一本财经APP

关注金融科技创新的力量

一本财经微信公众号

金融科技领域最具影响力新媒体。专注金融科技领域调查、深度、原创、独家报道,以及商业案例解析。我们不生产碎片化新闻,只出品深度而专业的报道——关注金融科技创新的力量。

人工智能和区块链在风控的运用,会是一个伪命题吗?

2019-01-25
52745
分享到

在一本财经举办的“风控·命门”金融科技峰会上,业内专家结合自身实践,给出了极具参考价值的答案。

整理 | 棘轮 米格

人工智能和大数据,正在被应用到风控行业的纵深地带。

它们推动行业蓬勃发展,让行业从业者如虎添翼,也带来了新的挑战和难题。

如何直面这些挑战,解决当下痛点,为金融科技创造一个更为美好的未来?传统行业又应该如何转型?

在一本财经举办的“风控·命门”金融科技峰会上,业内专家结合自身实践,给出了极具参考价值的答案。

胡亮:用知识图谱可以获得更准确的风控模型

快牛金科联合创始人、高级副总裁胡亮

1人工智能的三大学派

2015~2017年中国征信业的大爆发,来自于风控管理领域大数据与AI等新技术的应用。

但事实上,AI技术不仅仅有大数据或者机器学习一个领域。通常,AI技术可以分为三大学派:

一是符号主义,它是模拟人的思考过程,典型代表是知识图谱。

二是模拟人的神经结构,被称为连接主义,它的典型技术是当前应用最为红火或者取得最大成功的神经网络技术,也就是深度学习技术。

第三类是模拟人的行为,称为行为主义,典型代表是各种机器人的制造。

2深度学习的危机

深度学习技术在这几年取得了很大进展。可以说,2015〜2017年征信业的爆发,更像是深度学习这个技术在风控上的爆发。但深度学习并不完美,也遇到了很多挑战。 

  • 第一个挑战,是可解释性的挑战。在风控领域,可解释性非常重要。尤其在银行,银监会对风控的解释有非常强的要求。像去年141号文明确提到,金融机构要做好KYC,要谨慎采用数据驱动的风控管理方式。
  • 第二个挑战,是样本数据依赖的问题。要训练出一个优秀的风控算法,必须依托于海量的样本数据。在金融行业,这意味着高额的成本投入。
  • 第三个挑战,是技术瓶颈问题。近年来人工智能浪潮的兴起,与神经网络技术息息相关。但技术理论难以继续突破,也限制了深度学习算法的发展。

怎么解决这个问题?知识图谱与深度学习的结合,就是目前比较火热的一个方向。

深度学习的技术本质是数据驱动,它不信任或者不依赖于知识,纯粹是用机器学习的方式,从数据中把原理给学习出来。

3何为知识图谱?

人类在发展历史中积累了非常多的知识。在风控领域,很多风控专家也在业务发展中也积累了大量经验。如果这些知识不能应用到风控模型中,是非常可惜的。

怎样才能把知识应用到风控中呢?知识图谱与人工智能的结合,就是一个好手段。

对很多人来说,知识图谱技术略显陌生。简单解释一下,知识图谱想要解决“计算机只理解数据,但不理解知识”的问题。

知识图谱技术可以将知识串联起来,用可视化的方式,对知识进行联想、推理,把先验的知识变成计算机可以处理的内容。

传统的机器学习,是拿着一堆数据进行训练,得到模型,并应用模型进行预测。

知识图谱与深度学习结合,不仅仅是喂数据、样本,还把先验的知识交给计算机,从而得到一个比纯粹数据驱动更准确的模型。

4知识图谱有哪些应用?

