智能风控助力客户营销

祝世虎 光大银行智能风控中心副主任、主任科学家

一、 银行智能风控概述

      在银行看来，风险就是一种不确定性，传统风控是用传统的方法、经验去识别这种不确定性，而智能风控是依托大数据的方法刻画这种不确定性，智能风控不仅为传统风险管理提供了更加精确的数据化工具，还扩大了传统风险管理的内涵和外延，从单一的风险管控扩展到了风险、收益、客户三者的最优化管理。

（一）智能风控“三条军规”

      笔者根据自己的实践经验为智能风控制定了“三条军规”。第一，智能风控的“范围”必须是一个覆盖贷前、贷中、贷后全周期的风险管理，永远不要妄想只用一款准入模型就能管好一款贷款产品；第二，智能风控的“宗旨”就是找到机会和损失的黄金分割点。风险和收益相伴而生，不良是无法完全祛除的，没有收益才是银行最大的风险；第三，智能风控的“目标”是最终服务于银行战略。智能风控的“视角”需要上升到银行的战略层面，做到风险与客户兼顾、风险与收益兼顾、风险与客群为战略服务。所以，从银行战略角度，任何一笔贷款的发放都要综合考虑收益、风险、用户，从而符合银行风险战略需要。

（二）智能风控模型体系

      综上所述，可以得出智能风控模型的指标分别是监管指标、风控指标、利润指标、客户指标，再叠加上监管指标，这就是智能风控模型的“四个基本指标”。智能风控模型的“宗旨”就是找到四个指标的黄金分割点，或者在满足监管指标的基础之上，找到其他三个指标的黄金分割点。

      智能风控的模型体系包含：以标准化的模型体系为主，以个性化的模型体系为必要补充。标准化的模型的特点主要有三个：一是，标准化模型一定是对应银行的主标尺和风险偏好，是银行执行风险战略和统一风险偏好的主要抓手。二是，标准化模型由于已经对齐了银行主标尺，所以几乎不需要频繁更新。三是，标准化模型可以做到对任何一个新项目的复用。

      智能风控模型的标准化建设分为两个阶段。首先是规划设计标准化：智能风控模型作为银行战略实施的重要抓手，依托模型主标尺、风险偏好设置将银行的战略量化。其次是实施应用标准化：模型的可复用能力是评估模型标准化的核心因素，如果面对任何一个新项目，都需要对模型进行整改，就有悖于“降本、提效”的建模初衷。

二、 对客户的触达优先于客户白名单

      客户营销最忌讳的就是项目化。客户营销项目动辄推荐包含上百万客户的营销白名单交给银行业务人员，让其触达毫无用处。首先，白名单存在有效期，随着时间的推移，白名单所产生的效力将大打折扣；其次，无法形成数据闭环，做出白名单之后交给银行，银行的触达结果没有反馈，导致白名单的模型无法迭代优化。所以，我认为银行客户挖掘的瓶颈不在于出白名单，而在于客户触达能力的建设。

      银行的客户挖掘需要三个模型形成一个统一的整体：第一个模型是白名单模型，第二个模型是产品模型，第三个也是最重要的模型是渠道模型，或者说叫做触达模型，进而形成白名单客户画像（推荐客户）、产品画像（推荐钩子产品）、触达画像（推荐触达方式）。银行的短板在客户画像吗？不在。银行的海量数据能够足以刻画丰富精准的客户画像。银行的短板在产品化项目吗？也不是，银行的每款产品都有上百万客群购买，建个产品画像很容易。银行的短板在于触达能力，白名单做完了，但银行触达成功率过低，或者银行无法在白名单的有效期内触达到。所以我认为银行的触达能力是客户营销的重中之重。

三、 智能风控贷前、贷中、贷后模型

（一）贷前模型

      贷前模型，既是银行风险和客户的入口，又是银行利润的入口，核心是找到这三者之间的一个黄金分割点，包含两个维度，一个是风险维度，一个是客户维度。

      风险维度的贷前模型包含：一是，标准化的风控模型，比如反欺诈模型、申请评分模型、外部评分模型、定额定价模型；二是，准入策略；三是，场景化的回捞模型。准入策略的目的是为了方便敏捷化的修改模型参数；客户回捞模型是对标准化风控模型、准入策略模型的补充，也就是说前两个模型实际上是基于债项进行分析，但当有些债项不合格的时候，对应的客户其实是合格的，同时，有些客户是“偏科”的，总分不达标、平均分不达标，但对银行产生的收益特别大，客户回捞模型就是捞回这些看似“不合格”实则“合格”的客户；

