人工智慧和區塊鏈在風控的運用，會是一個偽命題嗎？

整理 | 棘輪 米格

人工智慧和大數據，正在被應用到風控行業的縱深地帶。

它們推動行業蓬勃發展，讓行業從業者如虎添翼，也帶來了新的挑戰和難題。

如何直面這些挑戰，解決當下痛點，為金融科技創造一個更為美好的未來？傳統行業又應該如何轉型？

在一本財經舉辦的「風控·命門」金融科技峰會上，業內專家結合自身實踐，給出了極具參考價值的答案。

胡亮：用知識圖譜可以獲得更準確的風控模型

快牛金科聯合創始人、高級副總裁胡亮

1

人工智慧的三大學派

2015~2017年中國徵信業的大爆發，來自於風控管理領域大數據與AI等新技術的應用。

但事實上，AI技術不僅僅有大數據或者機器學習一個領域。通常，AI技術可以分為三大學派：

一是符號主義，它是模擬人的思考過程，典型代表是知識圖譜。

二是模擬人的神經結構，被稱為連接主義，它的典型技術是當前應用最為紅火或者取得最大成功的神經網路技術，也就是深度學習技術。

第三類是模擬人的行為，稱為行為主義，典型代表是各種機器人的製造。

2

深度學習的危機

深度學習技術在這幾年取得了很大進展。可以說，2015?2017年徵信業的爆發，更像是深度學習這個技術在風控上的爆發。但深度學習並不完美，也遇到了很多挑戰。

第一個挑戰，是可解釋性的挑戰。在風控領域，可解釋性非常重要。尤其在銀行，銀監會對風控的解釋有非常強的要求。像去年141號文明確提到，金融機構要做好KYC，要謹慎採用數據驅動的風控管理方式。

