信用算力张建梁：提高用户粘性，要足够了解用户和产品 | 消费金融十周年专访

消费金融子元零壹财经 2019-11-03 阅读：69034

关键词：用户粘性 消费金融 信用算力

信用算力精准营销平台，针对不同信贷需求客群提供不同利率区间的信贷产品撮合信息服务。

从2009年中国银监会颁布《消费金融公司试点管理办法》至今，消费金融已经发展十年。

十年来，24家消费金融公司先后成立。他们不仅丰富了我国的金融机构类型，促进了金融产品创新，而且为银行无法惠及的个人客户提供了新的可供选择的金融服务。

如何总结这十年？如何面向未来？为此，零壹财经·零壹智库策划了消费金融十周年专题访谈，邀请行业领袖、学者以及业内人士进行深入的探讨和交流。

在消费金融有效流量越来越稀缺的大环境下，各平台正在加速场景渗透，提高用户粘性以覆盖生命全周期。平台的用户粘性如何能形成有效闭环，已经成为行业核心关注的方向。

无论是在消费金融领域，还是在普惠金融领域，用户都在下沉。各家机构正面临越来越复杂的用户结构，而第三方金融科技公司基于人工智能技术，依托平台庞大的征信数据集、先进的数据挖掘和智能搜索能力，正连接着借款用户与金融机构，完成用户与产品的智能匹配，用技术助力普惠金融的创新和发展。

而如何通过技术手段完成用户与产品的智能匹配并提高C端用户粘性？近日，零壹财经专访了董事长兼CEO张建梁，他表示，信用算力精准营销平台，针对不同信贷需求客群提供不同利率区间的信贷产品撮合信息服务。要提高用户粘性，他认为要做好两点：首先，要足够了解产品。对所有合作产品进行交叉真人实测，对产品进行“望闻问切”，确保产品信息的真实性。其次，要足够了解用户。对用户进行定价与分层，确保用户以更快速度、更低成本完成资金需求，让不同信用区间的用户，得到不同产品定价的信贷服务。

而在充分挖掘用户价值上，反欺诈、智能风控等技术手段提供了充分的支持。信用算力目前拥有 “用户风险预测及风险评级风控系统”、“金融指标分布式计算方法及系统”、“分布式系统监测系统及方法”等6项国家专利。此外，在申请国家专利有12项，主要为风控系统、模型开发等方面的研发成果。

张建梁表示，机构期望能在借款用户中挖掘具有还款能力和还款意愿的白名单，以构建核心用户体系，确保业务能够持续健康地进行下去。那么，考虑用户的成长性问题就十分必要，分析用户其在不同阶段的还款能力和还款意愿，才能提供适宜的金融服务。

此外，在接受专访时，他还对近几年消费金融行业变化、用户隐私保护、智能风控及联合建模等热点话题加以探讨，以下为对话实录：

提问者｜零壹财经受访者｜信用算力董事长兼CEO

01 消费金融行业：渠道、用户及风控

零壹财经：行业整体在风控和获客渠道方面，近几年最大的变化是什么，可否举例说明？

张建梁：在风控方面，最大的变化就是大数据模型的应用及智能风控的普及。比如在大数据应用这方面，通过对用户真实的消费数据和行为数据的挖掘，利用风险模型的方式加工输出对客户还款能力与还款意愿的评分，来预测客户的坏账率，用以决策判断及量化风险。

在智能风控这方面，大量利用系统决策来替代人工审核，大幅提升审核效率，以及审核策略的标准化，为信贷产品往小额、普惠方向发展提供了基础支持。在营销获客方面，从早期的线下广告到现在的抖音、快手等短视频广告及各类app、小程序开屏页/广告页的广告，可以发现获客渠道其实是跟随着用户的休闲行为方式及渠道可触达性在动态调整的。

零壹财经：现在消费金融行业应该已有共识，那就是风控不能再简单地停留在反欺诈，而是应该覆盖到用户整个完整的生命周期，应该怎么来理解这句话？

张建梁：反欺诈能力和信用识别能力的高低，是机构业务开展顺利与否的必要条件。而从机构运营角度考虑，机构期望能在借款用户中挖掘具有还款能力和还款意愿的优质客户，以构建核心用户体系，确保业务能够持续健康地进行下去。那么，考虑用户的成长性问题就十分必要，分析用户其在不同阶段的还款能力和还款意愿，提供适宜的金融服务。以一个刚毕业的大学生举例，受教育水平较高，还款意愿较强，虽然当下的收入水平较低，但是未来会有比较大的增长空间，另外在他的人生中还会经历结婚、买房、买车、孩子教育等问题，这其中涉及很多信贷需求，比如车贷、房贷、教育分期等等。

此外，我们应该对风控有更加全面的认知。风控是全面覆盖贷款客户的贷前、贷中、贷后整个生命周期，而不能仅仅局限于贷前反欺诈。贷前反欺诈只是风控全流程、全生命周期管理的一个重要环节，但不是风控工作的全部内容。

