AaaS“智能分析即服务”在信贷全生命周期的共生逻辑

大数据工具、人工智能技术陪静好岁月“同”长、与信贷风险“盾”抗。六大案例只说一件事：“智能分析即服务”！

正利无往，奸利觊觎，硬币也有两个面。“丈”道高于“尺”魔。“智能分析即服务”向信贷业务全生命周期覆盖了“保护膜”，向“黑产”制造者犯罪全链条辗压“智能量”。不难看到，“智能分析即服务”在贷前、贷中、贷后信贷全生命周期呈现共生逻辑。

AaaS“带节奏”

从信用卡“提额神器”案件切入《金卡生活》的风控研究。

今年8月6日，深圳市人民检察院批准逮捕林某等20名犯罪嫌疑人，该案涉案金额高达10亿元人民币。受害目标客群是那些有提额需求的银行持卡用户。通过扫描网络传播的所谓的“一机多国提额神器”提供的二维码，下载App，在手机移动POS机上刷卡，任意选择“所需”交易的国家和地区，银行持卡用户人在境内便完成了“境外交易”，从而骗取发卡银行对在境外有交易记录的信用卡给予的大幅提额。犯罪嫌疑人在持卡用户刷卡时窃取信用卡信息后制作伪卡，盗刷已经大幅提额的卡片。“提额神器”案全链条特征明显，其中硬件工厂设在广东深圳，后台服务器落地广东广州、山东青岛、河北张家口，通道运营放在福建厦门，销售团队分布在广东东莞、山东临沂、福建漳州，伪卡制作、刷卡消费分散在马来西亚等国家和地区。

祸起信用卡提额，试问有没有大数据工具、人工智能技术等手段可以有效规避信用卡调额（提额与降额）诸如“交易地”的单一原则呢？同盾科技有限公司（以下简称“同盾科技”）给出了肯定的答案！在考虑“行为风险评分卡”、利息及手续费贡献的“收益卡”因素，调额样本仅占到总样本的10％；即便迭加“行为风险评分卡”、佣金贡献的“收益卡”等因素，最终调额样本也只占到总样本的22％，而并非部分发卡银行简单粗暴地激活“在境外有交易记录的信用卡给予大幅提额”的规则。

信用卡从消费“支付工具”当仁不让成为消费“信贷工具”，信用卡信贷业务已成为银行消费信贷市场重要的增长力量。正利无往，奸利觊觎，硬币也有两个面。信贷业务全生命周期包括贷前审核、贷中监控、贷后人工催收，“提额神器”案则主要针对贷后有提额需求的银行持卡用户，通过窃取银行卡磁条信息、制作伪卡、跨境盗刷等手段进行犯罪。“丈”道高于“尺”魔，同盾科技的信贷业务风控解决方案涵盖了贷前反欺诈及信用风险评估、贷中监控及营销获客、贷后逾期管家等环节，为信贷业务全生命周期覆盖了“保护膜”，向“黑产”制造者犯罪全链条辗压“智能量”。

“云”行苍穹，雨“数”时节。在服务器主机、计算能力、网络硬件、存储缓存形成的“基础设施即服务”（InfrastructureasService，IaaS），应用开发、模型运行、数据管理、机器学习形成的“平台即服务”（Platform-as-a-Service，PaaS），风险管理系统、客户关系管理形成的“软件即服务”（Software-as-a-Service，SaaS）三大云计算应用的基础上，2017年11月15日第八届财新峰会上同盾科技创始人、董事长蒋韬首提“智能分析即服务”（AnalysisasService，AaaS）理念。即，利用人工智能工具和大数据技术，在包括信贷风险、交易欺诈、营销作弊、客户价值、投资和运营等多种细分金融场景中，为客户基于智能算法模型的分析服务。

时间悄然推移近一年，《金卡生活》研究同盾科技在银行信贷业务全生命周期实践的风控解决方案发现，“智能分析即服务”理念之树已然实务应用中深层扎根。智能分析当然要用数据说话，亦即体现数据挖掘成果。截至2018年8月末，同盾科技发现欺诈40亿节点（实体）、120亿边（关系），且每日平均更新节点3700万个，目前已识别疑似欺诈团伙250万个，成员多达4600万人。“智能分析即服务”最终使命是抬高欺诈成本，替银行“扎篱笆”。同盾科技赋能银行的终极策略是做“排除法”，以最大限度剔除银行用户的“坏样本”。

