機(jī)構(gòu)帶來(lái)多少價(jià)值。
如果做得更精細(xì),還可以評(píng)估用戶(hù)的提前還款意愿。在一些長(zhǎng)期信貸業(yè)務(wù)中,提前還款是一個(gè)值得關(guān)注的風(fēng)險(xiǎn)。因?yàn)閺慕鹑跈C(jī)構(gòu)角度,獲取一個(gè)客戶(hù)的前期投入是較大的,如果客戶(hù)為了避免長(zhǎng)時(shí)間支付利息而選擇提前還款,這個(gè)風(fēng)險(xiǎn)是需要金融機(jī)構(gòu)承擔(dān)的。
老客管理
老客管理階段,需要用模型對(duì)用戶(hù)貸中行為進(jìn)行分析。我們?cè)谧鲂袨樵u(píng)分(B卡評(píng)分)的時(shí)候,會(huì)用行為模型定期給客戶(hù)“打分”,判斷應(yīng)該給什么樣的用戶(hù)提額,降額,降費(fèi)率,或者發(fā)優(yōu)惠券等。
客服
預(yù)測(cè)模型在客服中的應(yīng)用,包括:1)識(shí)別什么樣的客戶(hù)最容易交叉營(yíng)銷(xiāo);2)面對(duì)可能的客戶(hù)流失情況,要用什么樣的方法挽留客戶(hù)。
識(shí)別適合交叉營(yíng)銷(xiāo)的客戶(hù),需要通過(guò)轉(zhuǎn)化率模型進(jìn)行預(yù)測(cè)。
在挽留可能流失客戶(hù)時(shí),如果使用模型得當(dāng)可起到節(jié)約客服成本的作用。舉一個(gè)例子,有的機(jī)構(gòu)可能會(huì)遇到客戶(hù)在申請(qǐng)消費(fèi)貸款時(shí),流程未走完就放棄申請(qǐng)的情況。
如果沒(méi)有模型支持,客服需要全量跟進(jìn)這些客戶(hù),但如果模型能做得精細(xì)一些,我們可以根據(jù)用戶(hù)的行為判斷,哪一些客戶(hù)在客服跟進(jìn)的情況下更有可能完成申請(qǐng),這是模型在節(jié)約客服資源方面的一個(gè)小小應(yīng)用。
貸后
貸后催收階段的模型會(huì)預(yù)測(cè)客戶(hù)的還款情況,并制定相應(yīng)的催收戰(zhàn)略。
這里需要通過(guò)響應(yīng)模型對(duì)客戶(hù)收到催收提示后的可能性進(jìn)行判斷,此外估值模型也需考慮各種催收方式(短信、電話(huà)、VIR等)的成本,幫助催收業(yè)務(wù)團(tuán)隊(duì)尋找性?xún)r(jià)比最高的催收策略。
從上述的分析可以看到,智能信貸的整個(gè)周期——從營(yíng)銷(xiāo)、貸前、貸中、貸后——每一個(gè)環(huán)節(jié)都會(huì)有預(yù)測(cè)模型的參與,這個(gè)需要做得非常細(xì)致。
3 模型要run起來(lái),少不了強(qiáng)大的技術(shù)后臺(tái)支撐
算法做得精致,是預(yù)測(cè)模型能很好地服務(wù)智能消費(fèi)金融的重要前提之一,另一個(gè)不可少的部分是底層的強(qiáng)大技術(shù)后臺(tái)。
做模型高度依賴(lài)于底層數(shù)據(jù)和底層架構(gòu)的支持,因?yàn)橹悄芟M(fèi)金融的預(yù)測(cè)模型是通過(guò)數(shù)據(jù)分析來(lái)驅(qū)動(dòng)決策的,而互聯(lián)網(wǎng)消費(fèi)金融背景下的決策往往需要在幾秒內(nèi)作出,當(dāng)系統(tǒng)處理幾十個(gè)數(shù)據(jù)源后,如何能秒級(jí)地把這些數(shù)量計(jì)算出來(lái),需要依靠復(fù)雜的系統(tǒng)。從數(shù)據(jù)源的接入,到數(shù)據(jù)清洗,到最后計(jì)算,這些對(duì)系統(tǒng)的要求很高。
以品鈦的智能信貸決策引擎“讀秒”舉例,數(shù)據(jù)通過(guò)一個(gè)叫做數(shù)據(jù)服務(wù)總線(xiàn) (Data Service Bus,DSB)的模塊接入讀秒,DSB主要負(fù)責(zé)與外部數(shù)據(jù)機(jī)構(gòu)交互,保證接口的穩(wěn)定實(shí)時(shí)有效。
