客户名单好不好看，客户名单好不好看怎么说？

客户名单好不好看，客户名单好不好看怎么说？

近期，同盾咨询的首席专家杨景香光临“金卡生活”直播间，与大家分享了《智能分析推动的银行数字化转型》这一话题。杨景香通过引用经典实例，结合生动的国内外案例，深入探讨了智能技术所引发的众多变革和创新。

小盾将对本次直播的重点内容进行回顾，帮助大家更好地理解。

杨景香指出，先进技术如智能语音、自然语言处理（NLP）、云计算和人脸识别等的成熟，正在为智能风控技术的进步提供坚实的基础。近年来，互联网金融、金融科技以及银行数字化转型等新概念层出不穷，但核心理念始终未变：“金融归属于金融，技术仍旧是技术”。金融行业有其独特的规律和使命，而技术的目的在于支持金融操作。无论是机器学习、数据分析，还是智能系统平台，它们都应当被纳入金融业务的整体框架之中。

因此，今天我们的话题将聚焦于智能分析，依然会围绕金融业务的常规流程展开——包括获客、审批、贷中及贷后环节。

获客

如今，客户获取已然进入了一个激烈竞争的时期。为争夺优质客户，金融机构纷纷使出各种手段。

在传统的运营模式中，银行对于客户的了解渠道十分有限，因此在接触客户时常显得比较直接和粗放。门店促销、街头宣传等方式屡见不鲜，甚至还有针对性地进行楼宇和园区的拜访。

在土地争夺的时期，这种方法是奏效的。然而，这种经验很难被复制，尤其是当那些表现优秀的员工辞职后，新旧员工之间的差异可能会导致截然不同的结果。

结合大数据、云计算与人工智能技术的智能分析手段，可以帮助银行通过多种数据分析，从多个视角全面描绘客户画像，从而提高营销效率，改善用户体验。

在场景化营销中，智能分析能够根据营销产品、用户特征和营销价值，选择合适的用户画像标签。这为整体营销策略的差异化制定提供了有力的支持。

在银行的信用卡和现金分期响应预测中，如果结合外部的用户特征数据构建客户画像，当我们识别出“高收入高消费”的客户时，可以优先对其进行跟踪，并集中资源进行投入；而对于“低收入低消费”的客户群，则可以直接忽略，避免资源浪费。如果遇到“高收入低消费”的客户，则需要依据现有的营销资源，制定选择性的接触和唤醒策略。

此外，在无特定场景的营销接触方面，智能分析与传统方式的对比显得尤为明显。

如果能够有效利用数据，比如通过信用评分、智能监测和客户关系管理工具，来创建多维度的客户画像并生成潜在客户名单，这个过程所得到的优质客户名单虽然在数量上可能不如传统电话营销中使用的纸质数据那么庞大，但可以通过客户的反应程度进行筛选。通过这些数据，我们对客户的需求有了深刻理解，因此不再需要填写复杂的申请表，只需简化申请流程。最终，通过风险审核，我们发现成功通过的人数大约有240人，这一数字显著超过了传统模式所能实现的数量。

在整个流程中，我们致力于降低费用、提高响应速度，改善客户体验，以增强客户的忠诚度。同时，这也有助于减少审批环节中的信用评估和人工审核成本。

审批

审核在风险管理中具有至关重要的作用。

传统流程：信贷员的工作一般包括几个步骤：首先查看客户的资料，然后核实客户身份信息，接着进行反欺诈检查，之后通过电话与第三方联系人进行沟通确认，接下来是审批和复审，最后进行现场面审。

这种像流水线般严格的程序将贯穿所有的进件申请，尽管流程不断重复，但每个用户背后都有独特的信息组合，因此必须以极为谨慎的态度对待每一个数字和符号，绝不能有丝毫的错误。在如此高强度、机械化的重复工作中，信贷员需要负责数以百计的审批任务，但面对快速增长的业务量，他们的能力依然显得不足。

在智能分析模式中，大数据和人工智能技术已经广泛应用于各个环节，包括申请处理、智能信贷审核、身份验证、反欺诈措施、信息审查、评分以及策略制定等流程。

在审批阶段，确定初始额度至关重要。合理设置初始额度可以发挥双重作用：它不仅是有效的风险管理工具，还有助于提升收益。然而，如果运用不当，比如即使是优质客户，只给予50万额度而客户没有利用，这对银行的经济资本和成本而言，将导致浪费。

额度的利用和评估至关重要，它直接影响到目标用户的选择以及用户层级的深入程度。对此需要从多个角度进行分析，能在这一环节做得出色的团队，将更有可能吸引并维持更多客户的关系。