至此，《金卡生活》厘清“智能分析即服务”在信贷全生命周期的共生逻辑。

贷前阶段。基于设备“指纹”、IP风险分析技术“双锏”，洞察潜在的银行信贷风险，通过全场景反欺诈渠道推广保护、账户安全保护、营销活动保护、交易支付保护、内容安全防护及接口安全保护“六层铠甲”，实现互联网安全保护；基于数据、技术“双能力”，推动贷前反欺诈模型在金融行业的广泛应用。基于“同盾信用分”体系，与传统信用模型形成互补，有效评估借款人的还款能力和还款意愿。

贷中阶段。运用“行为风险评分卡”“收益卡”“响应卡”等进行低风险调额，最高调额样本在总样本中也只占到22％。同盾科技建立“客户响应模型”“产品推荐模型”“默客激活模型”有效洞察持卡用户兴趣点，提升整体利润率和客户粘性，降低高价值客户的流失率。

贷后阶段。结合人工智能技术，打造“逾期管家”“逾期精灵”“催管大师”三大智能催收管理工具，通过大数据精准匹配参数，根据客户各个维度和各种业务应用场景来为客户灵活配置催收策略和话术交互策略。经过多家银行的实践检验，智能催收的成本投入仅为人工催收的五分之一，但电话接通率、回款金额都明显高于传统催收，起到了事半功倍的效果。

贷前阶段：保护账户、贷前反欺诈、信用风险评估

第一，互联网上如何保护账户安全？基于技术“双锏”洞察信贷风险，全场景反欺诈给银行披上“六层铠甲”。

“黑产”制造者具有分工专业化、组织团伙化、全网流窜化的三大特点。围绕上游卡商、收码平台、工具开发者，下游操作者，“黑产”制造者进行了组织细分。在欺诈活动时使用了专业化的技术手段，如“猫池”（ModemPOOL，相当数量的Modem使用特殊的拨号请求接入设备连接在一起，同时接受多用户远程联网或拨号连接的设备）、农场设备（手机应用程序，运行环境支持Android1.6）、程序化软件等。当欺诈行为一处遇阻时，“黑产”制造者会在全网流窜持续进行欺诈活动。

“黑产”制造者在银行业务应用场景中实施欺诈。在银行进行渠道推广阶段，“黑产”制造者通过虚假刷量、点击欺诈。在账户注册登记阶段，“黑产”制造者注册大量垃圾账号，或取得泄露的银行用户信息之后，采取“撞库”拥有用户的账号权限。在银行开展营销活动阶段，“黑产”制造者采取“黄牛”占座、抽奖“套利”。在交易支付阶段，“黑产”制造者着手刷单“套现”和制作伪卡盗用。在社交互动阶段，“黑产”制造者着手涉黄，或推送垃圾广告。上述欺诈行为最终导致银行或机构的品牌商誉蒙垢、商业信息泄露、用户体验下降、违反监管规定等损失。

洞察潜在银行信贷风险技术“双锏”。首先是设备“指纹”（DeviceFingerprinting）技术。在物理功能上，设备序列号、生产ID等用于唯一标识出该设备的特征，与人的指纹一样，在“千人千纹”中具有唯一性，以此作为身份标识。目前存在诸多造成设备异常环境的因素，导致无法识别设备唯一性，如模拟器、Root（系统中唯一的超级管理员，等同于操作系统的权限）和“越狱”、Xposed作弊框架（在不修改AndroidPackage情况下影响程序运行、修改系统的框架服务）、App重新打包等。基于此，合作银行将同盾科技提供的SDK（SoftwareDevelopmentKit软件开发工具包），集成到App或网页里，同盾科技通过采集银行用户在终端设备留存的一些软、硬件属性，基于一定的算法重新生成“唯一”标识——设备“指纹”，这样当用户使用App或网页时，在SDK运行中会准确识别用户设备环境正常与否（图1）。其次是IP（InternetProtocol，网络之间互连的协议）风险分析。若用户在线上申请贷款会留有IP地址，分析当前申请IP地址是否异常，迅速识别是否存在机器人注册。同时通过归属地分析，评判IP、手机号码、身份证的归属地，在规则策略里面交叉比对，为客户提示风险及欺诈的可能性。

