文 /李伟东 李秋苑，本文是作者授权九卦金融圈发布，转载请注明来源。
人工智能引导银行新一轮变革
目前AI已经深度渗透到金融领域的核心场景，使得银行革新了对客户价值的认知、创新了服务流程、降低风险控制成本，拓展了金融服务的边界，未来甚至会引发企业文化、组织管理、基础设施建设以及体制方面的重要改革。
信贷业务是银行业的主营业务，也是目前跟AI融合最深入的场景，研究AI在信贷领域的应用对整个AI+金融有很大的启示作用。
信贷业务流程主要可分为三个阶段：
营销获客
贷前反欺诈、贷前信用审核以及贷中监控
贷后管理
每个环节都存在固有的痛点和挑战，很多都是长期存在的顽疾，AI技术的进场不同程度上改变了整个局面。同盾科技作为国内第三方智能风控服务提供商，在利用AI赋能银行的道路上始终走在行业前列，同盾科技全流程智能风控具有非常典型的代表性。针对信贷业务的三个阶段，同盾针对性地提出了智能化解决方案：用户增长服务、贷前反欺诈及信用风控服务、逾期管理智能催收服务。
用户增长服务
系统化经营客户整个生命周期
信贷客户生命周期解构成获取、提升和成熟、衰退流失三个阶段，三个阶段相互依存，相互影响，因此用户增长服务不是只围绕某一环节单独进行，而是伴随整个客户生命周期而展开。
▲点击图片，更清晰哦~
1
客户获取阶段
其使命是发现并获取潜在客户，增加流量转化率，相应的解决方法是建立潜客响应模型。
用户从各个渠道进入平台时，标签信息基本为零，银行对这个用户一无所知，通过同盾潜客响应模型的筛选，可以对客户进行360度精准画像，以分值的形式将客户划分成高响应、中响应和低响应三种状态。对于高意向用户采用主动营销策略（如外呼和短信），对低意向用户不进行触达，在提升转化成功率降低营销成本的同时，避免对无意向用户的打扰。
举例来说，一些理财平台会采用现金奖励的方式吸引用户，用户做完申请、注册后领取相应的奖励，但最终没有在此平台购买任何理财产品。
这类客户一般都属于高响应度的客户，采用外呼、短信触达的形式能有效“激活”；对于中响应度客户采取“监测”的策略，客户的响应分不是恒定不变的，各种驱动因素的影响下响应分呈波动起伏状，当某个时期监测到客户响应分上升，可及时进行外呼和触达“唤醒”用户；而低响应度客户很大程度上属于薅羊毛者，观察其响应分持续保持低分值状态，银行无需对这类客户做额外的工作投入。
通过高、中、低层次划分，在流量驱动的获客阶段，银行能调配出最优资源配比，把最好的营销资源投入到最高层次客户身上。
2
客户提升和成熟阶段
该阶段的关注点是挖掘存量客户最大价值，增加粘性和品牌忠诚度，让用户去尝试银行其他金融产品。
此阶段相对应的解决方案是产品推荐模型或交叉营销模型，通过产品推荐模型可以帮助银行有效识别用户对不同产品的潜在需求，对特定客群积极开展交叉营销活动，提高个性化匹配的几率，从而提高利润。
3
客户衰退阶段
该阶段的目标是延长客户的生命周期，挽回流失客户，让其对信贷产品重新产生兴趣。同盾流失召回方案可以有效分辨出哪些是流失用户，并评估其召回响应概率，同时可提供额度调整建议。
在用户引入、成长、成熟、休眠和流失等不同生命时期，企业对客户进行适当的目标管理，在每个节点都能创造出巨大的价值。
中国线上信贷市场渐渐告别高获客的野蛮成长时代，即将进入到存量竞争的精细化管理阶段，以流量为中心、以产品为中心的理念或向以用户为中心让渡，利用大数据、人工智能等技术进行客户整体生命周期系统化经营将成为银行未来的重要竞争力。
贷前反欺诈以及信用风控
逐步走向智能风控3.0时代
获客对于银行只是第一步，随之而来的风控问题也是一大考验。贷前反欺诈、信息核验和信用评估是贷前风控三个重要环节，下面将逐一展开讨论。
贷前反欺诈
信贷业务面临的欺诈形式主要是团伙欺诈，近年来团伙欺诈事件逐年攀升，欺诈团伙内部分工越来越精细，反侦查能力越来越专业，正朝向智能化、技术化、非接触化、职业化的趋势快速发展。
在与欺诈攻防过程中，采用机器学习人工智能方法，发现寻找更多的线索特征，挖掘用户的行为特征，用户关联特征等异常事件，结合IP、手机、位置等维度分析潜在的欺诈风险，能极大提升反欺诈的效率和能力，同时在大数据、人工智能、云计算等技术的推动下，反欺诈工作也进入到了全新的时代。
进入智能风控时代，在新技术的加持下，反欺诈的武器库更加精良。同盾结合复杂网络、设备指纹、IP画像、手机号画像等技术，构建了多层次纵深的立体化反欺诈运营生态，为超过10000家客户提供安全保护，保护信贷资产总额超万亿元。