DSB的另一重要功能,是把外部接進(jìn)來(lái)的數(shù)據(jù)轉(zhuǎn)換為數(shù)據(jù)科學(xué)家想要的變量。因?yàn)槟P筒粫?huì)讀未經(jīng)加工處理的原數(shù)據(jù),DSB會(huì)從底層原始數(shù)據(jù)加工產(chǎn)出一些模型能處理的變量。
DSB的數(shù)據(jù)會(huì)同步傳給讀秒引擎內(nèi)的兩個(gè)重要的模塊,商業(yè)決策引擎和“秒算”,前者涵蓋了包括定價(jià),費(fèi)率,風(fēng)控策略等規(guī)則,后者涵蓋了所有的模型算法。
客戶(hù)申請(qǐng)相關(guān)的流程數(shù)據(jù)進(jìn)系統(tǒng)后,數(shù)秒之內(nèi)系統(tǒng)內(nèi)大致會(huì)發(fā)生這些事:數(shù)據(jù)服務(wù)總線(xiàn)DSB會(huì)給商業(yè)決策引擎和“秒算”系統(tǒng)去推計(jì)算出來(lái)的數(shù)據(jù),這其中包含幾千個(gè)變量。
商業(yè)決策引擎首先判斷,若申請(qǐng)者不符合一些基本的硬性要求(如年齡過(guò)小),前置的規(guī)則會(huì)直接拒絕用戶(hù)的申請(qǐng),此時(shí)就不需要“秒算”系統(tǒng)再給他打分了,因?yàn)榇蚍忠矔?huì)要消耗一些數(shù)據(jù)成本。
對(duì)于需要打分的用戶(hù)群體,商業(yè)決策引擎會(huì)推到“妙算”打分系統(tǒng)(“給我打個(gè)分”)調(diào)起秒算系統(tǒng),秒算得到指令后會(huì)基于DBS傳來(lái)的實(shí)時(shí)數(shù)據(jù)去打分。
“秒算”系統(tǒng)是品鈦?zhàn)灾餮邪l(fā)的,其中包含了很多模型和算法。我們?cè)谠u(píng)估用什么算法時(shí),會(huì)綜合考慮什么樣的算法能提供一個(gè)最穩(wěn)定,最有效的模型分。往往會(huì)結(jié)合傳統(tǒng)的邏輯回歸方法,以及一些“性感”的方法(如神經(jīng)網(wǎng)絡(luò))。這些算法在系統(tǒng)里面都會(huì)交叉起來(lái)用。
有打分結(jié)果后,這個(gè)分?jǐn)?shù)會(huì)從秒算系統(tǒng)推回給商業(yè)決策引擎,由商業(yè)決策引擎判斷是否拒絕客戶(hù)的消費(fèi)信貸申請(qǐng),并將客戶(hù)的風(fēng)險(xiǎn)等級(jí),費(fèi)率、期限等信息同步給業(yè)務(wù)端,業(yè)務(wù)端再展示給客戶(hù),系統(tǒng)內(nèi)大致是這樣的一個(gè)交互 。
4 預(yù)測(cè)模型如何與風(fēng)控、業(yè)務(wù)線(xiàn)“搭配”干活
模型系統(tǒng)“秒算”需要和商業(yè)決策引擎“配合”,是因?yàn)?,本質(zhì)上,模型輸出的是“度量衡”,其核心是對(duì)人的篩選和排序。
比如,當(dāng)建模型的時(shí)候,定義300分的用戶(hù)對(duì)應(yīng)的風(fēng)險(xiǎn)(壞賬率)是5%,之后風(fēng)控部門(mén)會(huì)根據(jù)這個(gè)打分定風(fēng)控策略。假設(shè)風(fēng)控部想把壞賬率控制在5%,那他們可能就會(huì)把策略卡在300分左右,因?yàn)檫@個(gè)模型300分對(duì)應(yīng)的壞賬率就是5%。
如果最終實(shí)踐中發(fā)現(xiàn),300分客群的風(fēng)險(xiǎn)不是5%,變成了15%的,那就說(shuō)明這把尺子不準(zhǔn)。當(dāng)然這是一個(gè)極其簡(jiǎn)化的例子,真實(shí)情況比這個(gè)復(fù)雜很多。