一个最常见的应用是社情发现,纯粹利用图计算即可做到。在用户关联网络中,寻找聚集在一起的客户,有哪些行为特征。

如果是正面社情,可以进行互相营销。如果是负面社情,也可以主动发现,进行相应措施。

第二个应用是交叉验证。为了风控需要,金融产品需要客户提供很多信息。客户提供的信息可能是真实的,也可能是虚假的。知识图谱可以运用交叉验证的方式,验证信息是否正确。

举个例子,单个用户提交工作单位、电话、地址等信息,很难判断信息是否正确。但如果有多个用户提供相同信息,就可以用交叉验证的方式判断信息真伪。

第三个应用是数据推理,可以用在数据补全上。有时用户提供的数据,部分数据是选填的,用户不一定会提供。但如果把其他数据结合在一起,就可以判断选填的数据应该是什么。

 

在贷后的数据失联修复上,知识图谱也能获得重要的应用。通过推理可以获得新的数据,但前提是有足够的技术去建立这样的网络。

怎样才能在复杂的企业关系中找到风险点?知识图谱的关联关系挖掘技术,可以帮助我们迅速定位到风险点。除此之外,反洗钱、资金流向追踪等银行应用,也是知识图谱常见的应用场景。

5知识图谱的未来

既然知识图谱如此好用,有如此多的应用,为什么没能像大数据一样铺开呢?这是因为它存在很多的挑战:

第一,承受有限的计算框架。这几年大数据技术的发展,一个非常重要的前提,就是算力的提升。现在有很多很廉价的服务器,但把这些服务器利用起来,需要分布式计算的技术。这些技术的发明使得大数据获得发展。

但知识图谱里的图计算有它独有的特点,这决定了知识图谱很难适用现有的分布式计算框架,性价比不高,效率并不好。这也是限制了知识图谱发展的一个核心原因。

第二,高效经济的存储方案。图的存储有很多,如果图数量巨大,图的计算、挖掘、更新,都会遇到比较大的瓶颈。图数据库是目前流行的计算图存储方式,但即便是应用最广的图引擎,在节点很多的情况下,也无法实现实施插入和查询。

但在实际应用中,实时的插入往往又是非常核心的要求。企业都希望实时查看新客户的数据在网络里的反映,这就需要把新客户的数据实时插入,并且实时做社情发现、关联查询,但目前存储引擎都难以友好地去支持这一点。

乔杨:数据技术进入2.0时代,考验的是深度解读能力

1打破金融领域二八定律

在金融领域,二八定律是非常普遍的现象,在零售领域也是同样的。

我们对20%的客群可能有比较丰富的金融强相关属性的数据,可以对它进行一个授信的判断。但是从目前情况来看,行业并没有有效的数据来对80%的金融弱活跃客群进行有效判断。

所以金融行业里有这个说法:“我们现在能够盈利的客户,就是我们比较了解的客户。”

当一家金融机构想拓展自己的资产规模时,它面临最大的挑战,就是如何跳出20%人群授信的限制。

比如银行机构若只能对央行征信覆盖的那1/3的客群进行授信,那所有银行争抢的客户都是1/3人群之内的客户。这样一是最终不能达到普惠金融的目的,二是即使80%里面有很多金融信贷需求非常旺盛且信贷资质非常良好的客户,想要挖掘这样的客户,对金融机构来说也是很大的挑战。

2信用评分机制 

在中国互联网金融飞速发展的环境下,大量的客户可能具备数据的宽度,但不具备数据的深度,也就是说数据的维度会非常广,但在每个维度上面积累的历史并不长。

这就促进了机器学习的飞速发展,也是为什么国内大量的金融机构尝试用机器学习的方式进行授信的原因。机器学习的最大优势是把维度上升到了多维空间,我们把这些特征映射到高维空间之后,可以看到对好坏客户的区分度效果是非常明显的。

简单讲一下我们的打分逻辑,大家在多个场合已经看到过,就是把海量高维的跟金融弱相关的变量通过这个过程,最终进行模型的融合,打出自己的分数。

这个分数背后整个的过程就是集成学习的过程。集成学习的过程最重要的一步,是前端的数据清理和数据加工,还有它的特征工程的步骤,如何提取有效的特征,将这些特征映射到所谓的主题模型上面,在主题模型上面融合,最终打出一个分数。

