PINTEC品鈦研究院：掰開揉碎了聊聊“智能消費金融”系列——模型篇

近幾年，隨著家庭收入增長，電子商務(wù)在中國迅猛發(fā)展，個人數(shù)據(jù)量激增，使得基于互聯(lián)網(wǎng)的金融服務(wù)開始快速發(fā)展，形成了一個巨大的市場。與此同時，接受金融服務(wù)的群體迅速擴大，服務(wù)的場景和用戶習(xí)慣也發(fā)生了巨大變化。

傳統(tǒng)金融機構(gòu)想進入整個大消費金融市場，它得變得“智能”一些。過去兩年，一些銀行已開始慢慢與金融科技公司從精準獲客、產(chǎn)品設(shè)計、風(fēng)險控制、聯(lián)合建模等方面開始了合作，合作方式逐步深入。

我們認為，“智能”在消費金融業(yè)務(wù)中的體現(xiàn)應(yīng)該是“端到端”的，是指依賴于大數(shù)據(jù)，人工智能等技術(shù)，實現(xiàn)從獲客、產(chǎn)品設(shè)計、風(fēng)控定價、放款到貸后管理等信貸全流程的智能化。

品鈦研究院(ID：PINTECAcademy)分專題就“智能消費金融”進行系列討論。此前已發(fā)布《掰開揉碎了聊聊“智能消費金融”系列——風(fēng)控篇》為系列開篇。

本文著重介紹智能消費金融體系中模型的角色：

· 預(yù)測模型如何貫穿智能消費金融各環(huán)節(jié);

· 模型背后強悍的底層系統(tǒng)是怎樣的;

· 模型設(shè)計如何與各業(yè)務(wù)線配合。

本文節(jié)選自品鈦研究院出品的《智能消費金融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”挖掘用戶價值

麥肯錫在2017年7月出版的《中國銀行業(yè)轉(zhuǎn)型與創(chuàng)新系列白皮書》報告中指出，傳統(tǒng)銀行本身數(shù)據(jù)基礎(chǔ)能力較弱，具體體現(xiàn)在不同部門的數(shù)據(jù)口徑、字段、細致程度都有差異。

傳統(tǒng)金融機構(gòu)里，不同產(chǎn)品的交易數(shù)據(jù)儲存分散、未打通，這導(dǎo)致用戶數(shù)據(jù)難匯總，大量有價值的客戶交易行為數(shù)據(jù)價值沒有得到有效利用，造成用戶數(shù)據(jù)與一線應(yīng)用脫節(jié)的情況。

2 數(shù)據(jù)、預(yù)測模型貫穿智能信貸決策各階段

傳統(tǒng)金融機構(gòu)的這些弱點，剛好是智能消費金融能補足的。

相較傳統(tǒng)金融機構(gòu)數(shù)據(jù)分散，口徑不統(tǒng)一，無法形成系統(tǒng)化決策問題，智能消費金融的預(yù)測模型貫穿了貸前(營銷，新客申請)、貸中(老客管理)、貸后(客戶服務(wù)，催收)各個階段。

營銷

營銷階段的預(yù)測模型主要解決兩類問題：1)客戶畫像是什么樣的;2)要為他們提供什么樣的產(chǎn)品。

智能消費金融每一個投放廣告決策都有數(shù)據(jù)支持：響應(yīng)模型用于預(yù)測怎樣的客戶最可能來申請貸款;估值模型用于判斷某類客戶能為機構(gòu)帶來多少價值，其中包含對客戶逾期、違約風(fēng)險的衡量，以及對于客戶對價格敏感程度的評估。

新客申請

新客申請階段，智能消費金融需要解決的問題是：判斷客戶是否有欺詐風(fēng)險，以及對于欺詐風(fēng)險較小的客戶，如何進行定額定價地為他們提供個性化服務(wù)。

欺詐風(fēng)險分為兩種：

一種是三方欺詐，即第三方冒用“申請者”的姓名或身份信息進行申請。目前，三方欺詐主要通過人臉識別等手段進行解決;

