應監管的要求，眾多金融科技機構都在尋求為商業銀行賦能，但如何順利開展助貸業務，一直是業界難題。在一本學院的課堂上，導師和同學們就展開了如何提升助貸能力的分享與探討。
以下內容為節選。
1、做助貸業務需要哪些能力?
在討論如何做助貸之前，首先要想一下，為什麼可以做助貸。
最近幾年來，金融機構的負債資金端比較充裕，但在拓展資產端方面遇到一些挑戰。特別是城商行和農商行，因為缺少獲客優勢，和金融科技企業合作，就可以增加獲客渠道。對於消費者來說，直接向金融機構申請貸款有一定難度，申請時間較長。助貸機構可以為消費者提供更多的產品選擇，縮短申請時間，幫助客戶快速獲取貸款。
那圍繞著金融機構的這個需求，作為一家金融科技企業，為銀行賦能，需要有哪些能力呢？
第一，獲客能力。透過各類渠道快速、有效地獲得目標客戶，這是最重要的。
有效獲客，是指獲取價效比合理，且符合銀行風險偏好的客戶。
金融科技公司轉型做助貸最大的痛點，就是如何獲取符合銀行風險偏好的客戶。
金融科技公司要思考，如何利用自身線上獲客的能力去拓展客戶，為銀行賦能。
第二，風控能力。利用外部徵信資料和人行徵信資料，結合自身業務積累，為資金方提供基於大資料的風控能力，幫助其積累消金資料，篩選優質資產。
從監管合規的角度考慮，銀行不能把風控能力外包，但是助貸機構給銀行助貸，一定要提高風控能力，這樣才能保證推送的客戶風險符合金融機構的風險偏好，被金融機構拒絕機率較低，客戶體驗較好，而且有效控制成本。
第三，運營和客戶服務。助貸機構和金融機構合作，有時還會負責運營、客服還有催收等外包工作，整個流程強調的是合規有效。
第四，技術能力。有些規模較小的金融機構缺乏資源去做諸如業務系統和決策引擎等技術開發工作。賦能合作中，如果有這些能力的輸出，就是錦上添花。
最後，AI賦能。AI的應用能夠大力提高工作效率，作為金融科技機構，和金融機構合作，AI能力輸出也是一個加分項。
這五項就是助貸機構全方面能力輸出，可以依據金融機構的需求而定製方案。
2、如何提升這幾項能力?
一、獲客能力
剛才講到的所有能力當中，最重要的還是獲客能力。大部分金融科技公司不自帶流量，面對流量費用不斷上升的情況，應該如何做呢？已經有老師專門分享網際網路獲客，我就分享一下如何拓展包括醫療、教育、住房、出行等在內的線下場景獲客，尤其是拓展2B2C的模式。
舉個和航空合作的例子，來分析如何開展合作。合作主要分四步：
第一，消費分期。客戶在航空公司的平臺上買機票，可以做機票分期。因為買機票時都要做身份驗證，欺詐風險比較低，合作可行性也最高，所以消費分期是合作的第一步。
第二，現金分期。買機票只是一個特定場景，限制了資產的拓展，而現金分期就不一樣了，客戶可以用現金去支付其他任何場景的消費。
所以透過消費分期向現金分期的轉型，可以讓客戶在其他場景端靈活使用信用貸款，真正促進整體消費。
第三，供應鏈金融。供應鏈金融風險低，符合金融機構的風險偏好，而航空公司有自己的供應鏈，就有機會開展相關業務。
第四，聯名卡。現在國內各行業的企業都想做大做全，好把客戶留在自己的生態體系內。但伴隨著競爭的不斷加劇，企業首要的還是把主業做深做好，要滿足客戶在金融方面的需求，可以和其他金融機構合作，做聯名信用卡，讓金融機構去把握風控，既給客戶提供更優質的金融服務，又能提升客戶對品牌的忠誠度。
聯名卡可以結合業務進行不同的產品設計，比如消費積分和返點等，就有很好的拓展性。國外做得比較成功的是航空公司里程卡，比如美聯航和CHASE合作，透過對價格不透明的產品的優惠，來吸引客戶。
大部分銀行以往主要是透過網點進行線下獲客，在線上獲客和創新場景獲客方面佈局較弱，所以金融科技企業要和銀行合作助貸業務，最重要的還是要幫助資金方全面佈局線上和線下消費場景，獲取多元資產。
二、風控能力
第一，大資料風控
助貸機構會收集一些非人行徵信的資訊，像身份特徵、信用歷史、人脈關係、還款能力和交易行為等，資料建模中心會提取資料特徵並挖掘，開發出ABC評分卡，再將這些評分部署到風控決策引擎，開展反欺詐和全流程監控。