第二個挑戰，是樣本數據依賴的問題。要訓練出一個優秀的風控演算法，必須依託于海量的樣本數據。在金融行業，這意味著高額的成本投入。

第三個挑戰，是技術瓶頸問題。近年來人工智慧浪潮的興起，與神經網路技術息息相關。但技術理論難以繼續突破，也限制了深度學習演算法的發展。

怎麼解決這個問題？知識圖譜與深度學習的結合，就是目前比較火熱的一個方向。

深度學習的技術本質是數據驅動，它不信任或者不依賴於知識，純粹是用機器學習的方式，從數據中把原理給學習出來。

3

何為知識圖譜？

人類在發展歷史中積累了非常多的知識。在風控領域，很多風控專家也在業務發展中也積累了大量經驗。如果這些知識不能應用到風控模型中，是非常可惜的。

怎樣才能把知識應用到風控中呢？知識圖譜與人工智慧的結合，就是一個好手段。

對很多人來說，知識圖譜技術略顯陌生。簡單解釋一下，知識圖譜想要解決「計算機只理解數據，但不理解知識」的問題。

知識圖譜技術可以將知識串聯起來，用可視化的方式，對知識進行聯想、推理，把先驗的知識變成計算機可以處理的內容。

傳統的機器學習，是拿著一堆數據進行訓練，得到模型，並應用模型進行預測。

知識圖譜與深度學習結合，不僅僅是喂數據、樣本，還把先驗的知識交給計算機，從而得到一個比純粹數據驅動更準確的模型。

4

知識圖譜有哪些應用？

一個最常見的應用是社情發現，純粹利用圖計算即可做到。在用戶關聯網路中，尋找聚集在一起的客戶，有哪些行為特徵。

如果是正面社情，可以進行互相營銷。如果是負面社情，也可以主動發現，進行相應措施。

第二個應用是交叉驗證。為了風控需要，金融產品需要客戶提供很多信息。客戶提供的信息可能是真實的，也可能是虛假的。知識圖譜可以運用交叉驗證的方式，驗證信息是否正確。

舉個例子，單個用戶提交工作單位、電話、地址等信息，很難判斷信息是否正確。但如果有多個用戶提供相同信息，就可以用交叉驗證的方式判斷信息真偽。

第三個應用是數據推理，可以用在數據補全上。有時用戶提供的數據，部分數據是選填的，用戶不一定會提供。但如果把其他數據結合在一起，就可以判斷選填的數據應該是什麼。

在貸後的數據失聯修復上，知識圖譜也能獲得重要的應用。通過推理可以獲得新的數據，但前提是有足夠的技術去建立這樣的網路。

怎樣才能在複雜的企業關係中找到風險點？知識圖譜的關聯關係挖掘技術，可以幫助我們迅速定位到風險點。除此之外，反洗錢、資金流向追蹤等銀行應用，也是知識圖譜常見的應用場景。

5

知識圖譜的未來

既然知識圖譜如此好用，有如此多的應用，為什麼沒能像大數據一樣鋪開呢？這是因為它存在很多的挑戰：

第一，承受有限的計算框架。這幾年大數據技術的發展，一個非常重要的前提，就是算力的提升。現在有很多很廉價的伺服器，但把這些伺服器利用起來，需要分散式計算的技術。這些技術的發明使得大數據獲得發展。

但知識圖譜里的圖計算有它獨有的特點，這決定了知識圖譜很難適用現有的分散式計算框架，性價比不高，效率並不好。這也是限制了知識圖譜發展的一個核心原因。

第二，高效經濟的存儲方案。圖的存儲有很多，如果圖數量巨大，圖的計算、挖掘、更新，都會遇到比較大的瓶頸。圖資料庫是目前流行的計算圖存儲方式，但即便是應用最廣的圖引擎，在節點很多的情況下，也無法實現實施插入和查詢。

但在實際應用中，實時的插入往往又是非常核心的要求。企業都希望實時查看新客戶的數據在網路里的反映，這就需要把新客戶的數據實時插入，並且實時做社情發現、關聯查詢，但目前存儲引擎都難以友好地去支持這一點。

喬楊：數據技術進入2.0時代，考驗的是深度解讀能力

1

打破金融領域二八定律

在金融領域，二八定律是非常普遍的現象，在零售領域也是同樣的。

我們對20%的客群可能有比較豐富的金融強相關屬性的數據，可以對它進行一個授信的判斷。但是從目前情況來看，行業並沒有有效的數據來對80%的金融弱活躍客群進行有效判斷。

所以金融行業里有這個說法：「我們現在能夠盈利的客戶，就是我們比較了解的客戶。」

當一家金融機構想拓展自己的資產規模時，它面臨最大的挑戰，就是如何跳出20%人群授信的限制。

比如銀行機構若只能對央行徵信覆蓋的那1/3的客群進行授信，那所有銀行爭搶的客戶都是1/3人群之內的客戶。這樣一是最終不能達到普惠金融的目的，二是即使80%裡面有很多金融信貸需求非常旺盛且信貸資質非常良好的客戶，想要挖掘這樣的客戶，對金融機構來說也是很大的挑戰。

2

信用評分機制

在中國互聯網金融飛速發展的環境下，大量的客戶可能具備數據的寬度，但不具備數據的深度，也就是說數據的維度會非常廣，但在每個維度上面積累的歷史並不長。

這就促進了機器學習的飛速發展，也是為什麼國內大量的金融機構嘗試用機器學習的方式進行授信的原因。機器學習的最大優勢是把維度上升到了多維空間，我們把這些特徵映射到高維空間之後，可以看到對好壞客戶的區分度效果是非常明顯的。

簡單講一下我們的打分邏輯，大家在多個場合已經看到過，就是把海量高維的跟金融弱相關的變數通過這個過程，最終進行模型的融合，打出自己的分數。

這個分數背後整個的過程就是集成學習的過程。集成學習的過程最重要的一步，是前端的數據清理和數據加工，還有它的特徵工程的步驟，如何提取有效的特徵，將這些特徵映射到所謂的主題模型上面，在主題模型上面融合，最終打出一個分數。

