PMcaff互联网金融群第七期分享----互联网金融售前心得

 

分享嘉宾：Gina

 

    【关于Gina】曾在花旗银行做系统分析师和java开发，毕业后在搜狐畅游做app前端开发，后转做手游数据分析师，目前在明略数据做产品经理，参与过的项目有河北公安系统，武汉城商行数据脱敏项目，动车运维系统。

 

首先，都说产品经理和销售是捆绑的关系，经常一起见客户，而我觉得虽然是一起见客户，但是我们的关注点自然和销售是不同的。销售的职责是签单子，而我们产品经理的职责则是挖掘客户的需求，让对方把痛点暴漏出来，然后让对方知道，我们可以帮他们解决问题

最近见了一些银行、金融方面的客户，这些客户的痛点比较一致，无外乎两点：一种是数据不全，甚至是没有数据；而另一种是有数据，但是又不知道该如何去利用数据。对于第一种用户而言，他们的首要工作是要建立业务模型，去做数据埋点。而第二种用户，他们需要是解决方案。

 

对于银行大数据的应用的需求总结下来，主要有5点：

1、客户画像（个人客户画像、企业客户画像）

2、运营优化，包括快速放贷、产品组合优化、舆情分析、服务升级（个性化、多样化服务）

3、风险控制，包括反欺诈应用（申请欺诈和交易欺诈）、小微企业贷款评估以及P2P平台

4、精准营销（精准预测、个性化推荐、联合营销）

5、业务创新（批量获客、跨界融合、整合资源和升级产业）

 

第一是客户画像。大家应该都比较了解了，就是对用户打标签，以表示不同属性的用户。例如打上性别标签、年龄标签、消费偏好标签。这点在电商行业已被广泛运用。客户画像的原理是，通过样本数据学习不同标签用户的行为特征，再根据学习到的知识来将未知标签的用户进行分类。客户画像的应用面非常广泛。可用于快速识别白名单和黑名单；给予其余中间层客户的详细评级分类；利用大数据提高自动核准率，从而大幅提升运营效率，也用于精准营销；征信评级；反欺诈；动态调整级别和监控（增收和降低坏账率）、快速放贷和提升金融服务水平。

第二是运营优化。其中我主要说一下快速房贷。这个也是我们公司为河北邮储做的一个主要解决方案。目前银行的放贷速度很慢，主要时间浪费在信用审核和人力上。因此一个完善的用户信用模型在这里至关重要。目前已经有银行在做微信申请信用卡，贷款的项目了。其实对于国内的银行来说，还有一个非常无奈的痛点，就是数据同步的问题。通常都是各个分行都拿着自己的数据。数据不互通，是导致用户画像不完善的主要原因，如果能够打通行内外数据，分析发现优质客户，实现超短期放贷真的是极好的。

 

    第三是风险管理，我贴一张应用场景的图片

风险管理的主要应用在反欺诈上，金融行业的反欺诈验证，主要有以下三点：

1、网络申请信用卡收入过分或故意夸大

2、网络申请信用卡姓名，手机号码和身份证的一致性的校验

3、是否存在银行交易欺诈记录

第一点可以通过分析用户的社保数据、运营商数据、网络行为数据（职业、收入等预测画像…)来进行规避。

第二点和第三点：实时分析数据进而监测潜在风险并预警，实时监控系统内的各类数据，例如用户操作、交易流水、访问记录等如某内部工作人员在某段时间内操作存贷/汇交易的时间大幅度快于其历史水平；比银行平均水平也要快出很多；内部员工每个月由其自己账户向几家银行汇款或支付好几家信用卡；美国这2-3年留学生临到毕业之前的2-3个月，信用卡消费是历史平均的好几倍甚至更多(如果能结合网络行为信息：查询来源国工作，航旅公司机票那确定性…)美国留学生这个是个很经典的案例。有很多留学生在即将毕业回国的时候，会拼命地透支信用卡，等到他们回国，这笔钱就无法被追回。因此风险控制，不只是要利用用户信用模型，还要实时监控用户的消费行为轨迹是否发生突变。而这点，目前很多银行都没有合适的解决方案。

