伴随我国宏观经济形势、行业格局等外部环境的不断变化,国内的金融市场竞争已经进入客户精细化运营能力比拼的新阶段。尤其在金融数字化转型加速推进下,如何做好客户分群、更精准判断客户风险及评估客户价值贡献,从而带来最大化收益,也成为银行等持牌金融机构在构建自营业务和自主风控能力方面的一大挑战。

        融慧咨询副总裁马斌斌对亿欧指出,由于每个客户的消费规律不同,借贷需求和还款能力也不同,因此授予额度能否满足客户需求、做到客户价值最大化,是一项非常重要且需要持续监控优化的工作。在他看来,额度是决定信贷业务盈利能力的关键组成部分,而额度策略的制定则可以有效带动利润增长并提高客户的满意度。

        据了解,马斌斌在互联网金融、金融科技领域已深耕长达15年,此前曾任宜信风险管理总监、中望金服高级副总裁/CRO、联动数科高级副总裁/CRO,有着从0到1的全面风险管理、产品设计等实战操盘经验。他提到,在AI策略及建模领域,融慧金科覆盖了目前行业通用的以及世界领先的机器学习算法和建模技术,具备根据不同场景运用不同算法的丰富经验,可以有效保证策略模型效果达到最优。

        作为金融科技领域的领跑者,融慧金科在多个细分领域持续发力,特别是在风险咨询方面,已在众多银行、消金等持牌金融机构实现深入布局,在模型风险管理和风险策略设计等方面也已取得一系列突破,受到众多合作机构的青睐。“正是因为我们整个团队自带的甲方基因与深厚的金融功底、对业务的深刻理解和深耕,以及在实践中的不断打磨迭代,才得以更好的为合作伙伴提供深度赋能。”马斌斌表示。

        影响额度授予的“三大要素”

        “除了利率以外,信贷领域的客户首要关注的就是贷款额度”,在马斌斌看来,贷款类型可划分为三类:一是抵质押类,其主要看资产价值,比如价值1000万的房子,可以抵押800万;二是消费分期,其额度相对比较单一,主要看分期购买物品的价值,比如手机购买分期1500元;三是信用卡或是现金分期,此类相对复杂,需要根据不同的客户价值去匹配或调优相应的额度。

        “尤其现在很多金融机构会把消费分期、信用卡、现金分期等进行组合为客户提供一整套的金融服务,在这种模式下,额度策略就显得十分重要。因此,我们在研究额度策略模型的时候,会从客户价值角度去分析,每个客户在什么样的情况下对机构的贡献最大。”

        在他看来,一个好的额度策略需要从三个维度来衡量:一是从需求角度,通过贷款意愿、贷款行为等多项指标衡量客户的实际需求;二是从风险角度,精准评估客户是否存在欺诈风险、信用风险等;三是从收入或资产角度,综合评估客户的还款能力和还款意愿,还款能力还要看客户的可支配收入。

        就事实而言,对于银行等持牌金融机构来说,额度授予的一大难点就是需要有大量的数据进行评估验证。除了征信数据、机构内部数据外,具有高可信度优势的外部数据也发挥着至关重要的作用。“而这恰恰也是融慧金科的强项所在”,据马斌斌介绍,融慧金科在AI算法、底层数据挖掘、大数据建模领域有着丰富的实操和咨询经验,比如基于行为大数据的财富指数、基于保险大数据的资产指数等,能够全面助力机构实现对客户收入或资产水平的精准评估。

        “我们在思考额度策略的时候,要从上述这三个维度分析,看哪些变量能支持决策,同时还要注意,在不同的经济形势下,最佳的额度分配是不同的,否则将很容易出现问题。”他进一步强调称。

        额度策略,如何做到“收益最大化”?

        差异化的额度策略,也是未来在信贷领域非常重要的一个核心竞争力。马斌斌表示,不同银行的战略规划、发展阶段、业务模式、客群构成、风险偏好往往呈现差异,策略制定需深度结合银行的业务发展特点与实际数据表现进行设计,紧贴银行业务发展实际需求,才能达到最优效果。

        “策略咨询也是融慧咨询的核心业务之一,我们在服务众多银行等持牌金融机构过程中沉淀了非常成熟的信贷额度策略最佳实践。”马斌斌介绍说,额度策略实际有很多种方法,比如:

        一种是单风险维度核额方法。在小额信贷业务中,我们通常利用单个风险因子来评估客户的风险程度,并依据该风险因子将客户分层,从而实现差异化的授予额度。比如通过A卡模型分,可以将不同的评分段对应不同的风险客户等级,随着风险客户等级升高,授予额度逐步降低。“举例来说,就是对于低风险客户授予1万额度,中风险客户授予5000额度,高风险客户授予3000额度。”

