bd

顶部通栏

中国银行业金融科技师线上培训(CFT初级):信用卡与消费贷营销和风控背后的数字大脑

top

4月初,由中国银行业协会、建行大学、香港科技大学、深圳大学联合推出的“中国银行业金融科技师线上培训(CFT初级)在线举办了开班仪式。未来一个月,学员将在线学习与考核,课程涉及零售、…

4月初,由中国银行业协会、建行大学、香港科技大学、深圳大学联合推出的“中国银行业金融科技师线上培训(CFT初级)在线举办了开班仪式。未来一个月,学员将在线学习与考核,课程涉及零售、对公、运营、风控和科技等各业务条线,内容围绕金融科技助力银行业数字转型、金融科技赋能远程银行、数字化银行运营、RPA重塑银行业中后台运营、人工智能赋能财富管理、数字化转型助力“小微客群”经营等课题展开。

近日,在第三期课程中,百融云创创始人、董事长、CEO张韶峰,金融科技部总经理申宇峰受邀主讲,以“信用卡与消费贷营销和风控背后的数字大脑”为主题,深度解读了人工智能、大数据等金融科技在消费信贷领域的应用,并讲解了这些应用背后所需要的系统和平台支持。课程内容直击银行消费信贷痛点,2个多小时的分享,干货满满。我们特别对本次内容进行重点摘要,供大家学习和参考。

作为头部金融科技应用平台,百融云创依托人工智能、大数据、云计算等技术为金融机构提供全生命周期产品和服务,与数千家金融机构达成合作,成为金融转型发展的强大引擎。在零售信贷转型的过程中,百融云创凭借自身丰富的产品线、本地化服务、更贴近应用场景等诸多优势,为金融机构提供贯穿客户全生命周期的风控产品和服务,实现从贷前流量筛选、贷中动态监测机制、贷后分层筛选催收,能够在风控全流程有效地帮助金融机构控制风险、降低不良率。

1.信用卡和消费信贷市场观察

从信贷市场全体借款人的分类来看,被人行征信体系所覆盖的借贷用户有4亿左右,他们是传统金融机构的主流客户群体,这部分人群中根据偏好及信用又进一步分层。偿债压力客群主要指在非银机构有较高共债,偿债压力较大,人数接近1亿。还有4千万的高风险借贷客群,这部分客群的个人财务状况极差,绝大部分无法满足传统金融机构的风控要求。

在信贷市场上,这三类人构成了整个信贷市场的人群画像。由于产品结构和风险错配,当下金融机构对这三类信贷人群没有办法完全有效覆盖。而与中国现存的人口数量相比,在这样的人群之外还有不少可以提升的金融业务空间。

由于疫情影响,从2019年与2020年春节前后三周的银行客群与非银客群的调用量对比来看,2020年春节前后,银行客群调用量受到疫情的冲击明显大于非银客群,同时节后恢复速度明显变慢。非银客群调用受到疫情的冲击较小,下探幅度与恢复速度都与去年同期相仿。而从银行信用卡客群在19年之间的迁徙可以看到,信用卡客群在慢慢流失到其他类型的信贷产品中去,因此疫情对于金融机构业务线上化、数字化具有催化作用。

银行在资金成本、存量客户资源、风控经验、系统建设方面具有先天的优势,但准入门槛相对较高,消费信贷产品对于覆盖长尾端小额信贷需求仍存在差距。另外,对于缺乏自建场景的银行,需要与合作方进行绑定,利用互联网金融机构进行导流。在应对丰富的线上化带来巨大流量的过程中,信贷流程设计也面临难题,包括转化率和产品结构的矛盾,以及通过率和坏账率的矛盾。

如何解决信用卡和消费信贷业务的痛点,就需要数据驱动的营销与风控。

2.智慧营销

随着互联网飞速发展,线上化获客渠道日益多元,比如借助搜索引擎、dsp平台、主流媒体、信息流广告、同业和异业的导流,以及像IOS和安卓的应用市场、微信、微博、知乎的社交软件,都会带来一些新的信贷场景下的流量。

为了配合线上化获客的巨大流量,可以基于KYC的精准营销尽可能深入精准地了解客户,以进行信贷授信。利用大数据和机器学习技术,一方面挖掘并持续跟进对于某类金融产品有较高意向并且有足够收入、资产支持还款同时信用风险较低的高价值客户,另一方面,根据客户行为大数据,构建画像标签,建立模型评估客户偏好(有监督或无监督)并据此对客户进行分群,最终增加转化率,实现精准匹配客户的需求。比如根据客户意向推送信贷产品的营销条线,或者根据消费偏好进行一个商城方的反向导流,这就完成了对普通信贷客户的挖掘,分层和分群在其中扮演了客户分流的作用。