贷前反欺诈只能把一部分欺诈类的“坏客户”挡在外面，但不能保证通过贷前反欺诈的客户都是能按时还款的“好客户”。加强贷用评估，和贷中贷后的监控和管理，对提高信贷资产质量也至关重要。

零壹财经：伴随我国人口红利逐渐消逝，互金行业整体也从C端转向B端，不少机构也转型发展助贷业务，您如何看待这一变化？

张建梁：互金行业从C端向B端或者是转型发展助贷业务，其实本质是一种资源互补的行为。互金机构可以说是互联网金融发展的先驱者，在互联网技术、获客、甚至风控等方面都具有先发优势，并且通过历史业务积累了丰富的经验和数据。对B端机构来说，他们在牌照、资金等方面占据较大的优势。如果能通过合作的方式，将双方的优势能力进行结合，可以帮助彼此快速发展业务，同时也提升了双方服务用户的能力和效率，最终实现共赢。

零壹财经：近年来，我国消费金融市场经历了高速增长期，而近两年呈现出挖掘下沉市场机遇、共债风险增多的现象，您认为是否对于风控技术是一项更大的挑战？ 张建梁：从互联网普及率、用户接受新事物能力等方面考虑，机构早期获客往往是先从一二线城市布局，但经过长期的发展，这些城市的消费金融市场已接近饱和，机构获客成本偏高，且收益并不见得会比其他城市更好，因而市场下沉也是一种必然趋势。同时也因为市场下沉，可能会面对很多信用白户，这就非常考验一个团队的风控能力了，是否能通过强相关的消费数据、行为数据及其他弱相关的边缘数据建立一个合理有效的风控模型，将决定机构是否能真正从中获得一席之地。市场下沉，意味着更多资源的投入，并且在风控、获客等层面做出调整，各机构都需要接触一些本地团队，以提升业务的实际可执行性。

02公司层面：用户粘性、隐私保护及非金融领域信用服务

零壹财经：请您简要介绍下公司最核心的业务产品与合作持牌机构情况，您认为持牌消金公司最看重的是什么？

张建梁：我们将信用算力定位为一家纯粹的信用服务解决方案提供商，业务聚焦精准营销、信用查询、智能风控、咨询研究，面向的场景合作方包含金融、电商、人力资源等领域。

信用算力核心业务主要有两大板块。第一个是精准营销业务，主要连接金融机构端和用户端，为需求用户匹配和推荐信贷产品，提升双方匹配效率，减少信息不对称、信用不对称产生的时间与资金成本。第二个是提供风控服务，主要包括风控策略输出、智能风控产品和风控决策引擎系统输出等。

目前我们累计合作的机构突破1000家，几乎涵盖业内所有的持牌消金公司，在长期合作中我们发现，持牌机构更看重平台技术储备实力、业务风控能力和产品运营能力。

零壹财经：在消费金融领域，公司目前服务客群的规模如何？能否举出一个实例，我们如何通过金融科技和场景嵌入，做到C端用户粘性提升的？

张建梁：按照我的理解，要提高用户粘性，我认为要从产品、服务、品牌做好两点：

要足够了解用户：对用户进行定价与分层，比如通过评分卡模型创建平台用户独有的信用分，确保平台匹配和推荐的产品与用户信用资质、风险承担能力、还款意愿相匹配，确保用户以更快速度、更低成本完成资金需求，让不同信用区间的用户，得到不同产品定价的信贷服务。

要足够了解产品：对所有合作产品进行交叉真人实测，为平台内的每一款产品“把脉”，从真实费率、真实额度、真实还款期限、真实通过率、真实放款时间、真实流程、真实用户评价等多个维度，对产品进行“望闻问切”，确保产品信息的真实性。

零壹财经：面对近期众多大数据公司出现违规严查的案件，我们如何保护用户隐私不被泄露？

张建梁：在业务开展过程中，我们从数据获取、数据存储、数据传输、数据加密、数据权限管理等各个关键节点，设置隐私保护节点。同时，对接触用户数据的机构和个人进行区间与界限管理，确保不同权限的人看到的数据维度是完全不同的，严禁各权限人数据源聚合交叉，防止数据泄露。此外，业务开展过程中坚持不与数据来源不合法的三方机构合作，在合理开展的联合建模业务中，也仅将模型部署在数据源方，我方仅输出用户综合分数结果，不输出任何用户隐私标签。

零壹财经：我们发现，公司取得了多项国家专利和著作权，这些对于我们业务开展起到哪些作用？

张建梁：知识产权具有所有权上的排他性，信用算力在业务开展中十分注重对各项知识产权的保护，尤其是业务开展过程中涉及到的核心技术、核心研发理念、核心成果，这些既是业务开展和实施的经验总结，也是新业务开展的技术前提。信用算力目前拥有 “用户风险预测及风险评级风控系统”、 “金融指标分布式计算方法及系统”、“分布式系统监测系统及方法”等6项国家专利，已有国家专利技术可实现对不同类型金融机构的异构数据源间数据归一、特征挖掘、指标计算，支持对不同客群的标准化产品特征源和指标集推荐，实现一键式指标管理。此外，在申请国家专利12项，主要为风控系统、模型开发等方面的研发成果。

