智能银行崛起，全景式扫描AI对信贷流程的重塑

本篇文章3744字，读完约9分钟

人工智能引领银行新一轮变革

目前，人工智能已经深入到金融领域的核心场景，使银行能够创新客户价值感知，创新服务流程，降低风险控制成本，拓展金融服务的边界。未来，它甚至将导致企业文化、组织和管理、基础设施建设和制度方面的重大改革。

信贷业务是银行业的主营业务，也是目前与人工智能整合最深入的场景。研究人工智能在信用领域的应用，对整个人工智能+金融都有很大的启示。

信贷业务流程可分为三个阶段:第一，营销客户；二是贷前反欺诈、贷前信用审查和贷中监控；第三，贷后管理。

每一个环节都有内在的痛点和挑战，其中许多是长期存在的弊病。人工智能技术的进入在不同程度上改变了整个局面。通盾科技作为中国第三方智能风险控制服务提供商，在利用人工智能授权银行的道路上一直走在行业的前列，通盾科技的全过程智能风险控制非常典型。根据信贷业务的三个阶段，通盾提出了智能解决方案:用户成长服务、贷前反欺诈与信用风险控制服务、逾期管理智能催收服务。

用户成长服务|系统管理客户的整个生命周期

信贷客户的生命周期解决方案包括三个阶段:获得、提升和成熟，以及衰退和损失。这三个阶段相互依存，相互影响。因此，客户成长服务不是围绕某个环节单独进行的，而是伴随着整个客户生命周期进行的。

客户获取阶段的任务是发现和获取潜在客户，提高流量转换率。相应的解决方案是建立一个潜在的客户响应模型。

当用户从各种渠道进入平台时，标签信息基本为零，银行对该用户一无所知。通过对同一个屏蔽潜艇的响应模型进行筛选，可以360度准确描绘出客户，并以分数的形式将客户分为高响应、中响应和低响应三种状态。对高意向用户采取主动营销策略(如呼出电话和短信)，而对低意向用户不采取主动营销策略，可以提高转换成功率，降低营销成本，同时避免干扰无意用户。

例如，一些金融平台会使用现金奖励来吸引用户，用户在申请和注册后会得到相应的奖励，但最终他们不会在这个平台上购买任何金融产品。这类客户通常是高度响应的客户，可以通过呼出电话和短消息的形式有效地“激活”；对于反应中等的客户，采用“监控”的策略，客户反应得分不恒定。在各种驱动因素的影响下，反应分数会发生波动。当监控到客户反应分数在一定时间内上升时，可以呼叫并及时达到“唤醒”用户；然而，回复率低的客户大多来自薅羊毛，他们的回复率一直很低，因此银行不需要在这些客户身上投入额外的工作。

通过高、中、低三个层次的划分，在流量驱动的客户获取阶段，银行可以分配最佳的资源比例，将最佳的营销资源投入到最高层次的客户中。

客户推广和成熟阶段的重点是挖掘现有客户的最大价值，增加粘性和品牌忠诚度，让用户尝试银行的其他金融产品。

这一阶段的相应解决方案是产品推荐模式或交叉营销模式。通过产品推荐模型，银行可以有效识别用户对不同产品的潜在需求，积极开展针对特定客户群体的交叉营销活动，提高个性化匹配的概率，从而提高利润。

客户下降阶段的目标是延长客户的生命周期，恢复失去的客户，使他们对信贷产品重新感兴趣。相同的屏蔽丢失召回方案可以有效区分哪些用户丢失，评估其召回响应概率，并为配额调整提供建议。

在不同的生命周期中，如用户的引入、成长、成熟、休眠和流失，企业可以通过正确的目标管理客户，在每个节点创造巨大的价值。

中国的网上信贷市场已经逐渐告别了高质量客户的野蛮增长时代，即将进入精细化管理的股票竞争阶段。采取以流程为中心、以产品为中心或向以用户为中心转变的理念，利用大数据、人工智能等技术系统地管理客户的整个生命周期，将成为银行未来的重要竞争力。

贷款前的反欺诈和信贷风险控制

逐步走向智能风险控制3.0时代

获得客户只是银行的第一步，随之而来的风险控制问题也是一个巨大的考验。贷前反欺诈、信息核实和信用评估是贷前风险控制的三个重要环节，下面将逐一讨论。

贷款前反欺诈

信贷业务面临的主要欺诈形式是团伙欺诈。近年来，团伙诈骗事件逐年增多，诈骗团伙内部分工越来越细，反侦查能力越来越专业化，正朝着智能化、技术化、非接触化和职业化的趋势快速发展。

在攻击和防御欺诈的过程中，利用机器学习人工智能找出更多线索，挖掘用户行为特征、用户关联特征等异常事件，并结合ip、手机、位置等维度分析潜在的欺诈风险，可以大大提高反欺诈的效率和能力。同时，随着大数据、人工智能、云计算等技术的推广，反欺诈工作进入了一个新时代。