在传统的信贷场景下,搜集客户收入、学历、资产的基本信息,并不足以帮助刻画客户,而大数据通过用户在互联网上形成的一些行为痕迹,可以更清晰的认识客户究竟是在哪些场景之下具备哪些特质。这些标签和模型会在传统的基础信息之上,帮助了解客户,包括判定客户是否是高价值客户,是否是准备流失掉的客户,产品偏好,风险水平是高是低等。

在客群识别之后,对于不同客群进行前置风控的筛选,在风险比较可控的人群中,利用机器学习算法和大数据评估他们的营销响应程度,也就是说把其中容易响应营销活动的人群筛选出来,观察他们对于不同类型风险产品的偏好,最终根据他们的偏好推荐不同类型的产品,这样能够更好地匹配他们的需求,从而提升营销成功率。

这样的筛查行为最需要的环节其实是线上化、自动化、高效化的处理。我们通常通过应用大数据模型,减少了人工审批环节,审批效率提高,且审批成本下降。线上化的机器学习评分会吸纳更多维度的数据变量进来,同时在相对比较稳定的样本上进行了开发,所以它对人群风险的识别在某种程度上会好于传统的信审过程。百融云创评分对一个进店客群划分为低、中、高三个分段,不同分段的人群对应不同的一个审批策略,这会大大提升整个审批过程的效率,且保证了审计效果。

关于如何去触达客户,除了传统的电话、短信、微信等方式,现在越来越多的金融机构会采取智能语音、机器人,广义上来讲就是将NLP技术、语音识别技术、机器学习、推荐引擎,以及海量维度的用户画像,集成在AI+大数据平台之上,对客户需求和外呼策略进行统一整合,相对于传统的人工、营销、电核、催收场景,机器人营销会带来更高的效率以及更低的成本。

3.智能风控

获客、反欺诈、贷前信用评估、贷中监控运营、贷后催收策略,在信贷周期的每个环节上,都可以利用大数据和人工智能做一些工作。

在信贷流程中设计中有5个节点,首先在获客端对风控进行一些简单的介入,包括前置风控和导流渠道的管理,获客之后需要对客户进行反欺诈的识别,剩下的客户根据信用等级进行排序,让信用资质好的人进入到下一步的放款环节,并制定相应的额度策略和利率策略。

获客

对于获客渠道评估,是通过大数据的标签或者数据维度来判定的,比如近期购买能力预测越高说明客户资质越好,在风险可控的前提下,可给予优质客户更高额度;综合信用评分越高,信用风险越低,客群质量越好;也可以通过导流渠道中近期申请次数超过8次的高风险客户占比来判断,这个指标越高,客群质量越差。

反欺诈

反欺诈的最终目标是在信审之前,把进店人群中最黑的一部分人筛选出来过滤掉,以免给投放资金带来更多风险。反欺诈的第一个环节是设备反欺诈。

百融云创从环境风险、应用偏好、行为画像、群体风险、设备实名关联以及设备特殊名单这6个维度,来刻画用户在注册、登录、借款、提现、营销、还款等不同金融场景上的风险表现和特征。目前来讲百融云创已经在将近100多家银行机构部署这样的服务和应用。

在通过设备识别高风险环节之后就进入到贷前风控的单体反欺诈,包括判定核实身份真伪、排查不良历史信息和可疑行为、避免团伙欺诈。核实身份一般银行机构借助于身份证号、姓名和手机号这三要素验证,也有加上银行卡号这样的四要素验证。排查不良历史信息是通过申请人过往的信贷记录之中是否是有一些不好的记录,另外也要看在司法信息上面是否有一些过往的一些案底,比如通过特殊名单来反映出客群是否有不良历史记录,或者也可以通过偿债压力指数、高风险借贷客群特征来分辨。对于申请客户可疑行为的判定来自借贷意向验证的数据,基于个人在各类金融机构的申请情况,按时间(近7天/15天/1个月/3个月/6个月/12个月)、按机构、按业务分析,为判别个人的共债情况提供依据,通常在短时间内一个人在信贷市场上借贷的机构数越多,风险就会越大,当次数多到一定程度的时候,就是可疑行为,容易带来违约风险。