要注意，這類資料跟銀行徵信資料不一樣，一般被稱為弱金融資料。客戶在淘寶上買衣服，這跟他貸款的逾期機率並不直接相關，但如果把特徵提煉出來，比如購買的時間、商品的價格區間、購買的頻率等等，就有可能跟客戶的逾期風險相關聯。還有信用卡消費資料，客戶是週末刷卡，還是工作日刷卡，刷卡的金額多大，是不是有大量的小額交易等等，這些都和風險相關。對大量的弱金融資料透過特徵挖掘，最後開發出的模型效果也不錯。
要做好基於資料驅動的風控，先要做好資料的準備工作，有以下兩部分：
第一部分，底層資料的梳理，把客戶所有的資料留存和梳理。這些資料包括網際網路資料、運營商資料、使用者行為資料等等，以便於在發現新的特徵以後，能夠從留存資料中進行挖掘分析。值得注意的是，使用者資料的保護越來越重要。
第二部分，資料特徵的計算，就是透過關係圖譜引擎、時間序列分析這類工具，從客戶的弱金融資料中提煉出一些特徵，再用邏輯迴歸、Xgboost、神經網路等做出模型，把提煉的特徵放到模型裡去計算，透過其他的一些規則，最後輸出到決策引擎。
這就是我們從資料收集到最後輸出客戶信用評分的整個過程，之後可以根據分數判斷客戶的風險評級，實現風險定價。
第二，反欺詐
現在互金平臺面臨著大量的中介黑產攻擊，用知識圖譜等技術做的反欺詐系統再好，面對黑產快速演變的特徵也難以全面防禦，因此每天監控和了解最新欺詐趨勢更重要。
線下很多中介黑產都在時時關注線上平臺的風控，有一些黑產配備的建模人員，可能並不比互金平臺的風控團隊少。他們透過關注各家平臺，分析平臺的准入條件，比如：需要的信用分是多少，是否需要淘寶資訊，哪些是風控的原材料等。透過不斷的嘗試，他們會分析線下買的一套身份證、手機號、銀行卡等資料，看在哪個平臺上能獲取貸款。
因此，不管平臺用多深多前沿的技術，都必須有實時的反欺詐措施，包括地域監控、IP地址監控、手機裝置監控等，還要進行一些欺詐案件的調查，來發現欺詐攻擊的趨勢，及時把漏洞堵住。
所以說反欺詐跟風控模型不一樣，信用模型做出來相對穩定，迭代週期長，但是反欺詐更強調及時性和對一線黑產的瞭解和防禦。
三、貸中和貸後的管理優勢
助貸機構憑藉自身科技能力，能為資金方提供高效合規的貸中和貸後管理服務。貸中管理涉及客戶行為模式分析、交易策略、額度策略、調價策略和風險預警策略等，貸後管理涉及分案策略、電催策略以及委外策略等，這兩個環節直接影響著客戶體驗和最終風險損失。
貸中和貸後管理有很多工具，我們常用的是B卡和C卡，B卡是行為評分Behavior score，對應的客戶還是“好人”，並沒有逾期；C卡是催收評分Collection score，對應的客戶已經至少逾期一天。B卡的作用就是幫助我們評估客戶的風險，進而採取預防逾期的動作。C卡的主要作用就是評估逾期客戶的風險，根據客戶風險評級，採取不同的催收方式，用不同的話術，做不同的催收行為。
另外，一般做B卡和C卡的時候，經常基於內部資料，這也是有資料成本的考慮，但B卡C卡很重要的一點是要持續用外部資料。比如說有兩個逾期客戶，之前都沒有逾期，在內部平臺表現得差不多，但是如果透過外部資料瞭解他們多頭的資訊，一個多頭是五個，另外一個多頭十幾個，那對這兩個客戶採取的催收策略就不一樣了。所以在做這兩張評分卡的時候，建議把外部資料來源採納進來，內外資料要兼重。
四、AI賦能
AI應用於外呼系統、語音分析和風控系統等領域，都可以極大地提高效率。
比如智慧語音質檢。現在對於催收的監管很嚴格，對催收和人工客服的語音質檢非常重要。對一家大平臺來說，要完成百分百的全量人工質檢，幾乎是不可能的。如果一天7500條語音，平均時長10分鐘，每一個質檢人員一天可以處理150條，要做全量質檢就需要50名專員。而如果利用智慧語音分析去做質檢，專員只需對AI標示出來的可能有問題的語音抽查，就只需要15名人員，這樣就減少了70%的人力成本。這是第一點，降低人力成本。
第二點，人工主觀性較強，而且受外部干擾較大，導致質檢的質量前後不一致，甚至有些關鍵的問題可能會被忽略掉，但是智慧語音質檢不存在這樣的問題，可能一開始沒有人工質檢那麼準確，但最後它的整體質量會超過人工。