國內金融領域最大的問題不是數據寬度問題，是數據深度的問題。

想像一下，如果一個子模型有兩萬維的變數，在兩億的客群上打分，最終不是兩萬×兩億的概念，其實真正有效的數據可能只有幾百，最多幾千個。基於這樣的情況，我們在建模的時候，用傳統的方式效率非常低。

但是如果用集成學習的方式在子模型上進行一個迭代，其實每個評分背後有超過十個子模型，比如還款能力的模型、還款意願模型、消費水平的模型、催收模型等等，就可以把多維的弱變數加工成跟金融相關的子模型，再通過融合的方式打出一個最終的分數，這是信用評分整個的打分機制。

這個機制有兩大優點，它不是單一學習的結果，是多個學習器學習的結果。另外，大家知道建模尤其是融合模型最大的問題是，它是一個牽一髮而動全身的過程。但是我們的子模型在融合過程中，是把耦合做了一個非常深度的解耦，一個子模型融合的模型並不是非常多，這樣對單一模型進行調整，並不影響整個模型的效果。

3

複雜網路與機器學習的結合

我們在兩年前就嘗試做了一個複雜網路和機器學習的融合，提出了一個漫網技術。我們是藉助個人的N度關聯，把整個異常的群落識別出來。

以前做反欺詐和風控判別的時候，會基於客戶本身的維度，對客戶的本身風險做一個判斷，但是在反欺詐領域，很多欺詐團伙作案的上下游性質非常的明顯。我們在內部做了特製，可以非常有效地識別團體和帳號，有效識別度超過75%。

同時，我們也在路徑學習上做了嘗試：一個正常客戶和一個壞的客戶在整個頁面上的交互流程是怎樣的？有了這樣的機制，就可以有效地把好壞客戶做出有效識別。

最後是自動化授信的實踐。如果你的模型是有效的，比如對於壞客戶做一個評分，經過排序之後，比如我們把最差的40%客戶做一個篩選，它的風險準確率達到83%，這是你可以承受的範圍。我們可以把前40%的客戶做自動拒貸的處理。

反過來，對於好的客戶，如果前60%的客戶安全精準度達到90%，對這些人做自動放款是非常安全的，因為遠遠低於你的風險容忍度。

所以如果你的模型是有效的，最終達到一個理想的效果，就是希望你拒掉的客戶和通過的客戶給中間的空間越小越好，這是一個有效的模型能夠達到的比較好的效果。

你需要做的，就是對於中間的客戶通過其他的策略手段進行一個判斷。如果你的模型並不是有效的，給中間留下的空間會非常大，這對於你的風控團隊提出了非常大的考驗。

這是我提到為什麼評分在信貸領域那麼重要的原因。有效的評分可以幫助提升信貸效率，把風險大大降低。

4

數據技術2.0核心是深度解讀能力

數據1.0時代是數據獲取、數據處理、存儲的階段。我們現在已經進入了數據技術2.0時代。

而今，我們每天每人平均處理的信息量相當於17世紀每人一生處理的信息量。現在這個年代信息存儲的成本非常低，且信息獲取渠道也非常多。

這得益於整個互聯網的高速發展，包括智能終端的高速發展，所以這給我們提出了什麼樣的挑戰？一是數據量現在並不是一個問題，數據採集總量每15個月就翻一倍，互聯網的數據總量達到2.7 Zetabytes ，其中34%是具有價值的，7%已經帶有某種標籤，但是利用率只有1%。

所以我提出，2.0時代不是數據收集處理的時代，是解讀的時代，在這個時代裡面，誰能夠有效深度解讀獲取的數據，才能在競爭中脫穎而出。

5

連接比擁有更重要

我們遵從的另一個理念是「連接比擁有更重要」。我們不想做業內一家獨大，我們有一些獨有的數據資源、數據技術，但是我們更想做的是連接。

在金融領域，我們做了大量的嘗試，但是對於用戶畫像的刻畫，如果僅僅是從金融場景獲取的話，畫像並不完善。所以我們提出了一系列泛金融場景的合作，包括房屋租賃，大家看到動靜比較大的是生活零售、職場設備等等，我們輸出的還是數據挖掘能力和模型能力。