国内金融领域最大的问题不是数据宽度问题,是数据深度的问题。

想像一下,如果一个子模型有两万维的变量,在两亿的客群上打分,最终不是两万×两亿的概念,其实真正有效的数据可能只有几百,最多几千个。基于这样的情况,我们在建模的时候,用传统的方式效率非常低。

但是如果用集成学习的方式在子模型上进行一个迭代,其实每个评分背后有超过十个子模型,比如还款能力的模型、还款意愿模型、消费水平的模型、催收模型等等,就可以把多维的弱变量加工成跟金融相关的子模型,再通过融合的方式打出一个最终的分数,这是信用评分整个的打分机制。

这个机制有两大优点,它不是单一学习的结果,是多个学习器学习的结果。另外,大家知道建模尤其是融合模型最大的问题是,它是一个牵一发而动全身的过程。但是我们的子模型在融合过程中,是把耦合做了一个非常深度的解耦,一个子模型融合的模型并不是非常多,这样对单一模型进行调整,并不影响整个模型的效果。

3复杂网络与机器学习的结合 

我们在两年前就尝试做了一个复杂网络和机器学习的融合,提出了一个漫网技术。我们是借助个人的N度关联,把整个异常的群落识别出来。

以前做反欺诈和风控判别的时候,会基于客户本身的维度,对客户的本身风险做一个判断,但是在反欺诈领域,很多欺诈团伙作案的上下游性质非常的明显。我们在内部做了特制,可以非常有效地识别团体和帐号,有效识别度超过75%。

同时,我们也在路径学习上做了尝试:一个正常客户和一个坏的客户在整个页面上的交互流程是怎样的?有了这样的机制,就可以有效地把好坏客户做出有效识别。

最后是自动化授信的实践。如果你的模型是有效的,比如对于坏客户做一个评分,经过排序之后,比如我们把最差的40%客户做一个筛选,它的风险准确率达到83%,这是你可以承受的范围。我们可以把前40%的客户做自动拒贷的处理。

反过来,对于好的客户,如果前60%的客户安全精准度达到90%,对这些人做自动放款是非常安全的,因为远远低于你的风险容忍度。

所以如果你的模型是有效的,最终达到一个理想的效果,就是希望你拒掉的客户和通过的客户给中间的空间越小越好,这是一个有效的模型能够达到的比较好的效果。

你需要做的,就是对于中间的客户通过其他的策略手段进行一个判断。如果你的模型并不是有效的,给中间留下的空间会非常大,这对于你的风控团队提出了非常大的考验。

这是我提到为什么评分在信贷领域那么重要的原因。有效的评分可以帮助提升信贷效率,把风险大大降低。

4 数据技术2.0核心是深度解读能力

数据1.0时代是数据获取、数据处理、存储的阶段。我们现在已经进入了数据技术2.0时代。

而今,我们每天每人平均处理的信息量相当于17世纪每人一生处理的信息量。现在这个年代信息存储的成本非常低,且信息获取渠道也非常多。

这得益于整个互联网的高速发展,包括智能终端的高速发展,所以这给我们提出了什么样的挑战?一是数据量现在并不是一个问题,数据采集总量每15个月就翻一倍,互联网的数据总量达到2.7 Zetabytes ,其中34%是具有价值的,7%已经带有某种标签,但是利用率只有1%。

所以我提出,2.0时代不是数据收集处理的时代,是解读的时代,在这个时代里面,谁能够有效深度解读获取的数据,才能在竞争中脱颖而出。

5连接比拥有更重要

我们遵从的另一个理念是“连接比拥有更重要”。我们不想做业内一家独大,我们有一些独有的数据资源、数据技术,但是我们更想做的是连接。

在金融领域,我们做了大量的尝试,但是对于用户画像的刻画,如果仅仅是从金融场景获取的话,画像并不完善。所以我们提出了一系列泛金融场景的合作,包括房屋租赁,大家看到动静比较大的是生活零售、职场设备等等,我们输出的还是数据挖掘能力和模型能力。