图1设备“指纹”识别账户网络风险

来源同盾科技

当然，互联网上保护账户安全的技术远不止上述“双锏”，尚有诸多人工智能工具和大数据技术，不一而足，无法穷举。

银行全场景反欺诈保护“六层铠甲”。在互联网上如何保护账户安全，同盾科技祭出六层保护。

首层，从识别虚假点击激活、分析设备作弊行为和提供渠道刷量报告，建立渠道推广保护层；

次层，采取识别人机行为、分析账户行为、识别可信环境及分析账户信息（虚假号码等），构筑账户安全保护层；

第三层，以甄别“羊毛党”库、识别人机行为和分析用户交易行为，形成营销活动保护层；

第四层，采取识别刷单库及人机行为、分析用户交易行为，确立交易支付保护层；

第五层，以过滤敏感词库、分析智能语义、图像OCR（OpticalCharacterRecognition，光学字符识别）、深度学习模型，构建内容安全防护层；

第六层，采取识别人机行为、分析接口调用及全局关联、提供攻击分析报告，确定接口安全保护层。

【案例1】同盾科技联合A银行直销银行实施反欺诈

A银行直销银行向同盾科技发出诉求，对用户账户进行安全保护，同时降低被“黑产”制造者攻击的概率。

基于A银行直销银行围绕设备标识、IP画像、登陆时间三个方面制定了风控规则的前提，同盾科技采取设备“指纹”对风险设备行为实时防卫，将交易接入决策引擎，通过近百条规则在用户注册环节对虚假及恶意注册等行为进行防控；在提现、绑卡环节，对用户资金安全保护；而在充值环节，对薅“羊毛”风险防控；在信息修改环节，对用户账户安全保护，防止关键信息被篡改。《金卡生活》选取2018年1-3月期间数据，作为联合反欺诈样本观察期。

从事件维度分析，同盾科技API（ApplicationProgrammingInterface，应用程序编程接口）审核率，即反欺诈规则命中率排名前三的事件分别是提现、注册及充值。通过进一步分析，命中数量最多的是代理IP、设备标识获取异常及设备短时间内注册次数过多。这些现象对应的则是典型的互联网欺诈行为，如薅“羊毛”、盗刷。API拒绝率越高，代表事件的风险程度越高。对A银行直销银行风险事件发生最高的注册环节，同盾科技API拒绝等于为该银行防范了风险。由于部分绑卡交易A银行直销银行未调用同盾科技的设备“指纹”服务，导致该事件API设备“指纹”获取率过低。下表的数据分析表明API设备“指纹”保持了极高的响应水准（表1）。

表1A银行直销银行反欺诈按事件类型统计情况

来源同盾科技制表王孔平

从应用类型维度分析，命中反欺诈规则最高是手机网页，达到86.1％，表明此为惯用途径，其次才是安卓系统、iOS系统。而API拒绝率普遍不高，非要“矮子堆里拔高”的话，安卓系统排首位。同样，由于部分交易A银行直销银行未调用同盾科技的设备“指纹”服务，致使手机网页端设备“指纹”获取率低（表2）。

表2A银行直销银行反欺诈按应用类型统计情况

来源同盾科技制表王孔平

样本观察期API接口200ms（也就是每次调用仅是“蜜蜂连续扇动40次翅膀”的时间，此语出自2017年第11期《金卡生活》杂志刊发《解构“双轮”驱动信贷风控及反欺诈应用模型》一文）响应率在99％以上，500ms响应率在99.9％以上。由此可见，A银行直销银行采取严控注册关的措施，尽可能将欺诈分子堵截在门外。

【案例2】同盾科技联合B银行信用卡中心保护账户

B银行信用卡中心痛点在于，在注册登记阶段“黑产”制造者在电子渠道和App双管齐下，注册垃圾账号、盗用用户账户。

对此，同盾科技打出“组合拳”，集识别虚假手机号码、通信小号、代理IP，查询设备欺诈历史，以及运用设备“指纹”及账户维度关联规则等防控技术于一体。《金卡生活》选取联合保护账户样本观察时间为两个月，即2015年8月12日至10月11日。

从总体风险防控分析，样本观察期间围绕账户发生的总事件397184个。其中，拒绝事件占45.02％，通过事件占54.43％，人工审核事件基本可以忽略不计（表3）。

表3B银行信用卡中心用户保护账户安全总体防控风险情况

来源同盾科技制表王孔平

从风险防控趋势分析，体现了大数据工具与人工智能技术同“黑产”制造者之间的拉锯缠斗（图2）。《金卡生活》观察到，第2天至第10天，“黑产”制造者疯狂攻击，同盾科技给予9天持续还击，第11天至第16天，“黑产”制造者蓄势6天休整，同盾科技占据上峰，“道”行“魔”伏；第17天至第19天，“黑产”制造者组织第二轮“三日攻势”，第20天至第22天“黑产”制造者则进入“三日休整”；第23天至第26天发起第三轮为期4天的攻击。整个过程再现了“一鼓作气，再而衰，三而竭”的真知灼见，第27天至第36天“黑产”制造者尚有小股残余力量；第37天之后基本趋于平稳，这一良好势头持续到观察期终点时间。