我們搭建場景的閉環，幫助合作場景方對用戶畫像做一個更深度的完善，同時幫助他們降低准入門檻，獲得更多的流量。

我們的模型和風控技術可以使用戶得到差異化的服務，這樣用戶的體驗會更好，得到的服務會更精準，所以有了這個閉環之後，我們對於這個用戶畫像的刻畫會更加精準。我們把金融類的場景和泛金融類的場景連接在一起，中間的連接器就是模型技術和技術輸出能力。

做個總結，我認為，風險管理不僅是一個流程，更是一種態度。在金融信貸領域，風險管理永遠是第一位的，它必須穿插信貸交易的全過程，因此，利潤一定是風險管理的產品，而不是慾望的產品。

毛羽建：通話大數據在風控領域發揮著重要作用

電話邦創始人兼CEO毛羽建

1

通話社交大數據創新應用於風控領域

什麼是通話數據？通話數據是用戶發起的主叫通話、被叫通話、漫遊通話等通話行為在運營商交換機里記錄的各種信息，包括通話對象號碼、通話時間、通話時長、通話類型等。

其實電話邦在2012年做號碼大數據構建的時候，就在思考，這些大數據能做什麼事？我們認為大數據的應用方向分為兩個方面，一是收斂，收斂的應用方向可以用來做風控，還有一個是發散，發散的應用方向可以用來做營銷。電話邦首先把它應用到了風控領域。

金融風控會用到的主要數據維度，包括：三方徵信、身份信息、通話數據、消費數據、電商數據和合作機構數據，金融機構會從這些數據中合理篩選然後放入模型來構建風控體系。其實今天上午，北大的劉博士也說到，他把通話數據放到所有數據的第一層，他也認為通話數據是非常重要的，包括他後面想要構建的一個場景就是能把三大運營商的數據拿出來，通過一個機構來進行輸出，其實這也是我們在乾的事。

我為什麼想強調一下這個通話數據，因為它確實和其他數據有一些不一樣，它是高覆蓋、高頻次的一類數據，因為95%以上的人都會有通話行為。

央行徵信覆蓋了20%—30%的人群，黑名單和灰名單也有命中和不命中的情況，但通話行為都是真實在發生的，我想在座的很多風控人員也經常會用到通話社交數據，只是說這個數據怎麼用才能發揮最大的價值，這是我今天特別想分享給大家的。

2

通話社交大數據多維度助力風控建模

通話社交大數據在風控中可以起到這幾方面的作用：

首先，我們通過對申請人通話數據多維度的分析，可準確掌握用戶行為和消費習慣，可以幫助金融機構刻畫精準用戶畫像。舉個例子，當一個人的通話對象中有很多4S店，這個4S店是寶馬4S店還是北京現代的4S店，是代表了不同消費能力的。以及他經常聯繫的酒店是五星級的還是連鎖酒店，對他的用戶畫像刻畫也不一樣，通過跟他商戶的通話行為可以相對精準刻畫出他的畫像。

此外，通話社交大數據還能識別逾期風險，當一個人的通話里有一些高危通話，比如頻繁接到公安、詐騙和賭博的電話，或者經常收到催收電話，經常接到不同催收公司的電話，那麼我們可以判斷出這個人的逾期風險是非常高的。

最後，通過對用戶畫像的精準刻畫，和逾期風險的識別，可以幫助金融機構做風險定價，以及分析申請人的償還能力。

3

通話社交大數據幫助金融機構降低逾期率

電話邦通過自主研發的電話號碼專項搜索引擎，成功打造出了全面精準的電話號碼資料庫，並累積了強大的爬蟲能力和技術，繼而推出了邦秒爬產品，在用戶強授權後，幫助金融機構快速獲取申請人的運營商通話數據，成功率超98%。