      客户维度的贷前模型包括：客户价值模型、客户激活模型、客户触达模型、客户推断模型等。客户价值模型和合规推断模型是对客户现有价值、潜在价值、成长价值、收入等的推断评估，以形成更精准的客户画像；再接着是客户激活模型，也就是客户触达模型，如前文所说，目前银行在客户营销方面最薄弱的就是触达能力，所以对客户的触达从准入的时候就要开始做，准入做、贷中做、贷后做。

（二）贷中模型

      贷中模型的核心有二，一是挖掘客户价值，对客户进行精细化管理，提升收益水平。贷中之后，客户在银行有几个月的表现期数据，就使得对客户的刻画与营销不完全依赖于外部数据，基于新数据的客户价值挖掘将进一步提升收益水平；二是风险监测，及时发现、处置风险，降低不良，提升资产质量。是的，你没听错，我个人认为，互联网金融的贷中主要做客户挖掘而不是做客户风险监测。

      贷中模型体系包含首逾模型、早期评分模型、和晚期评分模型。首逾模型是贷前模型的第二道防线，通过向贷前模型进行反馈从而形成数据闭环；早期指的是还没有稳定的外部数据，严重依赖外部数据的阶段；晚期指的是客户已经行为稳定，客户的行内数据完善且可被充分利用的阶段。贷中预警机制是对坏客户的预警和对好客户的挖掘，即“既预黑又预白”。在模型算法上，坏客户的预警和好客户的挖掘也很相似。比如说一个客户三个月后出现了违约，则可以作为坏样本带入预警模型，而另一个客户三个月内九资突破了100万，则可以作为好样本，利用与预警模型同样的算法，带入挖掘模型，两个模型仅仅是样本不同，算法上实则是相似的。

（三）贷后模型

      策略、模型、工具、运营“四位一体”，实现贷后全方位风险管理。贷后模型体系包含提前干预模型、催回率模型、回收估值模型、自愈模型、失联模型。提前干预模型通过锁定即将逾期客户，进行还款日前的预提醒；催回率模型和回收估值模型分别针对的是早期逾期客户和晚期逾期客户；自愈模型是通过对逾期客户主动还款概率的预测，识别自愈客户，从而提升客户体验；接下来是失联模型，通过预测客户失联概率，提前加强客户联系，从而降低失联损失。

四、智能风控助力客户营销

      智能风控以提升触达能力为核心目标，从数据、模型、系统与流程、制度与渠道建设四个层面助力客户营销。在数据层面，打破各部门数据壁垒，进行数据标准化整合，尤其是客户行为数据的整合，从而刻画立体化客户画像与客户偏好画像；模型层面，整合客户、营销、产品特征库，构建覆盖高维特征的特征体系；系统与流程层面，将营销效果数据及时反馈进行回流分析，实现营销闭环，从而持续迭代、优化模型，最终对接全渠道，实现以数据驱动的自动化、智慧化的闭环触达模式；制度与渠道建设层面，完善修订营销制度，整合营销渠道，全方位提升客户营销能力。

      在实际业务中，我们在三家分行做了实验性的试点工作。在第一家分行，我们对白名单的可行性进行了检验，与传统的客户经理选客户进行营销的方式相比，我们的白名单客户数量是传统方式的30倍。我们在第二家分行实现闭环销售，即按照白名单的客户范围，打每个电话，发每个短信，都要取得监控结果，不仅营销效果更好，我们还知道了哪些客户可以触达，哪些客户不能触达。另外，我们将监控结果反馈至白名单预测模型，推动模型迭代优化，形成销售闭环。在第三家分行，我们扩展了触达方式，借鉴信用卡的权益触达，通过客户画像，锁定适合权益触达的客户，直接触达成为私行客户。 

责编：傅泽天

来源：2020（第十六届）中国金融风险经理年度总论坛