贷中

在传统模式中，银行在贷款过程中的监测管理能力相对有限。由于数据来源较为单一，金融机构在贷款监测时主要依赖于简单规则的堆砌，未能建立起完善的监测体系。这种情况导致了预警反应的速度较慢，往往在发出预警时，问题已经相对严重。

智能分析模式的创新可以总结为三大核心理念：海量数据的利用、体系结构的完善和预警机制的增强。

通过获取更多的数据，金融机构能够更全面地洞察客户和潜在风险；借助更为精细的量化风险评级体系，其风险评估的准确性得以提升，从而建立有效的预警机制；依靠这些预警机制，机构可以更早识别用户风险，为交易账户提供更周全的保护。在长期的探索和积累中，同盾提出了贷中全面管理系统的概念，我们可以在这方面进行更深入的细化，特别是在早期的FPD（首付款违约）管理上，这对金融机构的风险干预和预警将起到至关重要的作用。

现场互动

1、如今，很多时候都在讨论数据模型和自动化，这是否意味着数据量越多就越理想呢？

杨景香表示，答案并不绝对。如果掌握的数据高达一亿，那么首先需要了解这些数据的覆盖率和人口分布情况。如果数据主要集中在某个省份或城市，那么其覆盖性就会受到限制。如果机构的目标业务主要针对的是二三线城市，那么这亿人的数据可能比起十万个全面覆盖的目标客户来说，价值反而要低得多。

最终，我们所追求的是在数量与质量之间找到一种平衡。

2、如果没有任何数据，银行还能正常运作吗？

杨景香表示，如果业务的发展仅仅依赖于数据驱动的模型和评分系统，那么可能需要等待几个月来积累足够的样本。这不仅涉及样本的总体数量，还包括不良样本的数量。如果不良样本不足，就难以准确识别出不良行为者的特征。

然而，是否没有数据就无法进行商业活动呢？答案是肯定的，模型本身是独立于数据的，评分也是如此。模型并不一定必须是由数据驱动的。实际上，在没有数据驱动的早期，过去几十年银行业务的运营依然有条不紊。在这种情况下，我们会依赖专家模型，结合我们在行业中积累的经验来提炼关键变量和规则，并通过经验权重构建相应的专家模型。

银行的风险控制不仅仅依赖于数据分析。

尤其是对于一些中小型银行而言，面对缺乏知识、资金、经验和数据系统的挑战，如何实现快速追赶呢？

我认为可以采取自主研发与外部合作相结合的策略，例如借鉴同盾科技的模式。同盾科技已经为超过300家银行提供服务，成功覆盖了6大国有银行、12家股份制银行以及24家持牌消费金融机构。凭借其丰富的实战经验与知识积累，这些资源能够直接帮助中小银行实现跨越式发展。在缺乏数据的情况下，可以通过专家模型来开展业务，逐步积累数据，最终达到数据驱动或半数据驱动的运营模式。通过自主研发与外部协作的结合，中小银行在缺乏基础条件的情况下，可以在九个月内完成项目立项、开发和部署，并投入运营。

我始终相信，金融风险管理是一种将艺术性（经验）与科学性相结合的领域。

3、我们是否可以毫无保留地信任基于数据驱动的智能分析结果？

杨景香：我认为绝不能盲目崇拜数据，必须在数据的基础上进行判断，同时也要在业务领域中形成自己的见解。历史上类似的例子层出不穷。

此外，经济环境的因素对数据模型的影响同样非常重要。

有些人可能会注意到这样一个现象，虽然我的模型在历史上表现良好，比如KS和其他指标都不错，但在当前经济下行的情况下，业务表现却很差。这时，策略和目标人群需要进一步细分，以识别出那些风险加剧并未达标的群体。当优质人群占据大多数时，边缘人群就成为关注的重点。整体的KS稳定性并不能完全反映风险排序能力的正常运作，评分系统现在可能无法准确区分边缘客户的风险。

在美国次贷危机期间，许多银行面临着类似的问题。例如，FICO评分在边缘人群中的风险评估存在不准确性。因此，银行只能通过策略进行补救，利用其他变量进行细分，采用多维度的方式来识别这些边缘人群。很可能，他们的信用状况已经恶化，因此必须迅速采取措施以避免进一步的损失。

评分是策略中的一个因素，可能仅仅是众多变量中的50个之一。在关键时刻，这个评分可能效果不佳，因此需要及时进行排查。

作为一名风险管理的专业人士，我毫不掩饰对数据的热爱和信任。然而，我也意识到必须保持警惕，不断提醒自己这是一门需要平衡的艺术。