同時電話邦還推出了運營商報告，與行業內報告不同的是，電話邦可以幫助金融機構做更詳細精準的分析，判斷養號和欺詐風險。舉個例子，申請人填寫了緊急聯繫人，但這個緊急聯繫人的號碼是否是真實存在的，或者說跟申請人是否存在緊密聯繫，這需要背後有大量的數據判斷。這樣的數據量和技術目前只有電話邦能做到，我們可以通過這個號碼的歷史行為來判斷真實的情況，比如號碼是否屬於臨時申請的小號，近幾個月有沒有正常通話行為，有沒有正常生活軌跡等。

我們還有一款產品叫做「邦秒配」，幫助有自主數據獲取能力的中大型的金融公司來進行更深入的分析。對一個人的通話行為的分析，其實就是一個號碼針對一堆號碼的匹配，如果不知道這一堆號碼背後是誰，那獲取來的通話數據就毫無意義。電話邦利用自主構建的號碼庫的數據，9000萬商業機構的1.2億個電話號碼，以及1.73億個眾籌標記號碼，來幫助金融機構填充申請人的關係網路，給號碼匹配出精準標籤。

標籤分三種：

一是黃頁數據，包括所有企業對應的信息。

二是標記數據，電話邦日標記次數超過一千萬，這個是非常重要的，因為數據需要實時更新，舉個例子，一個詐騙電話存活周期可能就十天，過後就不活躍了，所以必須是動態數據。

三是金融專項標籤，我們提取出很多對金融風控有用的數據特意打上標籤，讓它可以在風控模型中產生作用。比如銀行、賭博、典當、校園分期、校園貸款、醫美分期等等的標籤，這樣可以更加精準。

幫秒配可以幫助企業判斷申請人的消費習慣、養號風險、真實所在地和多頭借貸情況。比如我說我是北京的，結果每天都和廣州的店鋪和快遞員發生通話，這個信息就可能是虛假的。

有的騙貸人已經開始偽造通話記錄，偽造六個月、三個月的記錄想來騙貸。但他偽造的記錄永遠不可能真實，因為電話邦後面有大量的數據支撐，可以分析出一個人的通話行為是不是正常的，是不是有真實的生活服務類的電話在通話。

同時，我們發現把一個人跟催收號碼的通話行為提取出來做分析，對金融風控是非常有用的。

原理也很簡單，一個人的借貸行為基本分五步，申請、負債、逾期、催收、壞賬。現在市場上有很多多頭借貸的情況，其實就是多頭申請，但他未必是壞人，因為這中間還隔著負債、逾期和催收這三個環節。

催收與逾期是具有強相關的，催收的下一步就是壞賬，所以透過對申請人與催收號碼和疑似催收號碼的通話行為進行統計分析，可幫助金融機構提前預知用戶的逾期風險。在實際應用中催收分產品效果尤為突出，讀秒CEO周靜表示過電話邦的催收分產品結合讀秒的內部關係網路數據，可挖掘出有效的風險預測特徵，幫助讀秒提升KS值高達7%。

最後，電話邦也將不斷進行創新，探索更多的應用場景，幫助金融機構不斷降低風險、提高獲利。

趣店許龍：中國汽車融資租賃模式佔比不足5%，未來仍存機會

1

趣店為什麼要做汽車分期？

大家都知道，趣店集團自從去年在紐交所上市後，在資金與綜合業務能力上都有了一定積累。我們的團隊還很年輕，大家都懷有一顆創業的心，希望做更多事情。

在整個業務的下一步發展上，我們有兩個方面的考慮：

第一，在場景上，趣店集團之前更多地聚焦在小額消費金融業務與商業產品的提供。我們希望擴展更多產品，汽車是我們選擇的第一個拓展場景。

第二，我們在金融行業的角色定位，與傳統金融機構相比，優勢主要在互聯網化、數據化與技術化方面的能力。如何服務好傳統金融機構，幫助他們做普惠金融實踐，符合我們的定位。