我们搭建场景的闭环,帮助合作场景方对用户画像做一个更深度的完善,同时帮助他们降低准入门槛,获得更多的流量。

我们的模型和风控技术可以使用户得到差异化的服务,这样用户的体验会更好,得到的服务会更精准,所以有了这个闭环之后,我们对于这个用户画像的刻画会更加精准。我们把金融类的场景和泛金融类的场景连接在一起,中间的连接器就是模型技术和技术输出能力。

做个总结,我认为,风险管理不仅是一个流程,更是一种态度。在金融信贷领域,风险管理永远是第一位的,它必须穿插信贷交易的全过程,因此,利润一定是风险管理的产品,而不是欲望的产品。

毛羽建:通话大数据在风控领域发挥着重要作用

电话邦创始人兼CEO毛羽建

1通话社交大数据创新应用于风控领域

什么是通话数据?通话数据是用户发起的主叫通话、被叫通话、漫游通话等通话行为在运营商交换机里记录的各种信息,包括通话对象号码、通话时间、通话时长、通话类型等。 

其实电话邦在2012年做号码大数据构建的时候,就在思考,这些大数据能做什么事?我们认为大数据的应用方向分为两个方面,一是收敛,收敛的应用方向可以用来做风控,还有一个是发散,发散的应用方向可以用来做营销。电话邦首先把它应用到了风控领域。

因为微信的出现,人与人之间的通话在逐渐变少,但C2B、B2C的行为反而在上升,所以用B来刻画C的行为变得可行,画像会更加真实可信。

金融风控会用到的主要数据维度,包括:三方征信、身份信息、通话数据、消费数据、电商数据和合作机构数据,金融机构会从这些数据中合理筛选然后放入模型来构建风控体系。其实今天上午,北大的刘博士也说到,他把通话数据放到所有数据的第一层,他也认为通话数据是非常重要的,包括他后面想要构建的一个场景就是能把三大运营商的数据拿出来,通过一个机构来进行输出,其实这也是我们在干的事。  

我为什么想强调一下这个通话数据,因为它确实和其他数据有一些不一样,它是高覆盖、高频次的一类数据,因为95%以上的人都会有通话行为。 

央行征信覆盖了20%—30%的人群,黑名单和灰名单也有命中和不命中的情况,但通话行为都是真实在发生的,我想在座的很多风控人员也经常会用到通话社交数据,只是说这个数据怎么用才能发挥最大的价值,这是我今天特别想分享给大家的。

2通话社交大数据多维度助力风控建模

通话社交大数据在风控中可以起到这几方面的作用:

首先,我们通过对申请人通话数据多维度的分析,可准确掌握用户行为和消费习惯,可以帮助金融机构刻画精准用户画像。举个例子,当一个人的通话对象中有很多4S店,这个4S店是宝马4S店还是北京现代的4S店,是代表了不同消费能力的。以及他经常联系的酒店是五星级的还是连锁酒店,对他的用户画像刻画也不一样,通过跟他商户的通话行为可以相对精准刻画出他的画像。

此外,通话社交大数据还能识别逾期风险,当一个人的通话里有一些高危通话,比如频繁接到公安、诈骗和赌博的电话,或者经常收到催收电话,经常接到不同催收公司的电话,那么我们可以判断出这个人的逾期风险是非常高的。 

最后,通过对用户画像的精准刻画,和逾期风险的识别,可以帮助金融机构做风险定价,以及分析申请人的偿还能力。

3通话社交大数据帮助金融机构降低逾期率 

电话邦通过自主研发的电话号码专项搜索引擎,成功打造出了全面精准的电话号码数据库,并累积了强大的爬虫能力和技术,继而推出了邦秒爬产品,在用户强授权后,帮助金融机构快速获取申请人的运营商通话数据,成功率超98%。 

