人工智能引導銀行新一輪變革
目前AI已經深度滲透到金融領域的核心場景，使得銀行革新了對客戶價值的認知、創新了服務流程、降低風險控制成本，拓展了金融服務的邊界，未來甚至會引發企業文化、組織管理、基礎設施建設以及體制方面的重要改革。
信貸業務是銀行業的主營業務，也是目前跟AI融合最深入的場景，研究AI在信貸領域的應用對整個AI+金融有很大的啟示作用。
信貸業務流程主要可分為三個階段：
營銷獲客
貸前反欺詐、貸前信用審核以及貸中監控
貸後管理
每個環節都存在固有的痛點和挑戰，很多都是長期存在的頑疾，AI技術的進場不同程度上改變了整個局面。同盾科技作為國內第三方智能風控服務提供商，在利用AI賦能銀行的道路上始終走在行業前列，同盾科技全流程智能風控具有非常典型的代表性。針對信貸業務的三個階段，同盾針對性地提出了智能化解決方案：用戶增長服務、貸前反欺詐及信用風控服務、逾期管理智能催收服務。
用戶增長服務
系統化經營客戶整個生命週期
信貸客戶生命週期解構成獲取、提升和成熟、衰退流失三個階段，三個階段相互依存，相互影響，因此用戶增長服務不是隻圍繞某一環節單獨進行，而是伴隨整個客戶生命週期而展開。
▲點擊圖片，更清晰哦~
1
客戶獲取階段
其使命是發現並獲取潛在客戶，增加流量轉化率，相應的解決方法是建立潛客響應模型。
用戶從各個渠道進入平臺時，標籤信息基本為零，銀行對這個用戶一無所知，通過同盾潛客響應模型的篩選，可以對客戶進行360度精準畫像，以分值的形式將客戶劃分成高響應、中響應和低響應三種狀態。對於高意向用戶採用主動營銷策略（如外呼和短信），對低意向用戶不進行觸達，在提升轉化成功率降低營銷成本的同時，避免對無意向用戶的打擾。
舉例來說，一些理財平臺會採用現金獎勵的方式吸引用戶，用戶做完申請、註冊後領取相應的獎勵，但最終沒有在此平臺購買任何理財產品。
這類客戶一般都屬於高響應度的客戶，採用外呼、短信觸達的形式能有效“激活”；對於中響應度客戶採取“監測”的策略，客戶的響應分不是恆定不變的，各種驅動因素的影響下響應分呈波動起伏狀，當某個時期監測到客戶響應分上升，可及時進行外呼和觸達“喚醒”用戶；而低響應度客戶很大程度上屬於薅羊毛者，觀察其響應分持續保持低分值狀態，銀行無需對這類客戶做額外的工作投入。
通過高、中、低層次劃分，在流量驅動的獲客階段，銀行能調配出最優資源配比，把最好的營銷資源投入到最高層次客戶身上。
2
客戶提升和成熟階段
該階段的關注點是挖掘存量客戶最大價值，增加粘性和品牌忠誠度，讓用戶去嘗試銀行其他金融產品。
此階段相對應的解決方案是產品推薦模型或交叉營銷模型，通過產品推薦模型可以幫助銀行有效識別用戶對不同產品的潛在需求，對特定客群積極開展交叉營銷活動，提高個性化匹配的幾率，從而提高利潤。
3
客戶衰退階段
該階段的目標是延長客戶的生命週期，挽回流失客戶，讓其對信貸產品重新產生興趣。同盾流失召回方案可以有效分辨出哪些是流失用戶，並評估其召回響應概率，同時可提供額度調整建議。
在用戶引入、成長、成熟、休眠和流失等不同生命時期，企業對客戶進行適當的目標管理，在每個節點都能創造出巨大的價值。
中國線上信貸市場漸漸告別高獲客的野蠻成長時代，即將進入到存量競爭的精細化管理階段，以流量為中心、以產品為中心的理念或向以用戶為中心讓渡，利用大數據、人工智能等技術進行客戶整體生命週期系統化經營將成為銀行未來的重要競爭力。
貸前反欺詐以及信用風控
逐步走向智能風控3.0時代
獲客對於銀行只是第一步，隨之而來的風控問題也是一大考驗。貸前反欺詐、信息核驗和信用評估是貸前風控三個重要環節，下面將逐一展開討論。
貸前反欺詐
信貸業務面臨的欺詐形式主要是團伙欺詐，近年來團伙欺詐事件逐年攀升，欺詐團伙內部分工越來越精細，反偵查能力越來越專業，正朝向智能化、技術化、非接觸化、職業化的趨勢快速發展。
在與欺詐攻防過程中，採用機器學習人工智能方法，發現尋找更多的線索特徵，挖掘用戶的行為特徵，用戶關聯特徵等異常事件，結合IP、手機、位置等維度分析潛在的欺詐風險，能極大提升反欺詐的效率和能力，同時在大數據、人工智能、雲計算等技術的推動下，反欺詐工作也進入到了全新的時代。
進入智能風控時代，在新技術的加持下，反欺詐的武器庫更加精良。同盾結合複雜網絡、設備指紋、IP畫像、手機號畫像等技術，構建了多層次縱深的立體化反欺詐運營生態，為超過10000家客戶提供安全保護，保護信貸資產總額超萬億元。