在汽車領域，趣店的戰略定位在哪裡？我們選擇了「為汽車主機廠賦能，為年輕人提供第一輛汽車」兩個命題。

2

汽車：電商行業最後的壁壘

我們認為汽車行業現在面臨的，不是被顛覆的狀態，而是需要更多數據或者技術能力的補充。此外，趣店歷史上一直服務於中國缺乏較好金融服務的年輕人。這個群體在成長的過程中，消費意願也在發生變化，汽車是他們繞不開的需求。

我們把大白汽車項目的關鍵詞落在了新零售。汽車行業可能是過去這一波互聯網電商浪潮中，唯一一個沒有被滲透的企業，這是電商時代最後的壁壘。

為什麼會這樣？汽車是一種大額資產，有明確的產權記錄，交易、服務、銷售的鏈條都十分漫長，單純用電商的思路去替代，效果可能並不如人意。

新的零售格局在哪裡？如下圖，像一個三明治，中間是新零售的從業者，上面是主機廠，最下面是消費者。中間一層還難以替代上下所有層，但我們可以利用一些金融手段，將商家聚合在一起，提高他們的經營效率。

新零售不是一種替代，而是一種黏合的過程。

3

傳統汽車零售問題何在？

目前，整個傳統汽車零售面臨著四大挑戰：

首先，中國汽車市場經過長期發展，增速已經明顯放緩。尤其是北上廣等一線城市，新車交易增速已經急劇放緩。

第二，渠道下沉的挑戰。大多數汽車的傳統銷售渠道仍是一二線城市，4S店高額的建設運營成本，使得傳統車企渠道下沉的難度大，速度慢。

第三，90後等年輕消費者的崛起。年輕人更多地將汽車當做消費品，而非資產。新興消費者對於買車的需求並不強烈。

第四，需求多樣化。傳統的汽車銷售渠道，越來越難以滿足新興消費者。

這四個問題放在一起，我們看到的是行業的挑戰，也是新的企業入局時的機遇所在。

新零售為什麼能解決上面四個問題呢？我們認為，新零售模式可以為汽車市場帶來四個方面的增量：市場、渠道、用戶群體，服務。

市場的增量，其實是不同市場汽車消費結構的分布。北美市場乃至全球市場，汽車金融的滲透率都很高。

但大白汽車的這種融資租賃模式，在中國佔比不足5%。如果中國經濟發展一直向發達國家靠攏的話，消費者的消費習慣也會向北美等市場靠攏。這是一次潛在的增量機會。

在渠道增量上，大白汽車主要選擇三四五線城市，每年的新車交易增速在20%-30%之間，尚處於藍海市場。大多數店面的面積在80-120平米之間，甚至只有60平米，屬於輕資產管理模式。

在服務上，融資租賃模式門店更便捷，付款門檻低，用戶體驗比傳統模式更好。

4

汽車融資租賃如何做好風控？

在模式上，我們在貸前做了一道風控的攔截。

首先，我們是用直租的模式，汽車的產權必須上在公司名下，使得汽車的變賣或者二抵變得很難，違約犯罪的成本變得更高。

第二，我們早期的業務仍然聚焦在老用戶上，老用戶已經是上億次交易風控模型篩選過的用戶，所以用戶本身的質量是能得到一定控制的。

第三個是在車型的選擇上，主要做12萬以下的。可以降低資產本身被套利的可能性。

客戶准入階段，我們主要藉助線上手段，去識別可能的黑用戶或者欺詐用戶，同時，也會接入一些汽車行業的第三方數據。除此之外，還增加了一些線下的風控手段和場景，我們的門店很容易完成線下面簽。

