融慧金科李世泽：额度授予的三重境界

【 图片来源：拓天速贷 】

上周，雷锋网旗下AI投研邦【大咖Live】金融风控专场推出了最后一期，由融慧金科金融风险研究中心资深专家李世泽以“额度授予的三重境界”为主题进行了干货分享。他曾任职于美国运通，在信用卡风险包括审批授信额度、后期全流程管理上拥有丰富经验。

李世泽指出，每个客户的消费规律不同，因此起始额度是否足够引起其兴趣，后期如何通过调整额度来满足消费需求，是一件非常重要且需要持续监控的事情；同时，额度也是决定借贷产品盈利能力的关键组成部分，它可以有效带动利润并提高客户满意度。此次分享就是从信贷额度出发，详细解释了额度管理在金融风控中的重要性，以及如何借由额度实现风险控制到利润分配的不同层次需求。

本次课程主要分为四点，分别是“额度授予体系及其在金融风控中的地位”、“额度授予模型的建模痛点”、“额度授予的三重境界”以及实战案例分享“融慧金科初始额度授予解决方案”。雷锋网AI金融评论将其中部分内容做了不改变原意的精编，完整课程和答疑解惑详情以及更多干货分享加入「AI投研邦」会员即可获得。

在我眼中，风控不只是简单风控，更重要的是将个性化体验做好。

以账户审批为例，大家进行较多的环节是新账户的审核，除审核通过/拒绝角度外，还有诸多其他不同的角度。例如从客户体验的个性化角度来看，在进行客户审批时，是否可以根据客户不同的风险，给予不同的利率；或者从体验角度来讲，当我们知道客户一部分数据时，了解到其风控很好时，是否可以略过审批问题和流程，直接给予审批，提供非常快速的极致体验。

全流程风控不只有账户审批例子，还有从初期获客筛选、额度管理，交易环节中是否通过交易授信，贷后监控以及逾期处理等。今天主要讨论额度管理，它和账户审批是相辅相成的双生子关系，包括初始额度、主动提额（即为客户主动提升额度）、被动提额（客户要求提升额度），对高风险客户进行降额。

额度管理自身同样非常重要，且具有挑战性。它为什么重要呢？

以银行信用卡为例，每个客户在银行信用卡上的消费不同。图1可以看到：横轴是成为客户后的每月消费，客户一在卡片刚审批时消费很多，随着月份的逐渐靠后，消费越来越少；第二个客户消费一般都较少，偶尔出现大额消费驱动临时消费提升；第三类客户随着时间发展，越来越认可我们的服务，或者我们对该用户进行不断提额，其信用卡消费逐渐增高。

图1

可以看到，每个客户的消费规律不同，所以开始额度是否足够，能否引起其兴趣，后期如何进行额度的提升、降额来满足消费需求，是一件非常重要、且需要持续监控的事情。

相比于通过新账户的审批，额度授予非常困难。

难度主要来源于模型的验证过程。对于授信审批的效果评估，可以观看通过客群是否逾期，来判断之前的通过决定是否正确。但对于额度而言，每一个客户只有授予一次额度的机会：如果给予其一定额度，尽管可以观察其后期表现，但是永远无法将该客户推翻，重新再授予其另外的额度，观察他在另一额度上的表现，来比较哪一个额度更正确，所以额度授予是非常难以验证的问题。

为了验证这个额度，我写了两个挑战：

挑战一：需要大量数据为客户授予随机额度。如此可以找到相似客群，授予不同额度，观察其在不同额度上的表现，并推测哪一个额度更适合客户。

挑战二：验证额度模型需要较长时间，对于新账户审批来说，客户是否逾期，在6-12个月内即可准确知晓。但对于额度而言，客户的复借率同样和额度相关。为了能验测该额度，需花费很长时间（可能是一到两年）观察客户表现，而客户表现很大程度由额度来决定。

额度授予，包括初始额度、主动提额、被动提额、降额。接下来则主要围绕初始额度授予开讲。

初始额度的额度管理收益分成三种境界，境界一是创造多维额度授予矩阵；境界二是利润至上的回归模型；境界三是借助机器学习的力量。

例如，以风险为单一额度进行额度授予，首先可以划定该产品预计发售的额度区间（例如额度为3000-10000），即可用一些风险指标分配额度给客户。举例说明，对于高风险客户授予3000额度，中风险客户授予5000额度，低风险客户授予1万额度，可使用的指标包括融慧多头分产品，相当于外部数据的多头分产品。