反欺诈评估后需对客户信息核验，核查用户信息真实性、评估用户还款意愿和还款能力。
随着信贷业务线上化转移的提速，银行对批量化处理的需求日益急迫，当前依靠人工进行复杂化、机械化、无标准化的审核模式逐渐力不从心。
为此，同盾推出了智能化解决方案——智能信审。以问卷形式让申请者提交信息，并通过问卷结果对申请者进行二次确认，评估客观数据和用户提交信息的偏差程度。
智能信审通过对申请人提供信息和数据库信息的交互验证，根据交互验证结果自动化智能生成一张问卷。根据客户的回答结果，智能生成下一个问题。系统根据算法挑选题目进行结果测算，从而做出最终的评分模型，模型以分值形式输出，给人工审核提供一个直观的参考价值。
经过贷前反欺诈和信息核验后，银行将对用户进行贷前信用评估。贷前信用评估对信贷产品额度和利率的设定，以及逾期和坏账率都有一定的影响。
信用额度的设置，通常是在客户信用风险水平评估基础上，综合考虑客户资产状况、债务结构，同时结合内部信贷政策，核定客户还款意愿和还款能力。
综合所有策略、模型和专家经验后，银行最终做出放款与否、放款金额以及利率多少的决策，在智能化决策时代，部分银行已经可以做到秒级程度。当然，对于银行来说，放款并不代表高枕无忧。
智能语音技术日渐成熟
贷后催收业务智能化改造加速
随着银行业务的线上化提速，传统依靠人力的催收模式变得捉襟见肘，很多银行都开始探索智能催收。
我们将智能催收和人工催收进行对比，就更能理解银行业的决策。
人工成本如工资、场地、招聘、培训等，人工催收成本很高
受多种因素影响，人工催收情绪波动大，且需要重复培训话术，专业程度难以保证。智能的催收系统采用标准催收话术，从源头上减少话术风险。
传统催收的触达率以及反馈度较低。据统计，传统催收每人每天的极限是100—200通电话，但是机器可以达到2000通的外呼量，成本低并且可以全年无休。
客户敏感信息易泄露。在与客户交流的过程中，催收人员获得大量客户信息，存在信息泄露风险。
另外，人工催收一般由专人跟进，客户信息无标准化统计，难于管理，容易流失。
基于以上种种问题，越来越多的金融机构都把目光投向了智能催收系统。
同盾智能催收系统在银行业被广泛使用，其经验非常值得分享，同盾智能催收系统有两大基础。
第一基础是策略平台
策略平台搭载着三组模型组合而成的催收评分卡。
第一组模型是账龄滚动模型
通用于预测轻度逾期人群进入更加严重逾期状态的概率，主要目标是捕捉持续逾期的高风险用户，依据客户还款情况和逾期频率进行打分。通常对1-30天，31-60天的逾期客户分别建立账龄滚动模型，预测60-90天发生逾期的概率。
第二组模型是还款率模型
通常应用于60天以上的逾期用户，预测回收客户欠款的比例，主要目标是准确捕捉潜在回收水平比较高的客户。
第三组模型是失联预测模型
用于预测逾期客群未来无法触达的概率，通常对刚进入逾期状态的客群就要判断失联的可能性。通常对1-30天、31-60天、60天及以上的客群分开建模。模型常用的信息包括逾期总额、账户信息、电话详单等。
第二基础是智能执行
模型相对应的是智能执行的策略。智能催收系统在实际操作中通过大数据精准匹配参数，如通过客户基本信息、申请信息、逾期情况、还款能力、还款意愿、消费习惯等智能判断逾期客户的综合情况，通过模型算法匹配相应的催收策略。
当模型预测结果相对较好时，语音催收则采用比较温柔的策略。当预测结果指向高危客户，则采用比较强硬的方式进行催收。
除开催收话术的强弱，评分卡还能得出更多因子。例如：周几催、什么时间点催、每天催的频率等，这些因子都可以在策略平台进行配置。
同盾智能催收工具逾期管家和逾期精灵，两款产品都是基于智能决策和智能语音的机器催收平台，背后有同盾强大的技术团队和数据生态系统作为支撑，将贷后催收的各个标准化业务进行全面的智能化改造，交互过程完全透明、可监督、可追溯，适用于银行、电商、新金融和保险等各类场景。
未来随着智能语音识别、语音交互等技术的进一步成熟，智能催收系统将会彻底改变催收领域的商业生态。
最后值得指出的是，除了本文重点介绍的信贷场景，AI在智能客服、智能投顾等银行重要场景均有重要作用。随着金融线上化、场景化、用户交互高频化的发展，通过不断的响应和迭代，AI在金融行业的应用将更为广泛，影响将更为深远。