为了避免团体欺诈,百融云创开发了基于关系图谱的反欺诈规则。通过主体确认、关系建立来建立逻辑推理,并通过图谱检索,利用社团发现算法识别出存在承传关系的人群,当这个群体中成员的平均欺诈意图高于阈值的时候,就会认定很有可能是欺诈团伙。从银行客群进件团伙欺诈命中等级按月变化情况来看,1月22日及以后团伙欺诈风险有显著上升;在1月22日后高风险人群占比也明显高于其他时间段。

贷前信用评估

对个人征信报告进行解析之后,我们利用基础和衍生出的人行征信变量制定一些相应的规则和策略,通过机器学习或者传统的统计手段来进行风控上的人群风险的判定和筛查。百融云创的评分服务主要是包括两大类,一种是标准化或者通用的评分,往往适用于刚刚开始展业的业务条线或是银行等金融机构,有风险表现的样本积累较少,同时业务阶段可能还不是非常稳定又需要进行风控。另一种是当金融机构自身业务开展到一定阶段、积累了比较丰厚的样本以后,我们可以基于这样的业务客群样本来构建独有的客制化的评分模型,对银行自身的业务非常贴合,评分模型也更准确,另外在这样联合建模的过程中,我们也可以吸纳更多类型的数据进来,本身评分的可扩展性也会更高。

百融云创采取的数据挖掘建模方法论叫做SEMMAD,首先对目标客群进行定义并准备充足的样本数据,然后对数据探索与预处理(变量衍生,均值,渗透率分析,缺失值填补等),进行特征选择,即变换变量并选取重要的具有预测性的变量,基于历史数据通过不同的建模算法建立预测模型,如Logistic回归、Xgboost、人工神经网络甚至自编码聚类等,在验证模型的质量和稳健性之后,如果坏账率和通过率在某一个分数段上能够满足风控需求的时候,就可以将模型部署并应用于潜在目标客户。不同的模型算法会带来不同的模型效果。

贷中监控

贷中其实是不光有风控的环节,也会涉及到营销,更偏向于精细化运营。在风控、风险的监控预警、带动存量客户方面,类似于贷前,也可以用规则和评分来有效的识别存量客户中的风险高低。对于中高风险的客户,可以对他目前的号码状态进行一些核查,并进行短信提醒或者客户关怀来引导还款。如果失联,就要及早去进行一些风险缓释、风险预警措施;对于低风险人群,可以转入比较低频的监控。

另外对于存量客户,我们还会有价值挖掘的需求,比如风险比较低的客户往往可以成为下一步继续进行交叉营销和二次营销的客群的候选。那对于这些客群,在进行一些客户价值分层和偏好分群之后,就可以转入二次营销流程,就类似于精准营销的过程。除此之外,还会对一些即将流失的客户进行预警活动,包括对其是否在其他信贷机构有借贷意向进行识别,激活睡眠客户等。

贷后管理

贷后管理是基于大数据和人工智能,来帮助贷后客户构建客户画像和标签,通过我们的催收评分来判定违约客户概率,从而能够帮助我们进行有效的催收人工分配和制定有效的外呼策略。那在进行实际外呼的时候,也可以充分的使用智能语音、机器人这样的技术,来实现自动化催收。

4.数字大脑之肌肉骨骼

“3+1”平台生成的数据与管理闭环为数字大脑提供支撑。金融科技的基础框架底层是海量的数据维度,中间需要有数据加工处理平台,在此之上是风控、营销平台来支援业务,最上层是通过规则和模型构建的应用层。有了这样的金融科技的技术框架,再配合业务主题的技术中台,把自动模型、训练平台、自动模型、管理平台以及决策引擎平台这三个平台合并串联起来,我们就能够有效的实现数据生态闭环以及模型全生命周期管理。

在形成闭环之后,数字化运营的信息流从源头数据开始,引导出两条线,一条走静态的数据仓库,另一方面与实时仓库进行串联,把原始数据推送到特征池中进行加工处理,然后回到模型训练平台、部署平台以及决策引擎之中,最终服务于业务。数字化转型的内涵是数据整合与治理、支持业务的特征库、高效的模型训练与部署平台、组织与技术的中台化(策略统一集中管理并对业务快速响应)。

为您推荐

广告

发表评论

电子邮件地址不会被公开。 必填项已用*标注

关注微信
微信扫一扫关注我们

微信扫一扫关注我们

返回顶部