进入智能风险控制时代，在新技术的帮助下，反欺诈的武器变得更加精良。通过复杂网络、设备指纹、ip人像、手机号码人像等技术的结合，同盾构建了多层次、深层次的立体反欺诈运营生态，为1万多名客户提供了安全保障，保护了超过1万亿元的信贷资产总额。

反欺诈评估后，需要验证客户信息，验证用户信息的真实性，评估用户的还款意愿和还款能力。

随着信贷业务网上转账的加快，银行越来越迫切的需要批量处理。目前，依靠人力的复杂、机械化、非标准化的审计模式逐渐不足。

为此，通盾推出了一个智能解决方案——智能信用检查。要求申请人以问卷形式提交信息，并通过问卷结果对申请人进行两次确认，评估客观数据与用户提交信息的偏离程度。

智能征信通过对申请人提供的信息和数据库信息进行交互验证，根据交互验证结果自动智能生成问卷。根据客户的回答结果，智能地生成下一个问题。根据该算法，系统选择问题计算结果，然后制作最终的评分模型，并以分数的形式输出，为人工审核提供直观的参考价值。

在贷款前进行反欺诈和信息验证后，银行将在贷款前评估用户的信用。贷前信用评估对信贷产品额度、利率以及逾期和坏账率的设定有一定的影响。

信用额度的设定通常基于对客户信用风险水平的评估，综合考虑客户的资产状况和债务结构，结合内部信用政策，验证客户的还款意愿和还款能力。

在综合所有策略、模型和专家经验后，银行最终决定是否放贷、放贷金额和利率。在智能决策时代，一些银行已经可以达到第二个层次。当然，对银行来说，放贷并不意味着安心。

智能语音技术正在成熟

贷后收款业务的智能化转型加快

随着网上银行业务的加速发展，传统的依靠人力的收款模式已经捉襟见肘，许多银行已经开始探索智能收款。

通过比较智能采集和人工采集，我们可以更好地了解银行业的决策。

首先是劳动力成本，如工资、场地、招聘、培训等。，手工收集的成本非常高；

其次，受多种因素的影响，手工采集的情绪波动较大，由于需要反复进行语音训练，很难保证专业水平。智能收集系统采用标准的收集技术，从源头上降低单词的风险。

第三，传统馆藏的达标率和反馈度较低。据统计，传统采集的上限是每人每天100-200个电话，但该机可达2000个电话，成本低，可全年使用。

第四，敏感的客户信息容易泄露。在与客户沟通的过程中，收集者获取了大量的客户信息，存在信息泄露的风险。

此外，人工采集通常由专人跟进，客户信息没有标准化的统计数据，难以管理，容易丢失。

基于上述问题，越来越多的金融机构将注意力转向了智能收款系统。

通盾智能收款系统在银行业应用广泛，其经验值得分享。同墩智能采集系统有两个基础。

第一个基础是战略平台。

战略平台配备了由三组模型组成的收集记分卡。

第一组模型是老化滚动模型，它通常用于预测轻度逾期者进入更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，并根据客户的还款情况和逾期频率进行评分。通常情况下，分别为1-30天和31-60天的逾期客户建立滚动账龄模型，预测60-90天的逾期客户概率。

第二个模型是还款率模型。它通常适用于逾期超过60天的用户，并预测要收回的客户债务比例。主要目标是准确捕获具有较高恢复级别的潜在客户。

第三组模型是损失预测模型。它用于预测过期客户在未来无法到达的概率。通常，有必要判断刚刚进入过期状态的客户失去联系的可能性。通常，1-30天、31-60天、60天及以上的客户群是单独建模的。模型中常用的信息包括逾期金额、账户信息、电话明细等。

第二个基础是智能执行。

该模型符合智能执行策略。在实际操作中，智能收款系统通过大数据精确匹配参数，如通过客户基本信息、申请信息、逾期情况、还款能力、还款意愿和消费习惯智能判断逾期客户的综合情况，通过模型算法匹配相应的收款策略。

当模型预测结果相对较好时，语音采集采用温和策略。当预测结果指向高风险客户时，他们将被艰难地收集起来。

除了收集单词的力量，记分卡还可以获得更多的因素。例如，可以在策略平台上配置一周中的某一天、一天中的某个时间以及每日提醒的频率。

通盾的智能催收工具“逾期管家”和“逾期精灵”都是基于智能决策和智能语音的机器催收平台，由通盾强大的技术团队和数据生态系统支撑，全面智能地改造所有贷后催收的标准化业务。交互过程是完全透明的、受监督的和可追踪的，并且适用于各种场景，例如银行、电子商务、新金融和保险。

未来，随着智能语音识别、语音交互等技术的进一步成熟，智能采集系统将彻底改变采集领域的商业生态。

最后，值得指出的是，除了本文强调的信贷情景，人工智能在智能客户服务和智能投资等重要的银行情景中发挥着重要作用。随着金融在线、情景化和用户交互频率的提高，人工智能将在金融行业得到广泛应用，并通过不断的响应和迭代产生深远的影响。(作者:匹克)

来源：央视线