图2B银行信用卡中心用户保护账户安全风险防控趋势

来源同盾科技

B银行信用卡中心与同盾科技联合开展的用户账户保卫战成效明显。从样本观察起点到终点，注册垃圾账号比例从40％降到了2％，盗用用户账户比例则从20％降到约3％。

第二，贷前如何反欺诈？广泛应用贷前反欺诈模型，娴熟提升数据、技术“双能力”。

细分信贷欺诈风险问题，归因不外乎有四类。一是“黑产”制造者通过盗取他人身份信息、申请资料，实施“假冒申请”，如常见的“黑中介”申请。二是“黑产”制造者对工作单位、工资流水、住宅地址身份或资质证明材料造假，实施“伪造申请”。三是申请人历史信贷记录呈现不良状态，在短时间内集中多头申请，还款意愿较低，本身道德存疑。四是“黑产”制造者与银行客户经理甚至风控人员里应外合，泄露信审策略和用户隐私信息，合谋“套利”。

面对信贷欺诈风险，同盾科技首先拥有全面的数据能力。其一，掌控高、中、低风险关注名单。其二，掌握信贷表现数据，信贷名单涵盖信贷逾期名单和逾期后还款名单，信贷行为则涵盖多头申请和多头负债。其三，把握虚假号码、通讯小号、中介号码及欺诈骚扰库等社交数据。其四，了解身份数据，包括申请人身份证、使用手机号码、年龄、地区和使用设备。其五，熟悉法院失信被执行人名单、租赁车违约及违章开（乘）车记录、欠税及公安犯罪通缉名单等社会数据。

基于全面的数据能力，建立过硬的技术能力。一是透过申请行为分析，甄别短时间是否存在频繁发出借款申请，或在敏感时间申请。二是通过设备“指纹”技术，识别设备是否关联多个账户、银行卡、身份证和手机号码。三是通过IP代理测试，厘清机器人注册、账户名异常。四是侦测是否使用虚拟机、安卓模拟器。五是分析地址数据，从而判断是否为虚假地址，所评估地址是否“命中”高风险地址库。六是分析定位（归属地），定位设备精确位置，分析IP、身份证及手机的归属地，分析Wi-Fi、基站定位以及分析可疑号码。

数据、技术双能力，奠定了建立反欺诈模型的基础。同盾科技首先建立“智察分”（即反欺诈分），《金卡生活》观察到，“智察分”与欺诈概率呈现正相关关系，分值范围在1-99之间。在分析同盾科技全量样本分布之后发现，若排除前2％的人（60分），便能排除90％“坏样本”；当排除掉前11％的人（20分），即可排除96％的“坏样本”。

其次，依托XGBoost（ExtremeGradientBoosting，极大梯度提升算法，图3），将若干个子模型“串行”起来，模型最终的输出是子模型的加权。通俗来讲，该模型对应的是一堆CART（分类回归树），其思想是将每棵树的预测值加到一起，作为最终的预测值。值得一提的是，同盾科技建模要素包括“2000变量1000棵树”。既然由树产生森林之前，对树“剪枝”成为必要。同盾科技的模型能够对缺失值、异常值主动“学习”，对特征相关性则没有要求，并能够应用分布式学习处理大数据。

　　图3依托极大梯度提升算法建立模型

来源同盾科技

从单一视角扩充为全局视角，贷前反欺诈重要的一环是识别欺诈团伙。众所周知，风控的核心是人，当从单一视角观察“黑产”制造者，获取的个人特征诸如手机号码、归属地、是否命中“黑名单”，以及年龄、工作、经济能力、是否上过逾期名单等。关键要拔出萝卜带出泥，获取“黑产”制造者的关系网络才具备了观察欺诈的全局视角（图4）。关系网络包括了“黑产”制造者的朋友是否“命中”逾期名单，是否与“黑产”制造者团伙有异常关联，所在群体节点是否为核心节点。