其他可使用的风险指标包括征信数据、外部数据（例如同盾多风头产品，相当于互联网金融业的征信级产品；融慧风险分，相当于一个基于手机设备行为进行风险预测的分数）、金融机构内部数据。

事实上，金融机构内部存在非常多数据。举例，申请表上的数据非常有用，以信用卡进行举例，

该客户在信用卡表单上填写是自己拥有房屋还是租房，同样是风险体现之处。另外，客户是否申请副卡也可进行风险说明：如果客户能为其家人或孩子申请副卡，意味着风险偏低。

另外，对于已经成为我们客户的客群，在金融机构积累的一定消费数据和还款数据，是对于已有客户再审核的有效数据。以上即金融机构内部可能出现的数据。

除风险角度外，还可结合客户可以支配财富，从风险和收益两个角度来进行初始额度的授予。以刚刚的例子，对于风险低的客群，有些人比较有钱，有些人相对并不富裕，同样应该给予不同的额度，因为他们对金钱需求的不同，对额度的需求不同。

左边的二维额度授予矩阵，参考了客户价值和风险程度，根据客户可支配收入和风险来进行额度划分。右边列出了一些可以用来作为客户价值的指标，例如收入指标等客户自填指标，优点是简单易用，缺点是可信度低，可能无法准确描述客户价值。例如，在国外，很多时候客户自填收入可以作为收入指标，但在国内，客户自填收入的可信度问题还需考虑 。

还可以用到的是客户提交的银行流水，其可信度非常高，但是问题在于客户需要在申请过程中离线，线下来复印并传真，申请步骤繁琐，影响转化率。或者可以借助政府的数据，在客户输入账号和密码后获得社保数据等等。该方面，一般客户因考虑个人信息泄露，不会开放数据给我们，或者即使开放后，还需跳至另一页面输入，影响转化率。

这里最推荐的是借助外部数据。其优点在于轻感知、可信度高。以融慧金科目前提供的财富指数产品为例，从八个维度分析客户在活跃智能手机的设备数据，包括客户常住小区房价，客户消费行为等，综合得出其财富指数。只需输入手机号或者设备号，即可对客户进行财富指数评分，该产品覆盖率可达到90%以上，输出0到100的风险平分对应不同的财富等级。

在我看来，风险不是逾期率控制低或控制在何种水平的问题，而是逾期率的预测值和真实值之间的偏差问题。很多时候，有一定风险的客户才真正有借贷意愿，才会产生利息，才会真正的借钱，所以风险并非把风险控制在多么低的水平，而是将风险控制在预测水平，这才是真正的风险管理。

接下来讲回归模型，如何选取比较好的额度。

对于一个业务而言，信用卡业务或者消费金融的业务如何做利润最大化？完整版详细回答请戳：【第37讲】大咖Live X 融慧金科李世泽：额度授予的三重境界。

第一点是根据横轴额度、纵轴金额来预测收入和损失。就收入而言，额度越高，客户可以借的钱越多，利息收入越多，但随着额度到达一定高度时，许多客户并不需要那么多钱，因为他害怕自己负担不起，所以借钱金额会越来越少。所以，收入的增长随着额度越来越高，其边际效应越来越递减。

对于损失而言，随着额度越来越高，有逾期意愿的人拿到额度后，会把这些额度全部提走，所以额度越来越高，损失会加速，后在某一点超过收入，在进行利润计算时，收入和损失中间部分，相减最大的点对应的额度就是最优额度，即获得了最好的利润。

怎么计算这个点？

以信用卡为例，如果有全年的消费收入，每一年银行可以从这商户中提取消费的千分之五作为收入，借贷收入即每个客户的平均循环余额乘利息（中国现在有规定利息红线），最后减逾期损失，即逾期率乘以客户的平均余额。

如果进行消费金融或分期产品，就没有消费收入，而是借贷收入减去逾期损失。为什么会写有很多随机的测试数据呢？因为只有给客户随机分配不同的额度，才能预测到额度和消费收入。