同时电话邦还推出了运营商报告,与行业内报告不同的是,电话邦可以帮助金融机构做更详细精准的分析,判断养号和欺诈风险。举个例子,申请人填写了紧急联系人,但这个紧急联系人的号码是否是真实存在的,或者说跟申请人是否存在紧密联系,这需要背后有大量的数据判断。这样的数据量和技术目前只有电话邦能做到,我们可以通过这个号码的历史行为来判断真实的情况,比如号码是否属于临时申请的小号,近几个月有没有正常通话行为,有没有正常生活轨迹等。 

我们还有一款产品叫做“邦秒配”,帮助有自主数据获取能力的中大型的金融公司来进行更深入的分析。对一个人的通话行为的分析,其实就是一个号码针对一堆号码的匹配,如果不知道这一堆号码背后是谁,那获取来的通话数据就毫无意义。电话邦利用自主构建的号码库的数据,9000万商业机构的1.2亿个电话号码,以及1.73亿个众筹标记号码,来帮助金融机构填充申请人的关系网络,给号码匹配出精准标签。

标签分三种:

  • 一是黄页数据,包括所有企业对应的信息。
  • 二是标记数据,电话邦日标记次数超过一千万,这个是非常重要的,因为数据需要实时更新,举个例子,一个诈骗电话存活周期可能就十天,过后就不活跃了,所以必须是动态数据。
  • 三是金融专项标签,我们提取出很多对金融风控有用的数据特意打上标签,让它可以在风控模型中产生作用。比如银行、赌博、典当、校园分期、校园贷款、医美分期等等的标签,这样可以更加精准。 

帮秒配可以帮助企业判断申请人的消费习惯、养号风险、真实所在地和多头借贷情况。比如我说我是北京的,结果每天都和广州的店铺和快递员发生通话,这个信息就可能是虚假的。

 有的骗贷人已经开始伪造通话记录,伪造六个月、三个月的记录想来骗贷。但他伪造的记录永远不可能真实,因为电话邦后面有大量的数据支撑,可以分析出一个人的通话行为是不是正常的,是不是有真实的生活服务类的电话在通话。

同时,我们发现把一个人跟催收号码的通话行为提取出来做分析,对金融风控是非常有用的。

原理也很简单,一个人的借贷行为基本分五步,申请、负债、逾期、催收、坏账。现在市场上有很多多头借贷的情况,其实就是多头申请,但他未必是坏人,因为这中间还隔着负债、逾期和催收这三个环节。 

催收与逾期是具有强相关的,催收的下一步就是坏账,所以透过对申请人与催收号码和疑似催收号码的通话行为进行统计分析,可帮助金融机构提前预知用户的逾期风险。在实际应用中催收分产品效果尤为突出,读秒CEO周静表示过电话邦的催收分产品结合读秒的内部关系网络数据,可挖掘出有效的风险预测特征,帮助读秒提升KS值高达7%。

最后,电话邦也将不断进行创新,探索更多的应用场景,帮助金融机构不断降低风险、提高获利。 

趣店许龙:中国汽车融资租赁模式占比不足5%,未来仍存机会

1趣店为什么要做汽车分期?