貸中客戶的風險管理上，手機賣家不知道手機是否被倒賣，但汽車賣家知道，因為車都裝了GPS。

貸中風控，很多車在安裝GPS後，可以識別這個車的使用行為，行駛數據是否異常，是否長時間停在某一區域，是否在汽修廠、小貸公司等敏感區域，違章數據是否正常？

再就是貸後的管理，由於資產金額足夠高，在成本上，上門催收也是能承受得了的回收模式。

在風控模型上，我們引入的參數比小額消費金融業務階段更多。除了個人數據初審外，還會在部分區域要求客戶提供強徵信數據，如消費、資產狀況等。因為我們是一個助貸機構，絕大多數資金都是銀行在發放。

在大白汽車這一業務中，用戶必須有線上的徵信進行數據回傳，所以模型要比原有業務複雜。這也是我們在新資產環境下，在風控上做的額外建設。

王曉婷：在催收業2.0時代，我們面臨更多的機遇和挑戰

捷越聯合創始人、快催收創始人王曉婷

1

面朝藍海

催收傳統又古老，在整個金融閉環中,它是不可缺少的一環。

我們說我們面朝藍海。大家看，這張圖顯示的是2017年中國不良資產的規模，而且這個規模，僅僅是官方報道浮出水面的。

也就是說，我們看到的是冰山一角，大概有三萬億。我們每天對著網路催收的企業近400個，催收項目近百萬個。

我看過一組報道的數據：「在中國的金融從業人員大概有800萬。」而在催收行業里，真正的從業人員是20-30萬。

催收是金融行業發展的一個閉環，為什麼在過去十年甚至二十年，在整個金融環境當中，催收這個行業一直不被人提及？

在過去的30年前，清收這個行業面臨兩次行業巨大的變革。

第一次在過往的15年之前。2000年前後，各家傳統銀行、股份制商業銀行面臨著大肆發展信用卡的情況。

在2010年前後，第一次催收行業的變革發展於此。各家傳統金融機構把原來自己的資產管理部門通通下放和外包，形成了催收的第一次變革，萌生了行業里大量的頭部清收公司，它們有上萬人、幾萬人的規模，作為頭部公司承接了大量傳統銀行的催收業務。

在過去10-15年間，頭部大量催收公司做了一件事情，用大規模勞動人力密集型產業做外呼系統，埋頭低聲賺大錢。

2017年，整個互金行業迎來了Paydayloan的大發展，我們也走過了過去20年美國所走過的Paydayloan道路。

2017年現金貸的蓬勃發展，給催收行業帶來了第二次轉變的機會。

我們在這個古老的行業里，第一次聽到了大數據、AI、區塊鏈，聽到了可以做人工畫像和機會發展的機會和技能，所以，在過去30年里，我們面對著科技行業兩次浪潮的創新。

但是在這樣的創新浪潮之下，它們為這個行業帶來了什麼？帶來的是混沌、迷濛、各種不合規，各種來自官方、民間的對這個行業的負面評價。

所以我說，過去30年里，我們面對這樣轉型的時候，只是一個亂象叢生的collection1.0狀態，我們沒有看清楚這個行業，沒有看清楚催收對傳統金融以及蓬勃發展的互金行業意味著什麼。

催收的本質是什麼？我對催收的本質有兩點認識。

第一點，催收是大規模地降低不良資產。

第二點，強大的催收能力，讓你具備搶灘高風險業務，同時獲取高額收益的能力。

金融行業里有句話，叫「三分貸，七分管」。催收就是管的過程。

2

時代變化

在催收行業的2.0時代，監管、科技、人三者都發生了巨大變化。

第一，監管。美國有公平債務催收法。中國從2017年開始，伴隨著現金貸的發展，我們開始對催收有全新的認知，開始關注催收。監管面對的是越來越嚴格、越來越透明、越來越規範的趨勢。