借贷收入和逾期损失是存在什么关系。通过之前说到的随机测试数据，我们建立一个回归模型，预测额度和消费的关系，和借贷的关系，和逾期损失的关系。

接下来不断对额度进行迭代，例如，开始将1000额度分给客户，后通过计算，对客户通过回归模型算出消费收入、借贷收入和预期损失，得出整个客户的生命周期可带来的价值是178。然后再进行迭代，在真正的测试或实战环节中，多是50为一梯度迭代，直到算出最优额度，此处以1000为例，2000额度对应的客户价值是198，50000得出的客户价值是170。最后选取客户价值最高是授予2000元额度，对应客户价值是198。

上述境界二基于盈利最大化的回归模型，其困难就在于用额度来预测消费收入、借贷收入或者逾期损失，均是大模型，大模型里有小的模型叠加，非常复杂，并且互相迭代的模型很难在系统里搭建和管理。

第二个挑战是模型每次更新都需要6到12个月的时间，这对在瞬息万变的借贷行业来说算是很长的时间。第三点是回归模型假设了线性的关系，一定程度上限制了申请客户的额度授予准确性，因此不能提供一个非线性的关系。

为解决上述挑战，业界比较流行的机器学习方法。包括最近邻居法KNN、GBDT、GBM、神经网络的算法等等。

在初始额度授予中，我们选择最近邻居法机器学习，举例说明：当申请人（B）进来时，我们已提前建立好早前申请客户的客群（A），随机授予额度，并且观测表现。在客群A中，我们找到一个子集C，子集C和申请人B比较相似。

在比较相似的子集C中，我们给予客户不同的额度以测试不同的额度，比如额度5000、1万、2万、3万，然后观测客户带来的客户利润120、140、180。最后发现在和申请人B比较相似的子集C中，授予2万随机额度的客户，他带来的利润最高，所以我们也应该授予2万额度。

在KNN模型中的机器学习方法，是在客群A中找到和申请人B比较相似的子集C，这边就用到了机器学习法。另外一点，机器学习法在初始额度授予中需要有大量的测试数据，如此才可给客群A中足够的随机额度授予，在找到子集C之后，子集C中也有足够的客户都有收随机授予的额度。

额度是决定借贷产品盈利能力的关键组成部分，它可以有效带动利润并提高客户满意度。

从风险的角度，额度管理也是借贷产品风险管理的关键因素之一。

额度授予的经济模型非常困难，因为它需要大量的实证数据进行验证，除考虑客户风险外，还要考虑客户需求，例如一个高收入客群的需求会高一点，还包括客户期望，这也同客户收入相关，如果收入较高，客户期望获得较高的额度。对于客户期望而言，还要考虑当前市场上大家一般给到的额度是多少。

一、knn方法里面每个客户的额度和利润都是真实的样本吗？怎么判断客户与哪个子集相似？

答：都是真实的数据。对于百分之百的进来的客群，我们选定一定百分比客群，并对其随机进行额度授予，之后监测未来的表现，得出利润，所以都是实际的数据。knn具体如何选取比较相似客群，用到机器学习方法。判断客户相似程度的时候使用KNN可以选不同的维度（收入维度、风险维度等等）。

二、在只基于风险的额度授予中，怎么划分风险的分数区间和对应的额度区间呢？是用什么依据？

答：划分风险的分数区间和对应的额度区间要考虑利润的最大化。从利润的角度讲，对一特定风险的客群，额度高到一定程度，损失就会超过收入，带来负利润。我们应该选取合适的额度来确保利润最大化。

三、回归模型里的客户价值是怎么确定的？

答：客户价值即你所在行业，你的收入是什么，你的损失是什么，额度作为X，加入不同其它的X变量，例如客户收入、客户风险、进行组合，计算出每一个类型的客户应该给到哪种额度。

另外，李世泽针对前文所述的设备行为分、设备数据使用情况和解决方案等也做出了解答，完整版详细回答请【第37讲】大咖Live X 融慧金科李世泽：额度授予的三重境界。

对于前文所述的初始额度授予中使用的财富指数、多头借贷指数和信用分，设备属性数据、地理位置信息等数据的使用，以及更多融慧金科的产品架构和亮点，《2019 AI金融风控行业研究报告》中均有详细分析。此外，雷锋网也对其他代表性风控企业进行了全方位分析，更多有关AI金融风控行业的技术解读和未来趋势请戳《2019 AI金融风控行业研究报告》，现在加入「AI投研邦」会员即可免费获取，或点击链接购买。