大家都知道,趣店集团自从去年在纽交所上市后,在资金与综合业务能力上都有了一定积累。我们的团队还很年轻,大家都怀有一颗创业的心,希望做更多事情。

在整个业务的下一步发展上,我们有两个方面的考虑:

  • 第一,在场景上,趣店集团之前更多地聚焦在小额消费金融业务与商业产品的提供。我们希望扩展更多产品,汽车是我们选择的第一个拓展场景。
  • 第二,我们在金融行业的角色定位,与传统金融机构相比,优势主要在互联网化、数据化与技术化方面的能力。如何服务好传统金融机构,帮助他们做普惠金融实践,符合我们的定位。

在汽车领域,趣店的战略定位在哪里?我们选择了“为汽车主机厂赋能,为年轻人提供第一辆汽车”两个命题。

2汽车:电商行业最后的壁垒 

我们认为汽车行业现在面临的,不是被颠覆的状态,而是需要更多数据或者技术能力的补充。此外,趣店历史上一直服务于中国缺乏较好金融服务的年轻人。这个群体在成长的过程中,消费意愿也在发生变化,汽车是他们绕不开的需求。

我们把大白汽车项目的关键词落在了新零售。汽车行业可能是过去这一波互联网电商浪潮中,唯一一个没有被渗透的企业,这是电商时代最后的壁垒。

为什么会这样?汽车是一种大额资产,有明确的产权记录,交易、服务、销售的链条都十分漫长,单纯用电商的思路去替代,效果可能并不如人意。

新的零售格局在哪里?如下图,像一个三明治,中间是新零售的从业者,上面是主机厂,最下面是消费者。中间一层还难以替代上下所有层,但我们可以利用一些金融手段,将商家聚合在一起,提高他们的经营效率。

新零售不是一种替代,而是一种黏合的过程。

3传统汽车零售问题何在? 

目前,整个传统汽车零售面临着四大挑战:

首先,中国汽车市场经过长期发展,增速已经明显放缓。尤其是北上广等一线城市,新车交易增速已经急剧放缓。

第二,渠道下沉的挑战。大多数汽车的传统销售渠道仍是一二线城市,4S店高额的建设运营成本,使得传统车企渠道下沉的难度大,速度慢。

第三,90后等年轻消费者的崛起。年轻人更多地将汽车当做消费品,而非资产。新兴消费者对于买车的需求并不强烈。

第四,需求多样化。传统的汽车销售渠道,越来越难以满足新兴消费者。

这四个问题放在一起,我们看到的是行业的挑战,也是新的企业入局时的机遇所在。

新零售为什么能解决上面四个问题呢?我们认为,新零售模式可以为汽车市场带来四个方面的增量:市场、渠道、用户群体,服务。

市场的增量,其实是不同市场汽车消费结构的分布。北美市场乃至全球市场,汽车金融的渗透率都很高。

但大白汽车的这种融资租赁模式,在中国占比不足5%。如果中国经济发展一直向发达国家靠拢的话,消费者的消费习惯也会向北美等市场靠拢。这是一次潜在的增量机会。

在渠道增量上,大白汽车主要选择三四五线城市,每年的新车交易增速在20%-30%之间,尚处于蓝海市场。大多数店面的面积在80-120平米之间,甚至只有60平米,属于轻资产管理模式。

在服务上,融资租赁模式门店更便捷,付款门槛低,用户体验比传统模式更好。

4汽车融资租赁如何做好风控?

在模式上,我们在贷前做了一道风控的拦截。

首先,我们是用直租的模式,汽车的产权必须上在公司名下,使得汽车的变卖或者二抵变得很难,违约犯罪的成本变得更高。

第二,我们早期的业务仍然聚焦在老用户上,老用户已经是上亿次交易风控模型筛选过的用户,所以用户本身的质量是能得到一定控制的。

第三个是在车型的选择上,主要做12万以下的。可以降低资产本身被套利的可能性。

客户准入阶段,我们主要借助线上手段,去识别可能的黑用户或者欺诈用户,同时,也会接入一些汽车行业的第三方数据。除此之外,还增加了一些线下的风控手段和场景,我们的门店很容易完成线下面签。

贷中客户的风险管理上,手机卖家不知道手机是否被倒卖,但汽车卖家知道,因为车都装了GPS。

贷中风控,很多车在安装GPS后,可以识别这个车的使用行为,行驶数据是否异常,是否长时间停在某一区域,是否在汽修厂、小贷公司等敏感区域,违章数据是否正常?