图4手机号码暴露欺诈团伙蛛丝马迹

来源同盾科技

截至2018年8月末，同盾科技已识别疑似欺诈团伙250万个，其成员数量4600万人，其中核心成员数量达880万人。目前，日均拦截团伙数量达30万个，涉及成员90万人，其中中介人员、恶意逾期者、“羊毛党”成员等约15万人。

《金卡生活》得到截至2017年2月末的数据样本（虽然不是最新数据，但也具有一定代表性）发现，疑似欺诈团伙在“被发现”的渠道分布上，设备序列号比重最高，达45％；其次分别是手机号码、身份证号码；而银行卡号却非疑似欺诈团伙的“最爱”。

表4疑似欺诈团伙在“被发现”渠道分布

来源同盾科技数据截至2017年2月末制表王孔平

权威第三方信息提振同盾科技“全面的数据能力”，实现贷前信息验证“五术”。“一术”，通过姓名、身份证号码、手机号码“三要素”的一致性认证，实名论证，手机在网状态及消费记录，进行手机类贷前信息验证。“二术”，通过银行卡号、姓名、身份证号码一致性的银行卡“三要素”鉴权，在“三要素”鉴权基础上增加“预留手机号码”真实性的银行卡“四要素”验证，消费能力评估，进行银行类贷前信息验证。“三术”，通过地址真实性、标准化，地址相似度，风险地址库，进行地址类贷前信息验证。“四术”，通过实名认证，人像比对，进行公安类贷前信息验证。“五术”，通过航旅出行、工商信息，进行其他类贷前信息验证。

贷前智能信审，用人工智能提高贷前信审效率（图5）。核心之一在于出题维度。一是信息核验，合作银行提交信息与同盾科技自有信息、第三方信息，通过问卷与用户（即申请人）进行“二次确认”，判断是否一致，如在网时长、话费档次等手机类信息核验。二是资质复议，当合作银行的信用评分过低，或者现有信息尚不能够做出决策，必须通过问卷让用户提供更多的信息，包括信用风险认知、借款金额及利率接受程度、年收入、个人资产情况等。

基于信息核验、资质复议，进行偏差计算，合作银行通过授信抓取、信息核验等获得的数据，以智能问卷与用户“二次确认”，评估客观数据与用户提交数据之间存在的偏差程度。

图5贷前智能信审流程

来源同盾科技

第三，信用风险如何评估？不以颠覆者自居，却以扎实的“同盾信用分”体系与传统信用模型形成互补，共同提升借款人的还款能力和还款意愿评估的有效性。

“同盾信用分”给合作银行的用户贴上“好”或“坏”的标签。如同盾科技风险名单上，对出现逾期、失信和失联的信用类风险用户，归类为“坏”用户。

在输入用户身份证号码、手机号码，模型系统输出信用评分。

当然，这个分值（300-900之间）与违约概率呈现负相关，也就是说得分越低，逾期概率越高。合作银行想要知晓自己的信贷用户信用状况，当然希望同盾科技的模型覆盖用户群越大越好。《金卡生活》获悉，同盾科技从2015年以后与信贷相关的用户作为建模群体，已经覆盖4亿张身份证、6亿个手机号码。在数亿信贷样本中掌握了数千万“坏样本”。

基于信贷维度，“同盾信用分”已体系化、系统化，包括2015年至今覆盖信贷人群的“同盾智信分”，覆盖有过银行贷款行为人群的“同盾银行分”，覆盖有过消费金融类贷款人群的“同盾消金分”，覆盖有过申请现金贷人群的“同盾现金贷分”。

联合建模才是智能风控的解决正道。《金卡生活》分析，建模变量维度有多广，建模能力便有多大。联合建模的数据变量可包括三方面的数据来源，一是合作银行自有用户行为信息、贷后表现数据变量；二是其他运营商类、个人信息、地址类及车辆估值等优质第三方变量；此外，同盾科技自有变量内涵丰厚、外延宽广，自然也不能“束之高阁”，这包括了用户线上资产变动、经济能力评估的资产类变量；“同盾智信分”“同盾银行分”的评分类变量；负债逾期、多头借贷的负债类变量；互联网行为偏好、消费偏好的互联网类变量；IP与基站类地址、联系类地址的位置类变量等。上述合作银行、第三方两个维度的变量与同盾科技自有变量融合之后，质变到来，联合建立更为行之有效的“评分卡”模型。