下面是某银行反欺诈模型：

 

 

 

 

 

 

 

 

 

 

 

 

 

   第四是精准营销，这里又用到了用户画像，如下面的应用场景图所示

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

隐私权问题肯定会有，因此在做大数据分析的时候，安全方面也要注意。在国内，买卖数据的现象真心很严重。精准营销这个我们公司应用在了银联商务项目中，主要是对海量交易流水的客户行为分析和预测。举两个案例，一个是中国银行排队机交叉销售系统，一个是招商银行VIP客户大数据精准营销。这个也不仅仅局限于金融行业，而是被广大行业所应用

第五是业务创新，这个比较有意思。主要应用于批量获客和资源整合应用。批量获客包括垂直类电商，如同程旅游和银行的合作，北京银行和小米的合作，资源整合应用就比较广了，例如，招商银行与海尔或美的合作，实现快速回流贷款，优化资产负债表。上下游供应商、分销商的融资难问题。根据供应商和分销商的交易流水记录、行业行情状态、关联担保公司经营状况等；银行直接替上下游企业付款给海尔。实现对整个产业链的提升，产业的升级和转型。平安银行通过在线平台与农产品交易市场对接，把农户，批发商，零售商和消费者融合起来，通过综合的大数据分析，把融资，结算，撮合甚至物流结合起来。使得传统的农业产业实现产业升级，或者说农业的互联网+的落地。

回过头来总结一下互联网金融。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

引用银之杰李总的话，当前互联网金融的三大支柱：大数据、征信、超级支付。当然也会有互联网保险。同时也包括电子签名，这是所有线上合同合法化的基础。对于互联网金融来说，牌照是保护伞，可以保障他们获得更多的数据源。因此有个征信的牌照真的是超级吃香的。一直很期待中国的征信可以做起来，不过任重而道远。

 

提问环节：

 

问题1：什么是超级支付？

这个概念其实也是个宏伟的战略目标，实现二维码支付、互联网pos机、跨O2O概念等，接入互联网的一切商家，一码统付。

 

问题2：你做pm主要负责的产品是什么？具体涉及哪些工作？

我们公司主要是为企业做大数据解决方案，我们公司主要是为企业做大数据解决方案。我这边主要负责河北公安项目、武汉城商行数据脱敏，还有最近接的动车监控项目。

 

问题3：用户画像的这类数据，特别是第三方的数据都是怎么获取的呢，比如运营商数据。

    关于数据获取，公司这边我刚入职的时候也是很纳闷的，公司这边的第三方数据主要是通过和对方企业合作来获取，比如我们公司和电商有合作，和联通也有合作。所以公司对的企业越多，其实对于我们来说，用户画像就会越完整。公安的项目就运用了很多家的数据，毕竟是为了预测犯罪，要监控失足人员库中人员的很多数据。

 

问题4：交易欺诈记录，是怎么检验的，比如是在国外的交易欺诈记录，国内无法获取。

交易欺诈这个当初检察院的哥哥来公司给我们系统的讲过，

 

问题5：用户信用模型的主要结构是怎样的。

   银行目前为每个用户建立了一个非常非常非常系统的信用模型。首先信用卡分为A\B\C\D\E五个评级。银行主要是在申请环节和中间环节进行监控。申请环节的审核包括入学年限审核、是否有稳定工作、身份证+电话+居住地是否一致，民事诉讼公开列表是否出现申请人姓名等。比如你是经常用3G还是wifi，电话打得多还是上网流量用的多，旅游去向，机票航班。党派身份，家庭成员，孩子在两岁以下风险较高五岁~20岁风险度降低 20岁以上、30岁以上风险再次增高尤其注意用父母身份证申办信用卡。中间环节的信用卡反欺诈判定就比较不合理，具体的我举几个例子。网上购物比较多的信用评级在B/C/D之间，网上支付少转账多尤为注意（可能为变相套现）这种都是D-。依赖4G网络评级在C\D，电话>上网评级在B\C，党派身份评级：民主党>共产党>无党派