再就是贷后的管理,由于资产金额足够高,在成本上,上门催收也是能承受得了的回收模式。

在风控模型上,我们引入的参数比小额消费金融业务阶段更多。除了个人数据初审外,还会在部分区域要求客户提供强征信数据,如消费、资产状况等。因为我们是一个助贷机构,绝大多数资金都是银行在发放。

在大白汽车这一业务中,用户必须有线上的征信进行数据回传,所以模型要比原有业务复杂。这也是我们在新资产环境下,在风控上做的额外建设。

王晓婷:在催收业2.0时代,我们面临更多的机遇和挑战

捷越联合创始人、快催收创始人王晓婷

1面朝蓝海

催收传统又古老,在整个金融闭环中,它是不可缺少的一环。

我们说我们面朝蓝海。大家看,这张图显示的是2017年中国不良资产的规模,而且这个规模,仅仅是官方报道浮出水面的。

也就是说,我们看到的是冰山一角,大概有三万亿。我们每天对着网络催收的企业近400个,催收项目近百万个。

我看过一组报道的数据:“在中国的金融从业人员大概有800万。”而在催收行业里,真正的从业人员是20-30万。

催收是金融行业发展的一个闭环,为什么在过去十年甚至二十年,在整个金融环境当中,催收这个行业一直不被人提及?

在过去的30年前,清收这个行业面临两次行业巨大的变革。

第一次在过往的15年之前。2000年前后,各家传统银行、股份制商业银行面临着大肆发展信用卡的情况。

在2010年前后,第一次催收行业的变革发展于此。各家传统金融机构把原来自己的资产管理部门通通下放和外包,形成了催收的第一次变革,萌生了行业里大量的头部清收公司,它们有上万人、几万人的规模,作为头部公司承接了大量传统银行的催收业务。

在过去10-15年间,头部大量催收公司做了一件事情,用大规模劳动人力密集型产业做外呼系统,埋头低声赚大钱。

2017年,整个互金行业迎来了Paydayloan的大发展,我们也走过了过去20年美国所走过的Paydayloan道路。

2017年现金贷的蓬勃发展,给催收行业带来了第二次转变的机会。

我们在这个古老的行业里,第一次听到了大数据、AI、区块链,听到了可以做人工画像和机会发展的机会和技能,所以,在过去30年里,我们面对着科技行业两次浪潮的创新。

但是在这样的创新浪潮之下,它们为这个行业带来了什么?带来的是混沌、迷蒙、各种不合规,各种来自官方、民间的对这个行业的负面评价。

所以我说,过去30年里,我们面对这样转型的时候,只是一个乱象丛生的collection1.0状态,我们没有看清楚这个行业,没有看清楚催收对传统金融以及蓬勃发展的互金行业意味着什么。

催收的本质是什么?我对催收的本质有两点认识。

第一点,催收是大规模地降低不良资产。

第二点,强大的催收能力,让你具备抢滩高风险业务,同时获取高额收益的能力。

金融行业里有句话,叫“三分贷,七分管”。催收就是管的过程。

2时代变化

在催收行业的2.0时代,监管、科技、人三者都发生了巨大变化。

  • 第一,监管。美国有公平债务催收法。中国从2017年开始,伴随着现金贷的发展,我们开始对催收有全新的认知,开始关注催收。监管面对的是越来越严格、越来越透明、越来越规范的趋势。
  • 第二,技术。在催收行业里,我们的策略、我们的AI、我们的客户画像,等等,我不再赘述。
  • 第三,人。不单包括债务人,也包括催收行业的从业人员。金融行业里有800万从业人员,但催收行业里只有20-30万的从业人员,这两个数字说明了什么?