【案例3】同盾科技联合C银行信用卡中心建立在线消费贷产品申请自动化风控模型

除自有渠道获客之外，C银行信用卡中心通过某呗引流，开启了“互联网银行”模式，与同盾科技共建在线消费贷产品申请自动化风控模型。《金卡生活》选取模型上线后四个月，即2017年12月至2018年3月，作为样本观察期。

联合模型具备贷前信用审批“三化”，即流程化、自动化和标准化。流程化评估用户信用并甄别“坏”用户，自动化评估用户的还款意愿及能力，标准化评估用户的行为偏好、负面及负债信息等。同时，该模型具备“三个能力”，即在贷中海量交易中迅速发现风险的能力，贷后监控核验用户异常信贷表现并预警失信的能力，在风控新方法、新工具、新路径面前快速匹配的能力。

《金卡生活》观察到，放置“同盾云”端的联合模型其实只做了两件事。一是针对某呗系统风控模型、C银行信用卡中心风控模型“双通过”引流来的用户，进行自动化信用审核，从而给出决策建议。二是针对某呗系统风控模型通过，C银行信用卡中心风控模型拒绝的用户，通过专家调优、三方核试验之后，进入联合模型深度挖掘，最后进入C银行信用卡中心模型融合，继而提高通过率。“删繁就简三秋树，领异标新二月花”，这款联合模型颇具郑板桥简约风韵。

C银行信用卡中心从同盾科技API累计调用量120万次，日最高调用量60000次。联合模型在自动化风控方面当之无愧成为“铁将军”，把关成效显著，总体自动通过率达90％，自动拒绝率仅10％。其中，反欺诈通过率96％，三方核验通过率93％。在样本观察期间，C银行信用卡中心发放在线消费贷产品超过100万笔，其逾期率控制在千分之一以下（表5）。

表5C银行信用卡中心在线消费贷产品申请自动化风控模型表现

来源同盾科技制表王孔平

贷中阶段：低风险调额、提升用户需求增长

第一，如何实施低风险额度调整？“行为风险评分卡”“收益卡”“响应卡”三者相权与考量的火候至关重要。

在满足用户信用需求，控制银行风险的前提下，对信用卡额度调升和调降。

一是锁定调额对象。根据“三卡”，即基于持卡用户的征信数据及多平台借贷数据，评估其风险的“行为风险评分卡”；基于持卡用户历史的还款行为数据，预测未来利息及佣金等收入的“收益卡”；基于持卡用户的他行卡额度及消费行为数据，判断是否响应调额的“响应卡”。相应预测结果选择低风险、高收益、易响应的持卡用户作为额度调升对象；相反，高风险、低收益、慢响应的持卡用户作为额度调降对象（图6）。

　　图6风险收益象限图

来源同盾科技优化王孔平

二是“二次”定额。根据“收入负债资产”，即基于银行、同盾科技经济能力评估、第三方数据，判断持卡用户的收入变化；基于银行、同盾科技、征信数据，评估持卡用户的负债变化；基于银行、同盾科技线上资产变动评估、第三方数据，评估持卡用户的资产变化，从而综合评估持卡用户当前的收入负债比值、资产新增，以此对其重新定额。

三是符合风险敞口要求。基于银行风险敞口（Riskexposure，因债务人违约行为导致可能承受风险的信贷余额）要求，确定当前额度调整空间，以此满足单个拟调持卡用户的额度。当调整额度空间有限时，则优先满足“收益”“响应”期望最大的用户。

【案例4】同盾科技联合D银行信用卡中心调额

依据D银行信用卡中心提出给其相应持卡用户调整信用卡额度的需求，同盾科技制定调额总目标——考量“行为风险评分卡”“收益卡”组合效果，找到低风险、高收益的持卡用户进行调额。而对于“三低”，即低风险、低收益、低初始额度（处于3000-10000元之间）的部分持卡用户，出于刺激消费的目的，亦可调额。

具体实施的调额方案则从两个梯次有序推进。第一梯次，依据“行为风险评分卡”，将调额样本排序，对风险较低的持卡用户调额；仅从利息及手续费维度产生贡献的“收益卡”，同样将调额样本排序，对低风险、高收益的持卡用户调额。两因相纳，最终调额样本仅占到总样本的10％（图7左）。第二梯次，根据“行为风险评分卡”，将调额样本排序，对风险较低的持卡用户调额；仅从佣金维度产生贡献的“收益卡”，对低风险、高收入的持卡用户调额。双因迭加，最终调额样本占到总样本的22％（图7右）。