反欺詐評估後需對客戶信息核驗，核查用戶信息真實性、評估用戶還款意願和還款能力。
隨著信貸業務線上化轉移的提速，銀行對批量化處理的需求日益急迫，當前依靠人工進行復雜化、機械化、無標準化的審核模式逐漸力不從心。
為此，同盾推出了智能化解決方案——智能信審。以問卷形式讓申請者提交信息，並通過問卷結果對申請者進行二次確認，評估客觀數據和用戶提交信息的偏差程度。
智能信審通過對申請人提供信息和數據庫信息的交互驗證，根據交互驗證結果自動化智能生成一張問卷。根據客戶的回答結果，智能生成下一個問題。系統根據算法挑選題目進行結果測算，從而做出最終的評分模型，模型以分值形式輸出，給人工審核提供一個直觀的參考價值。
經過貸前反欺詐和信息核驗後，銀行將對用戶進行貸前信用評估。貸前信用評估對信貸產品額度和利率的設定，以及逾期和壞賬率都有一定的影響。
信用額度的設置，通常是在客戶信用風險水平評估基礎上，綜合考慮客戶資產狀況、債務結構，同時結合內部信貸政策，核定客戶還款意願和還款能力。
綜合所有策略、模型和專家經驗後，銀行最終做出放款與否、放款金額以及利率多少的決策，在智能化決策時代，部分銀行已經可以做到秒級程度。當然，對於銀行來說，放款並不代表高枕無憂。
智能語音技術日漸成熟
貸後催收業務智能化改造加速
隨著銀行業務的線上化提速，傳統依靠人力的催收模式變得捉襟見肘，很多銀行都開始探索智能催收。
我們將智能催收和人工催收進行對比，就更能理解銀行業的決策。
人工成本如工資、場地、招聘、培訓等，人工催收成本很高
受多種因素影響，人工催收情緒波動大，且需要重複培訓話術，專業程度難以保證。智能的催收系統採用標準催收話術，從源頭上減少話術風險。
傳統催收的觸達率以及反饋度較低。據統計，傳統催收每人每天的極限是100—200通電話，但是機器可以達到2000通的外呼量，成本低並且可以全年無休。
客戶敏感信息易洩露。在與客戶交流的過程中，催收人員獲得大量客戶信息，存在信息洩露風險。
另外，人工催收一般由專人跟進，客戶信息無標準化統計，難於管理，容易流失。
基於以上種種問題，越來越多的金融機構都把目光投向了智能催收系統。
同盾智能催收系統在銀行業被廣泛使用，其經驗非常值得分享，同盾智能催收系統有兩大基礎。
第一基礎是策略平臺
策略平臺搭載著三組模型組合而成的催收評分卡。
第一組模型是賬齡滾動模型
通用於預測輕度逾期人群進入更加嚴重逾期狀態的概率，主要目標是捕捉持續逾期的高風險用戶，依據客戶還款情況和逾期頻率進行打分。通常對1-30天，31-60天的逾期客戶分別建立賬齡滾動模型，預測60-90天發生逾期的概率。
第二組模型是還款率模型
通常應用於60天以上的逾期用戶，預測回收客戶欠款的比例，主要目標是準確捕捉潛在回收水平比較高的客戶。
第三組模型是失聯預測模型
用於預測逾期客群未來無法觸達的概率，通常對剛進入逾期狀態的客群就要判斷失聯的可能性。通常對1-30天、31-60天、60天及以上的客群分開建模。模型常用的信息包括逾期總額、賬戶信息、電話詳單等。
第二基礎是智能執行
模型相對應的是智能執行的策略。智能催收系統在實際操作中通過大數據精準匹配參數，如通過客戶基本信息、申請信息、逾期情況、還款能力、還款意願、消費習慣等智能判斷逾期客戶的綜合情況，通過模型算法匹配相應的催收策略。
當模型預測結果相對較好時，語音催收則採用比較溫柔的策略。當預測結果指向高危客戶，則採用比較強硬的方式進行催收。
除開催收話術的強弱，評分卡還能得出更多因子。例如：周幾催、什麼時間點催、每天催的頻率等，這些因子都可以在策略平臺進行配置。
同盾智能催收工具逾期管家和逾期精靈，兩款產品都是基於智能決策和智能語音的機器催收平臺，背後有同盾強大的技術團隊和數據生態系統作為支撐，將貸後催收的各個標準化業務進行全面的智能化改造，交互過程完全透明、可監督、可追溯，適用於銀行、電商、新金融和保險等各類場景。
未來隨著智能語音識別、語音交互等技術的進一步成熟，智能催收系統將會徹底改變催收領域的商業生態。
最後值得指出的是，除了本文重點介紹的信貸場景，AI在智能客服、智能投顧等銀行重要場景均有重要作用。隨著金融線上化、場景化、用戶交互高頻化的發展，通過不斷的響應和迭代，AI在金融行業的應用將更為廣泛，影響將更為深遠。
閱讀更多 九卦金融圈 的文章