另一種更普遍的情況是一方欺詐，即確實是本人申請，但申請者在申請時沒有還款意愿，其防范主要是靠模型來判斷。

在判定了客戶欺詐風(fēng)險可控的情況下，需要用模型確定適合客戶的費率和額度，這里會用到定價模型和估值模型。我們會為金融機構(gòu)客戶計算，如果該機構(gòu)以某一費率向客戶提供消費金融服務(wù)，那在估值模型結(jié)果下，這位客戶為能為機構(gòu)帶來多少價值。

如果做得更精細，還可以評估用戶的提前還款意愿。在一些長期信貸業(yè)務(wù)中，提前還款是一個值得關(guān)注的風(fēng)險。因為從金融機構(gòu)角度，獲取一個客戶的前期投入是較大的，如果客戶為了避免長時間支付利息而選擇提前還款，這個風(fēng)險是需要金融機構(gòu)承擔(dān)的。

老客管理

老客管理階段，需要用模型對用戶貸中行為進行分析。我們在做行為評分(B卡評分)的時候，會用行為模型定期給客戶“打分”，判斷應(yīng)該給什么樣的用戶提額，降額，降費率，或者發(fā)優(yōu)惠券等。

客服

預(yù)測模型在客服中的應(yīng)用，包括：1)識別什么樣的客戶最容易交叉營銷;2)面對可能的客戶流失情況，要用什么樣的方法挽留客戶。

識別適合交叉營銷的客戶，需要通過轉(zhuǎn)化率模型進行預(yù)測。

在挽留可能流失客戶時，如果使用模型得當可起到節(jié)約客服成本的作用。舉一個例子，有的機構(gòu)可能會遇到客戶在申請消費貸款時，流程未走完就放棄申請的情況。

如果沒有模型支持，客服需要全量跟進這些客戶，但如果模型能做得精細一些，我們可以根據(jù)用戶的行為判斷，哪一些客戶在客服跟進的情況下更有可能完成申請，這是模型在節(jié)約客服資源方面的一個小小應(yīng)用。

貸后

貸后催收階段的模型會預(yù)測客戶的還款情況，并制定相應(yīng)的催收戰(zhàn)略。

這里需要通過響應(yīng)模型對客戶收到催收提示后的可能性進行判斷，此外估值模型也需考慮各種催收方式(短信、電話、VIR等)的成本，幫助催收業(yè)務(wù)團隊尋找性價比最高的催收策略。

從上述的分析可以看到，智能信貸的整個周期——從營銷、貸前、貸中、貸后——每一個環(huán)節(jié)都會有預(yù)測模型的參與，這個需要做得非常細致。

3 模型要run起來，少不了強大的技術(shù)后臺支撐

算法做得精致，是預(yù)測模型能很好地服務(wù)智能消費金融的重要前提之一，另一個不可少的部分是底層的強大技術(shù)后臺。

做模型高度依賴于底層數(shù)據(jù)和底層架構(gòu)的支持，因為智能消費金融的預(yù)測模型是通過數(shù)據(jù)分析來驅(qū)動決策的，而互聯(lián)網(wǎng)消費金融背景下的決策往往需要在幾秒內(nèi)作出，當系統(tǒng)處理幾十個數(shù)據(jù)源后，如何能秒級地把這些數(shù)量計算出來，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，到最后計算，這些對系統(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)通過一個叫做數(shù)據(jù)服務(wù)總線 (Data Service Bus，DSB)的模塊接入讀秒，DSB主要負責(zé)與外部數(shù)據(jù)機構(gòu)交互，保證接口的穩(wěn)定實時有效。

DSB的另一重要功能，是把外部接進來的數(shù)據(jù)轉(zhuǎn)換為數(shù)據(jù)科學(xué)家想要的變量。因為模型不會讀未經(jīng)加工處理的原數(shù)據(jù)，DSB會從底層原始數(shù)據(jù)加工產(chǎn)出一些模型能處理的變量。

DSB的數(shù)據(jù)會同步傳給讀秒引擎內(nèi)的兩個重要的模塊，商業(yè)決策引擎和“秒算”，前者涵蓋了包括定價，費率，風(fēng)控策略等規(guī)則，后者涵蓋了所有的模型算法。