總之,模型輸出的就是度量衡。如果是風(fēng)險(xiǎn)模型,那這個(gè)模型就需要從風(fēng)險(xiǎn)的角度把用戶(hù)群體進(jìn)行較好的區(qū)分;如果是營(yíng)銷(xiāo)階段的響應(yīng)模型的話(huà),那就要從響應(yīng)率的角度把客戶(hù)進(jìn)行較好的區(qū)分,以此類(lèi)推。
5 總結(jié)
我們可以看到,已經(jīng)有不少銀行開(kāi)始尋求數(shù)字化轉(zhuǎn)型出路。
2018年6月11日,浦發(fā)銀行宣布與騰訊開(kāi)展戰(zhàn)略合作。2018年5月以來(lái),中信銀行,華夏銀行、光大銀行、浦發(fā)銀行四家銀行先后與螞蟻金服簽署合作協(xié)議。銀行希望借助金融科技的力量使其自身在這個(gè)瞬息萬(wàn)變的市場(chǎng)中,能繼續(xù)穩(wěn)健發(fā)展。
傳統(tǒng)金融機(jī)構(gòu)有多年積累的品牌,用戶(hù)基數(shù),用戶(hù)信任,與合作伙伴的關(guān)系網(wǎng)絡(luò)等優(yōu)勢(shì),目前暫時(shí)有所欠缺的,可能還是數(shù)據(jù)整合、數(shù)據(jù)處理以及基于預(yù)測(cè)模型輔助決策的能力或意識(shí)。
所以……品鈦智能消費(fèi)金融解決方案了解一下 : )
注:本文圖片和文字節(jié)選于《智能消費(fèi)金融101》課程,課程將于近期上線(xiàn)。該課程旨在幫助對(duì)互聯(lián)網(wǎng)時(shí)代背景下,消費(fèi)金融感興趣的伙伴系統(tǒng)地構(gòu)建對(duì)智能消費(fèi)金融的基本認(rèn)識(shí)。
“101”的表述沿用了美國(guó)大學(xué)課程設(shè)置的習(xí)慣,美國(guó)大學(xué)課程名稱(chēng)若為101結(jié)尾,多表示該課程是某門(mén)學(xué)科的基礎(chǔ)、原理、導(dǎo)論課程。
- 蜜度索驥:以跨模態(tài)檢索技術(shù)助力“企宣”向上生長(zhǎng)
- 為什么年輕人不愛(ài)換手機(jī)了
- 柔宇科技未履行金額近億元被曝已6個(gè)月發(fā)不出工資
- 柔宇科技被曝已6個(gè)月發(fā)不出工資 公司回應(yīng)欠薪有補(bǔ)償方案
- 第六座“綠動(dòng)未來(lái)”環(huán)保公益圖書(shū)館落地貴州山區(qū)小學(xué)
- 窺見(jiàn)“新紀(jì)元”,2021元宇宙產(chǎn)業(yè)發(fā)展高峰論壇“廣州啟幕”
- 以人為本,景悅科技解讀智慧城市發(fā)展新理念
- 紐迪瑞科技/NDT賦能黑鯊4 Pro游戲手機(jī)打造全新一代屏幕壓感
- 清潔家電新老玩家市場(chǎng)定位清晰,攜手共進(jìn),核心技術(shù)決定未來(lái)
- 新思科技與芯耀輝在IP產(chǎn)品領(lǐng)域達(dá)成戰(zhàn)略合作伙伴關(guān)系
- 芯耀輝加速全球化部署,任命原Intel高管出任全球總裁
免責(zé)聲明:本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性,但不保證有關(guān)資料的準(zhǔn)確性及可靠性,讀者在使用前請(qǐng)進(jìn)一步核實(shí),并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏,概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí),應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明,并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后,將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí),溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。