图7D银行信用卡中心梯次推进调额样本占比

来源同盾科技制图陈厚文

协查案件。同盾科技摸索出在贷中管理环节配合案件调查及进行犯罪团伙行为分析。

不难发现，“羊毛党”关系网络（图8左）的“体貌特征”表现在中间节点是设备序列号，周边节点则是手机号码。信用卡养卡“套现”关系网络（图8中）的“体貌特征”表现在中间节点是身份证号码，周边节点则是银行卡号。消费贷骗贷关系网络（图8右）的“体貌特征”表现在中间节点是设备序列号，周边节点则是手机号码和银行卡号。于是，沿着周边节点可以“顺藤摸瓜”，逮捕中间节点便可能“擒贼先擒王”。

图8“羊毛党”、信用卡养卡“套现”及消费贷骗贷关系网络

来源同盾科技

风险监控。在贷中管理环节，风险监控奇招并出，完全可以自定义监控的频率和内容，包括但不限于如下贷中风险监控的内容：多头申请及负债，通信小号、贷款失信及租赁失信等“黑名单”，“黑黄赌毒”刑事犯罪，借款人常用地址活跃，基于同盾科技专有大数据模型发现的高风险行为等。

预警原则。《金卡生活》观察到，定制化的风险预警遵循了三大原则，即发现高风险用户，定量化检查采取及时性原则；对于不同风险等级的账户，监控频率和方法实施差别化原则；对于难以判断的风险，严格采取审慎性原则。当然，主借款人新增的预警给出了应遵循的严谨逻辑，如半年内逾期3次以上，征信报告出现资产处置或出现担保人代偿，他行弱担保并且小微机构数量超过3家，一月内贷款审批查询超过3次以上，一月内信用卡使用率超过80％等，无不暴露在同盾科技的警示灯下。

第二，如何提升用户需求增长？给予银行智能化获客“三赋能”，在构建“信贷产品响应预测模型”基础上，“准实时”识别持卡用户兴趣点。

一赋能：前置银行风控措施锁定强意向的“好”用户。利用数据处理技术，通过将风控措施前置，最大限度“阻拦”高风险用户的渗透，排“坏”的反向自然允许“好”用户的进入。

二赋能：建立银行用户画像标签体系。除了评估信贷需求以外，同盾科技融合多维数据，联合合作银行建立更全面的用户画像标签体系，从而使得银行立体了解用户的行为轨迹和偏好特征，成为可能；根据标签占比变化，银行产品与用户需求高匹配智能推送，成为现实。在设备、ID、地域、需求、属性和兴趣等众多标签中，值得一提的是，能够“准实时”识别持卡用户兴趣点，从而建立其兴趣标签。如外卖团购、出境旅游、电商购物、婚恋交友、视频娱乐、交通出行和观影观演等。

三赋能：应用“信贷产品响应预测模型”获客降成本、提效率。融合持卡用户基本信息及资产、信贷、历史交易、中间业务等合作银行数据，抽取信贷行为、金融属性、SDK（SoftwareDevelopmentKit，软件开发工具包）、互联网行为、社交关系等外部特征变量，从用户画像、产品及关联等分析着手建立“信贷产品响应预测模型”。

通过“信贷产品响应预测模型”，挖掘银行存量的借记卡、信用卡“双卡”用户的借贷需求，利用手机号码进行用户ID识别，依据对信贷产品的需求响应程度，提供量化数据支持，方便银行开展有针对性的营销（图9）。

图9用户信贷需求响应预测分级下的营销策略

来源同盾科技

推进“信贷产品响应预测模型”应用，派生出“睡眠信用卡用户唤醒响应评测模型”，捕捉其信贷需求。区分信贷类别、信贷用途及需求程度，切入汽车、购物、娱乐、旅游、教育等信用卡使用场景，匹配权益偏好，制定差异化唤醒策略。如针对高意向用户直接进行外呼、短信营销触达；中意向用户选择短信营销等；低意向用户不主动触达投放广告，关注反馈及自然流入。

【案例5】同盾科技联合E银行信用卡中心唤醒睡眠卡用户

E银行信用卡中心向同盾科技提出唤醒睡眠卡用户的需求。E银行信用卡用户共计99846个，其中高活跃用户6565个，低活跃用户93281个。可见，高活跃用户在信用卡用户总数中仅占7.0％（图10）。从低活跃用户维度分析，以10分为区隔，将100分划分成10个区间，由低到高分数区间低活跃用户分布前五分别为22340、29233、23980、9389、5181个。其中，60分以下低活跃用户92508个，占低活跃用户总数的99.2％，占信用卡用户总数的92.7％。