客戶申請相關(guān)的流程數(shù)據(jù)進系統(tǒng)后，數(shù)秒之內(nèi)系統(tǒng)內(nèi)大致會發(fā)生這些事：數(shù)據(jù)服務(wù)總線DSB會給商業(yè)決策引擎和“秒算”系統(tǒng)去推計算出來的數(shù)據(jù)，這其中包含幾千個變量。

商業(yè)決策引擎首先判斷，若申請者不符合一些基本的硬性要求(如年齡過小)，前置的規(guī)則會直接拒絕用戶的申請，此時就不需要“秒算”系統(tǒng)再給他打分了，因為打分也會要消耗一些數(shù)據(jù)成本。

對于需要打分的用戶群體，商業(yè)決策引擎會推到“妙算”打分系統(tǒng)(“給我打個分”)調(diào)起秒算系統(tǒng)，秒算得到指令后會基于DBS傳來的實時數(shù)據(jù)去打分。

“秒算”系統(tǒng)是品鈦自主研發(fā)的，其中包含了很多模型和算法。我們在評估用什么算法時，會綜合考慮什么樣的算法能提供一個最穩(wěn)定，最有效的模型分。往往會結(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)里面都會交叉起來用。

有打分結(jié)果后，這個分數(shù)會從秒算系統(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的消費信貸申請，并將客戶的風(fēng)險等級，費率、期限等信息同步給業(yè)務(wù)端，業(yè)務(wù)端再展示給客戶，系統(tǒng)內(nèi)大致是這樣的一個交互 。

4 預(yù)測模型如何與風(fēng)控、業(yè)務(wù)線“搭配”干活

模型系統(tǒng)“秒算”需要和商業(yè)決策引擎“配合”，是因為，本質(zhì)上，模型輸出的是“度量衡”，其核心是對人的篩選和排序。

比如，當建模型的時候，定義300分的用戶對應(yīng)的風(fēng)險(壞賬率)是5%，之后風(fēng)控部門會根據(jù)這個打分定風(fēng)控策略。假設(shè)風(fēng)控部想把壞賬率控制在5%，那他們可能就會把策略卡在300分左右，因為這個模型300分對應(yīng)的壞賬率就是5%。

如果最終實踐中發(fā)現(xiàn)，300分客群的風(fēng)險不是5%，變成了15%的，那就說明這把尺子不準。當然這是一個極其簡化的例子，真實情況比這個復(fù)雜很多。

總之，模型輸出的就是度量衡。如果是風(fēng)險模型，那這個模型就需要從風(fēng)險的角度把用戶群體進行較好的區(qū)分;如果是營銷階段的響應(yīng)模型的話，那就要從響應(yīng)率的角度把客戶進行較好的區(qū)分，以此類推。

5 總結(jié)

我們可以看到，已經(jīng)有不少銀行開始尋求數(shù)字化轉(zhuǎn)型出路。

2018年6月11日，浦發(fā)銀行宣布與騰訊開展戰(zhàn)略合作。2018年5月以來，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瞬息萬變的市場中，能繼續(xù)穩(wěn)健發(fā)展。

傳統(tǒng)金融機構(gòu)有多年積累的品牌，用戶基數(shù)，用戶信任，與合作伙伴的關(guān)系網(wǎng)絡(luò)等優(yōu)勢，目前暫時有所欠缺的，可能還是數(shù)據(jù)整合、數(shù)據(jù)處理以及基于預(yù)測模型輔助決策的能力或意識。

所以……品鈦智能消費金融解決方案了解一下 : )

注：本文圖片和文字節(jié)選于《智能消費金融101》課程，課程將于近期上線。該課程旨在幫助對互聯(lián)網(wǎng)時代背景下，消費金融感興趣的伙伴系統(tǒng)地構(gòu)建對智能消費金融的基本認識。

“101”的表述沿用了美國大學(xué)課程設(shè)置的習(xí)慣，美國大學(xué)課程名稱若為101結(jié)尾，多表示該課程是某門學(xué)科的基礎(chǔ)、原理、導(dǎo)論課程。

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(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確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。