        第二种是多风险维度矩阵核额方法。在客户风险因素基础上,加入客户可支配收入、借贷需求等因素,组成一个更多维的额度矩阵,再结合每个细分客群的系数等级认定最终额度。“举例来说,对于低风险客群,有的人比较富裕,有的人不富裕,所以他们对借贷的需求不同,对额度的需求也不同,通过多维指标衡量即可授予不同的额度。”

        第三种是决策树方法。相比额度矩阵,决策树可以更灵活地将多维指标(风险水平、借贷需求、收入水平)进行组合,为不同的情况进行额度授予。

        “上述这三种额度策略方法较为常规,需要结合实际业务和专家经验综合判断,来制定额度策略模型。”马斌斌进一步指出,我们也可以通过数据建模更科学地进行额度授予,其核心是以最大收益为目标,找寻利润最大化的点。

        比如逻辑回归模型,就是通过衡量每个客户的收入和成本,同时结合额度上限和利率上限的约束条件,从中找到使利润最大化的额度,“这个也就是我们的最优额度”。

        对于收入而言,额度越高,客户可借的钱越多,利息收入就越多,但随着额度到达一定高度时,很多客户可能并不需要这么多钱,所以借钱会越来越少;对于成本而言,随着额度越来越高,有逾期意愿的客户拿到额度后,会将其全部提走,因此额度越来越高,成本也会上升,而后在某一点超过收入,在进行利润计算时,收入和成本中间部分,相减最大的点对应的额度就是最优额度,即获得了最大的利润。

        “不过,基于收益最大化的逻辑回归模型也存在一些挑战”,马斌斌提到,比如用额度来预测利息收入或风险成本的均是大模型,大模型里又有小模型叠加,非常复杂,互相迭代的模型很难在系统里搭建和管理,且每次更新都需要6到12个月的时间;同时,回归模型只假设了线性的关系,无法抓住非线性的关系,一定程度上限制了申请客户的额度授予准确性。

        而KNN算法在额度模型中的应用,就可以很好地解决上述模型中存在的挑战。“这也是我们咨询团队正在着力研究的方法”,谈及此,马斌斌也分享了一些最佳实践思路:一是给大量客户(客群A)进行额度授予,并追踪他们的表现;二是利用KNN模型在客群A中找到和申请人B相似的客群子集(客群C);三是客群C中的不同组别有不同的授予额度,我们可以给申请人B直接授予客群C中使利润最大化的组别额度。

        他还提到,KNN算法模型最大的困难就是要积累足够多的随机测试样本,如此才能给客群A中足够的随机额度授予,在找到客群C后,客群C中也有足够的客户都有随机授予的额度。

        而对于如何评估和验证策略模型的效果,马斌斌表示,在模型效果检验上,可分Y标签和无Y标签两部分建模,然后根据指标通盘考虑模型效果(如区分度、准确性、稳定性等);模型上线后,可采用线上和线下两种方式对新旧额度收益进行测试验证,推荐采用历史样本测算方法,计算新旧额度下的总盈利,将最终盈利情况进行对比;对于模型应用,则可通过决策树实现客层差异化,对风险较低的用户设计高额度低定价,吸引客户用信;对中高风险客户设计低额度高定价,满足收益大于风险的原则。

        “事实上,上述提到的这些额度策略方法都有各自的优劣势,具有模型效果及复杂程度逐步提升,但可解释性逐步下降的特点。”马斌斌建议,银行等持牌金融机构可从准确度和可解释性两方面需求综合衡量,找到适合自己现阶段发展情况的额度策略方法。“其中,逻辑回归模型和KNN算法模型可以达到不错的平衡效果,较为推荐”。

        在新的监管形势下,对于银行等持牌金融机构来说,从非自营业务向自营业务、自主风控能力建设的数字化转型中,额度策略也是需要不断动态调整的,“这不仅仅是为了业务增长,更为了在利率上限、监管趋严的大环境中,合规、健康、稳健地走得更远”,在马斌斌看来,实际上不仅仅是额度策略,可能还有些机构也不知道反欺诈策略、模型管理等应该怎么调整,方法论是什么,也有部分机构可能有了具体方向,但还没有形成落到实际业务中的能力,而这些都是可以通过咨询来解决的。”

        如今,融慧咨询从孵化至今已经打造了多个“深度赋能”标杆案例,品牌不断升级,用马斌斌的话说,“融慧金科已经完成了百米赛跑的起跑阶段”。随着更多优秀的科技人才加入,融慧金科无论是在新技术的掌握上,还是在咨询业务模式上都将不断实现质的飞跃,“希望在不久的将来,当金融机构遇到任何一个业务痛点时,首先想到的就是融慧金科”,这也是马斌斌为团队定下的终极目标。

《电鳗快报》