 

问题6：银行怎么看待第三方数据 比如信用卡消费明细？

    现在银行已经开始重视这方面数据了，可以分析出各个地区各个分行的用户消费行为轨迹，当然信用卡消费明细，也用来监控信用评级。消费类别也会影响到评级，超市刷卡消费交通等消费水平较高可提高信用度。比如：还款日前后有大额还款建议冻结 E，还款日前大额透支 D，长期在一个pos机在很短时间内有小额多笔等额支出套现嫌疑大，建议直接冻结；大额使用在沃尔玛、宜家刷爆并还上套现嫌疑大等等。

 

问题7：精准营销是指从过往行为分析可能感兴趣的银行产品吗？这种模型的开发主要用什么数据回归？

是这样的，比如说我还没结婚就不会收到电话向我推荐子女教育方面的理财产品。使用的是弱关联模型。

 

问题8：批量获客怎么实现的，能否再具体解释一下？

主要就是和电商、旅游之类的合作啦。比如刚刚说的和微信合作，在微信上做快速放贷等等。其实理解起来很容易，就是和其他行业合作，来获取更多的用户。具体的批量获客的内容后期会有专门的嘉宾进行分享。

 

问题9：从银行的应用考虑的，可用数据的标准是什么？

可用数据就是对结果导向有影响的数据。银行对数据质量上其实以前存在很多问题，很多时候采集的都是弱关联的数据。对于数据的有用性，银行传统的做法是有一张矩阵表格的表，分项目和属性值限定，也就是一个指标，和指标的参考范围。会有专门的部门编制这种白皮书，大家都按这个白皮书来操作。你去申请贷款，信贷员让你填表格，表格上列的就是这些项目。到信贷审核人员手上的时候，他根据表格上填的属性值去做判定，分等级归类。

 

问题10：数据清洗工作你们是怎么做的？

我们首先做市场上存在数据的初筛，然后离线测试。先看场景匹配。匹配率达标就纳入业务模型回归，然后看对结果的关联性。但是仍然缺乏统一的标准。（匹配率：假设我面对某一个信贷的人群从某一个第三方数据源获取数据的成功率，就是匹配率，类似于缺失率。银行传统的风控，数据清洗时也是先看变量的缺失率，对于这个用户群的缺失率。缺失率越大，匹配率越低。）以个贷举例：一些比较有价值的外部数据都没有特别成熟的供应商，比如我们想确定一个人的收入，而又不能只依赖银行提供的流水单。有一个办法就是找银行短信服务商。但是短信服务商就有问题，他们的数据不全，这就产生了成熟度的问题。统计模型在银行里也是一张excel表，分维度来记录，有的也会填录在CRM系统和业务系统里面。

 

问题11：请解释一下评价数据质量的维度：覆盖率、稳定性、覆盖周期、质量。

    看数据质量 传统的方法都是用历史数据去筛选但是对数据的应用银行应该走得更远 这点需要更多童鞋来教我，覆盖率不用多说就是对产品场景人群的匹配。覆盖周期是说很多数据源只有主体3m、 6m 、12m的数据，那我们评估更多波动和该数据的关联就会受到影响。质量通常指该项数据包含的内容和我们要评估的关键行为的关联性比如逾期用户在黑名单中的匹配率。稳定性是数据的开通、覆盖、质量等指标的波动。我们在享受创投资金的时候为了找出更好的模型往往需要尽量占有数据，但是业务盈利的要求往往需要在后期选择最有价值的数据，因此建立一套有效的数据引入标准很重要。