说明这个行业里没有大佬,没有真正俯下身去做这个行业的人。

再来说债务人。过去20年里,债务人发生了极大的变化。

过去的15年里,什么样的人成为债务人?整个金字塔顶尖的人。因为只有顶尖的人,才有获得贷款的能力。所以在过去15年的催收当中,很少有如此之多暴力催收的现象发生。

但随着过去10年整个中国的消费升级及普惠金融的发展,更多企业喊出:我们要让更多人享受平等的服务,“我们要做有温度的金融”。普惠金融的发展,让我们今天面对得更多的债务人,是金字塔底端的人。

原来是金字塔顶端的那些人,现在是整个底层的这些人。

这些债务人有什么特点?低龄、隐私保护和尊严。就是说更多的90后、00后成为了我们的债务人。

面对这些年轻的债务人,我们用什么样的方式打动他,让他们给我们做回款,做利润?

有一句话,监管机构在喊:“了解你们的客户。”我们的客户已经发生了极大的变化,我们还在用传统的方式跟他们打交道,大家可想而知,我们催收行业面临着什么。

在去年的峰会上,我提了一个话题:“重塑客户关系。”今天,我再加一句:“重构价值链。”

3重新定义客户 

讲到催收,什么是催收?什么叫好的催收策略?

用一句话可以简言之,对不同的客户,在不同的时间,用不同的手段、不同的频率触达,这就是催收策略。

千人千面,在这个行业里,没有一招鲜的策略。

为什么要做催收策略?

我们过去说,催收的客户都是坏客户。

现在,需要重新给客户做定义。我们对于催收客户没有好坏之分,应该把他定义为是你的损失类客户还是收益类客户。

对不同的客户,在不同的时间、用不同的方法和不同的策略去做触达,在一定程度上决定了,客户在一定程度上是不是有收益。

这是2017年某家商业银行的年度报告。

报告显示,信用卡当中罚息、滞纳金占比是多少。这家银行在去年全年度收入增长比是24.36%,罚息、滞纳金的增长比是31.75%,利息收入增长比22.44%。

在整个催收行业中,催收已经不单纯是业务部门,我们应当把它定义为利润中心。

回到我刚才说过的话题,用什么样的方式做催收?怎么对你的客户做重新认知?对客户的区分,我们放弃“好”和“坏”这个概念,用“收益”和“损失”去做。

什么样的客户会给你带来好客户?什么样的客户、在什么样的时间点、用什么样的方式做催收?这些才是需要我们去思考的话题。

催收是下一个利润点,3C分期、Payday loan附带的客户就是好客户,大家对此都有认知。那么,在催收领域,什么是好客户?每期正常还款的是好客户吗?是。每期都逾期,但是每期都还款是好客户吗?对,是更好的客户。在一定程度上,利润中心对于催收来讲,不是一个虚拟的话题,是实实在在能带来收益的环节。

我说我们这个行业面朝蓝海,我们面朝三万亿不良资产市场。我刚才举出的,也仅仅是指标准化资产,包括个人信用类的资产,包括传统银行、P2P、小贷、3C类。

但是,非标类的资产还是一片空白。以去年北上广深为例,在房贷这个市场我们投入的是千亿级的规模,大家可以想想,千亿级的市场面对的调拨率是多少。

所以,在不良资产领域,除了标类市场之外,非标也是一个极大的市场。在这样一个市场里,ABS也好、不良资产的重新定价也好,其实我们面临更多的机遇和挑战。

要用新的方式、新的策略去做新的客户,才能不辜负这个新的时代。

中国金融科技风控领域第一高端交流平台“一本财经 CRO Club”于4月21日在一本财经第二届金融科技风控风控大会上成立!

附首批会员名单:


推荐文章

软萌的“银行机器人”背后,却是一个抠脚大汉在操控?

鱼龙混杂、两极分化:一文解析信用卡代偿市场格局

从阿里金融到网商银行:与信任有关的日子

我们终将改变银行业|Capital One CEO写给股东的信

开放银行:跨界金融服务,信息和数据安全是银行开放“命门”所在