第二，技術。在催收行業里，我們的策略、我們的AI、我們的客戶畫像，等等，我不再贅述。

第三，人。不單包括債務人，也包括催收行業的從業人員。金融行業里有800萬從業人員，但催收行業里只有20-30萬的從業人員，這兩個數字說明了什麼？

說明這個行業里沒有大佬，沒有真正俯下身去做這個行業的人。

再來說債務人。過去20年里，債務人發生了極大的變化。

過去的15年里，什麼樣的人成為債務人？整個金字塔頂尖的人。因為只有頂尖的人，才有獲得貸款的能力。所以在過去15年的催收當中，很少有如此之多暴力催收的現象發生。

但隨著過去10年整個中國的消費升級及普惠金融的發展，更多企業喊出：我們要讓更多人享受平等的服務，「我們要做有溫度的金融」。普惠金融的發展，讓我們今天面對得更多的債務人，是金字塔底端的人。

原來是金字塔頂端的那些人，現在是整個底層的這些人。

這些債務人有什麼特點？低齡、隱私保護和尊嚴。就是說更多的90後、00後成為了我們的債務人。

面對這些年輕的債務人，我們用什麼樣的方式打動他，讓他們給我們做回款，做利潤？

有一句話，監管機構在喊：「了解你們的客戶。」我們的客戶已經發生了極大的變化，我們還在用傳統的方式跟他們打交道，大家可想而知，我們催收行業面臨著什麼。

在去年的峰會上，我提了一個話題：「重塑客戶關係。」今天，我再加一句：「重構價值鏈。」

3

重新定義客戶

講到催收，什麼是催收？什麼叫好的催收策略？

用一句話可以簡言之，對不同的客戶，在不同的時間，用不同的手段、不同的頻率觸達，這就是催收策略。

千人千面，在這個行業里，沒有一招鮮的策略。

為什麼要做催收策略？

我們過去說，催收的客戶都是壞客戶。

現在，需要重新給客戶做定義。我們對於催收客戶沒有好壞之分，應該把他定義為是你的損失類客戶還是收益類客戶。

對不同的客戶，在不同的時間、用不同的方法和不同的策略去做觸達，在一定程度上決定了，客戶在一定程度上是不是有收益。

這是2017年某家商業銀行的年度報告。

報告顯示，信用卡當中罰息、滯納金佔比是多少。這家銀行在去年全年度收入增長比是24.36%，罰息、滯納金的增長比是31.75%，利息收入增長比22.44%。

在整個催收行業中，催收已經不單純是業務部門，我們應當把它定義為利潤中心。

回到我剛才說過的話題，用什麼樣的方式做催收？怎麼對你的客戶做重新認知？對客戶的區分，我們放棄「好」和「壞」這個概念，用「收益」和「損失」去做。

什麼樣的客戶會給你帶來好客戶？什麼樣的客戶、在什麼樣的時間點、用什麼樣的方式做催收？這些才是需要我們去思考的話題。

催收是下一個利潤點，3C分期、Payday loan附帶的客戶就是好客戶，大家對此都有認知。那麼，在催收領域，什麼是好客戶？每期正常還款的是好客戶嗎？是。每期都逾期，但是每期都還款是好客戶嗎？對，是更好的客戶。在一定程度上，利潤中心對於催收來講，不是一個虛擬的話題，是實實在在能帶來收益的環節。

我說我們這個行業面朝藍海，我們面朝三萬億不良資產市場。我剛才舉出的，也僅僅是指標準化資產，包括個人信用類的資產，包括傳統銀行、P2P、小貸、3C類。

但是，非標類的資產還是一片空白。以去年北上廣深為例，在房貸這個市場我們投入的是千億級的規模，大家可以想想，千億級的市場面對的調撥率是多少。

所以，在不良資產領域，除了標類市場之外，非標也是一個極大的市場。在這樣一個市場里，ABS也好、不良資產的重新定價也好，其實我們面臨更多的機遇和挑戰。

要用新的方式、新的策略去做新的客戶，才能不辜負這個新的時代。

中國金融科技風控領域第一高端交流平台「一本財經 CRO Club」於4月21日在一本財經第二屆金融科技風控風控大會上成立！

附首批會員名單：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！