图10E银行信用卡用户分布

来源同盾科技

引入同盾科技“睡眠信用卡用户唤醒响应评测模型”，对用户进行分层，有效筛选高意向响应用户，提升电话销售效率。其中，E银行外呼信用卡用户接通率保持在55.3-66.7％高位（图11）；线上获客成功率40-60分区间维持在10.1-16.6％，60-100分区间运行在23.3-36.8％高位（图12）。《金卡生活》观察，同盾科技唤醒用户效果显著。

图11E银行外呼信用卡用户接通率

来源同盾科技制图陈厚文

图12E银行信用卡用户线上获客成功率

来源同盾科技

贷后阶段：智能决策开路，“联络助手”“逾期精灵”挂帅

传统逾期催收面临诸多挑战。如人工成本高，话术标准化低，触达及反馈率低，并且没有信息补全，容易发生催收风险，相反，智能催收则迎来多个利好支持。如免除人工、成本低廉；智能话术标准化程度高，达到智能语音交互直接解答问题，并且可以实现全渠道整合；触达及反馈率较高，可以实现自动信息补全。

智能决策及“联络助手”“逾期精灵”构成了同盾科技智能催收的内核。

逾期催收，智能决策开路。依据持卡用户基本信息、申请信息、还款能力、还款意愿、消费习惯及逾期情况等维度，基于大数据平台描绘用户画像。同时，充分结合大数据风控经验和技术，精准预测案件风险等级。此后，应用自主知识产权的决策引擎，精准匹配参数，据此定制不同的交互策略和话术。

在一周7天与一天8:00-13:00的二维矩阵设置中，或在二维矩阵中灵活选择时间窗口，甚至在多渠道及频次（图13）安排智能催收。

图13智能催收多渠道及频次

来源同盾科技制图陈厚文

智能关“联”催收活“络”，“联络助手”现身。其功能在于，一是触达失联用户，通过数据分析能力及智能风控服务，对失联用户进行关联，提供呼叫服务。二是回拨失联用户，通过同盾科技的呼叫平台，系统自动关联并路由到合作方绑定的相对应的坐席电话上。三是分析语音信令，通过解析运营商语音内容，获取用户手机关机、停机、占线、不在服务区、无应答及拒接等状态，并记录在拨打记录中，以便催收坐席掌握用户手机真实状态。四是出具业务报表，提供关联结果、外呼记录等业务处理的统计报表，方便合作银行了解催收进展。

多渠道、多场景逼真人机交互，“逾期精灵”出世。“逾期精灵”这款催收场景智能语音机器人的出现，开拓了智能语音交互式催收服务的前景。其优势具体表现在三个方面，一是与传统的IVR（InteractiveVoiceResponse，互动式语音应答）相比，有逼真的人机交互体验，用户与其交流不需要反复按键，增加了用户对话意愿，有效降低用户心理防御意识，具有更低挂断率和更高任务完成率。二是没有人工干预，“逾期精灵”系统运营由机器自动化完成，规避了系统操作风险。同时，系统部署在“五星机房”，与第三方提供商为用户提供的公有云平台相比，避免了数据安全风险。三是具备多渠道、多场景的人机交互能力。

“逾期精灵”具备了语音识别、自然语言理解、多轮对话、知识图谱、语音合成、精准大数据等特征，通过熟练运用交互经典话术、回拨在线转接及分析语音信令等功能，进行自定义渠道及自定义催收策略。

　　【案例6】同盾科技联合F银行、G银行、H银行开展智能催收

F银行对逾期10天用户采取智能催收，提出三大需求：第一针对忘记还款的用户，起到提醒作用；第二过滤不需要人工坐席催收的用户，减少人工负担；第三提高产品智能化，尽可能减少人工干预。

《金卡生活》获取了同盾科技在F银行实施智能催收的测试样本，其接通率（表5）高于人工坐席催收，逾期回款在15-20％之间，同时释放了大量的催收人力。

表5F银行智能催收测试效果

此外，G银行信用卡中心M1（Months，月，未还款的第二个账单日到第二次账单的最后还款日之间）账龄持卡用户智能催收，平均接通率为56％，逾期回收高出传统催收的15％。H银行消费金融M1账龄用户智能催收，平均接通率为47％，接通率及逾期回收率都高于人工催收。