零壹财经：除了精准营销服务、SaaS服务、大数据风控和咨询服务，未来还会加大哪些业务方面的投入？ 张建梁：未来我们会在三个业务线上加大投入：针对现有优势的线上精准营销业务，公司继续针对不同客群提供不同利率区间的产品撮合信息服务，并持续加强同金融机构的深度合作，持续提升信息撮合效率。同时将精准营销业务从线上拓展至线下，发力大额长期经营贷款撮合业务，并逐步在上海、北京之外的重庆、武汉等7个省市区域展开试点经营和推广技术服务业务。持续加强风控业务投入和风控服务能力，输出风控策略体系和智能风控产品，如风控决策引擎系统、大数据风控服务等。持续拓展非金融领域信用服务业务。公司基于完全面向市场开放的全国工商信息、诉讼信息、知识产权信息等公开数据为切入点，结合信用算力多年来在金融科技领域的数据积累与经验沉淀，切入信用资讯、信用检测、信用评估、信用修复等信用服务业务。

03技术层面：Fin-Cloud信贷云决策引擎风控流程、联合建模

零壹财经：贵公司的风控系统经过怎样什么的迭代？请介绍一下信用算力的风控流程，以及风控流程中关键的几个环节是什么？如何防范欺诈风险？

张建梁：信用算力Fin-Cloud信贷云决策引擎系统迭代一般包括技术迭代和风控指标迭代。Fin-Cloud信贷云决策引擎技术迭代一般围绕扩展系统性能进行优化。风控指标迭代一般会根据一段时间内的业务积累和贷后表现，通过决策数据接口和风控大数据模型进行样本分析，持续监控贷后数据与之前决策结果的偏离、用户品质的偏离、数据结构的偏离，持续优化决策知识库，并根据返回的最终决策结果调整内容及策略方向，从而确定是否需要调整或迭代策略风控内容。

Fin-Cloud信贷云决策引擎风控流程主要包含四个环节，即流量获客风控、贷前准入风控、贷中监测预警以及贷后逾期监测。其中最重要的环节包括反欺诈、身份核验以及贷中监测环节。从流量端来说，需要对信贷需求用户进行风险预判，用户价值预判，营销响应模型与规则搭建，以及流量投放时的精准定价、定向标签、关键词优化调整等。从贷前风控来看，主要包括准入策略、信用评分模型、欺诈评分模型、授信额度模型、风险定价模型等进行搭建与优化，从而辅助决策引擎做出正确的申请、授信、定价等决策。从贷中管理来看，重点关注不同阶段逾期指标、不同渠道逾期指标、信用变化评估、额度管理、多头监控等。从贷后监测来看，需要从催收响应、催收覆盖、催收难易度模型等方面，匹配不同逾期客户的贷后跟进方式，比如短信、电话、司法诉讼等，开展资产保全工作。

要做好欺诈风险防范，首要是做好欺诈类型的和界定：如针对群体欺诈事件，重点需要从已据中找出批量用户异常点，如同设备类、地址类、个人信息类、同时段、同区域、同单位、同联系信息等是否存在关联性。针对个别欺诈事件，需要对个人信息审核阶段异常数据进行标签化，监控与该用户有相关性异常数据的其他用户，是否存在同样的数据异常点，从而做出判断和模型优化；

从技术手段来说，防范欺诈风险需要持续进行算法防范，如通过社交图谱、关系网络进行早期欺诈分子侦测，以及贷中欺诈团伙识别和贷后催收用户失联修复，做到更早、更好的识别危险用户，而不是等到造成坏账损失或欺诈舆情后才进行措施补救。此外，也可以通过冲突检测网，将用户形成的关系圈按照连通图进行切割，切割之后的各个群体互不相连，均可作为独立的群体进行观察与研究。

零壹财经：在智能风控技术方面，公司构建的SaaS服务，开发的Fin-Cloud云平台，技术优势是如何体现的？是否涉及联合建模？

张建梁：Fin-Cloud信贷云决策引擎主要基于金融领域的SaaS服务模式，以标准化、高效率、轻量级的成熟平台技术解决方案，系统具备的开放性、灵活性、一站式等特征，可实现秒级在线风险量化决策，风控功能性能快速迭代，同时可以提供决策指标计算、客群筛选、业务定制开发和系统运维服务。

联合建模是目前业内比较常见与机构合作的方式之一。如与外部数据源联合建模，将模型部署在外部数据源，只输出指标标签，不输出原始数据，目标结果是减少数据泄露，提升业务运营效果，降低风控坏账。

零壹财经：我们所做的金融风控评分平台，每家金融机构对于风控指标与权重是否会有不同角度的侧重（社交数据、偿债能力、贷款逾期记录等），我们如何处理客户提出的个性化需求？

张建梁：我们有通用分数，也有联合建模分数。其中，通用分数不区分机构，适合多家机构的不同产品，联合建模则根据每家机构的客群分布特征和历史逾期状况，挑选不同的指标和权重建模，在数据指标和权重上都会有不同侧重。一般来说，联合建模的综合评分的区分能力要比通用评分高，风险识别能力也更强。