【干貨推薦】
互聯(lián)網(wǎng)信貸天生是一個數(shù)據(jù)驅(qū)動的行業(yè)猴鲫，它往往通過互聯(lián)網(wǎng)的渠道对人，非常便捷高效地為海量的消費者提供服務。從中用戶數(shù)據(jù)沉淀了下來拂共，有了數(shù)據(jù)就有了生產(chǎn)資料牺弄，我們才能更好地通過數(shù)據(jù)來實現(xiàn)業(yè)務增長。機器學習能通過算法自動進行數(shù)據(jù)分析和挖掘宜狐，從而高效實現(xiàn)業(yè)務增長势告。本期問題回復?機器學習如何滲透到業(yè)務每一個環(huán)節(jié)？
【互聯(lián)網(wǎng)信貸業(yè)務概況】
本文以信貸業(yè)務為例抚恒，將其拆解為一系列環(huán)環(huán)相扣的流程節(jié)點咱台。當每個節(jié)點的問題都得到有效優(yōu)化而解決的時候，業(yè)務自然會增長俭驮。如下圖所示回溺，信貸業(yè)務增長問題用一個數(shù)學公式表示，即由大盤用戶數(shù)混萝、貸款用戶占比遗遵、人均訂單數(shù)、訂單通過率和單價五個環(huán)節(jié)相乘逸嘀，而這個框架的背后則是由大數(shù)據(jù)车要、機器學習及人工智能等技術(shù)構(gòu)成。
01崭倘、獲客和流量來源
在互聯(lián)網(wǎng)的背景下翼岁，目標用戶來源通常由自然流量和付費流量組成。機器學習可以幫助我們更加精準的獲得這兩部分流量帶來的目標用戶司光。
（1）自然流量通常是通過用戶下載了APP琅坡、朋友等人的推薦、新聞報道飘庄、渠道合作等途徑而帶來的脑蠕。按照增長黑客的理論购撼，如何找到愿意分享傳播產(chǎn)品的意見領(lǐng)袖是關(guān)鍵跪削。我們可以基于現(xiàn)有用戶數(shù)據(jù)用機器學習結(jié)合關(guān)系網(wǎng)絡圖挖掘算法去解決谴仙。
（2）付費流量就是通過互聯(lián)網(wǎng)廣告投放帶來的。如何制定合理的投放策略以高性價比來獲取用戶是關(guān)鍵碾盐。舉個例子晃跺，如果我們通過搜索廣告平臺來獲取用戶，除了創(chuàng)意要考慮外毫玖，如何選擇關(guān)鍵詞以及如何為每個關(guān)鍵詞出價是投放重點掀虎。關(guān)鍵詞決定了我們能獲取的目標人群范圍，基于大數(shù)據(jù)付枫，機器學習技術(shù)能高效自動幫助我們選出哪些關(guān)鍵詞是我們應該考慮的烹玉。而在廣告競價過程中，有預算限制的前提下阐滩，關(guān)鍵詞的出價則可以用數(shù)學規(guī)劃或強化學習算法來解決二打。
02、潛客挖掘
在信貸業(yè)務背景下掂榔，貸款是一種低頻行為继效，需要借貸應用場景來觸發(fā)。因此装获，我們很有必要精準識別出那些真正有資金需求的人群或潛在貸款用戶瑞信。人群識別往往可以建模為一個分類問題，通過將用戶的各種數(shù)據(jù)表示成特征穴豫，機器學習算法可以高效精準的識別出哪些用戶是需要貸款用戶凡简。這是當今機器學習技術(shù)最成功的應用領(lǐng)域-有監(jiān)督學習，有許多算法可以使用精肃，比如LR潘鲫，GBDT/XGBoost，隨機森林等等肋杖。另外溉仑，基于用戶社交網(wǎng)絡數(shù)據(jù)，我們還可以通過圖計算挖掘的方式識別出其中的資金需求群體状植。針對這些潛在貸款人群浊竟，我們可以通過運營活動去觸達，促進他們成為我們的提單用戶津畸，帶來業(yè)務增長振定。
03、人均訂單量
第四個環(huán)節(jié)我們要考慮如何提高人均交易量肉拓，這是一個可以長期通過機器學習算法迭代優(yōu)化的指標后频。這主要決定于三方面的要素：用戶所屬的人群屬性、當前在產(chǎn)品上的行為屬性、以及何時以何種方式何種內(nèi)容觸達用戶卑惜，如下圖所示膏执。在這一環(huán)節(jié)，用戶畫像系統(tǒng)露久、推薦系統(tǒng)更米、自動化運營系統(tǒng)等等將一起配合運作高效地發(fā)揮作用，機器學習技術(shù)貫穿始終毫痕。通過這些系統(tǒng)征峦，我們還可以建立用戶響應模型來促進用戶的活躍度，建立用戶流失預警模型來減少用戶流失消请，建立用戶LTV模型來提高用戶留存栏笆，這些都將有助于用戶提單量的提升。
04臊泰、訂單通過率
我們還要考慮如何提高訂單通過率竖伯。這是金融業(yè)務的核心環(huán)節(jié)-風控，它決定著整個業(yè)務能否良性持續(xù)發(fā)展因宇。如果說前面幾個營銷環(huán)節(jié)是為了放量七婴，那么風控環(huán)節(jié)是為了收，但要有的放矢的收察滑。風控效率的提高將有助于極大提高訂單的通過率打厘。
這里面有兩個關(guān)鍵問題要解決：用戶的欺詐概率和違約概率預估，分別對應用戶的欺詐風險和信用風險贺辰。在互聯(lián)網(wǎng)金融的環(huán)境里户盯，如何精準的識別欺詐概率和違約概率高的用戶是比較困難的問題。
問題一：用戶貸款是否按時歸還的反饋周期比較長饲化，通常一到兩個月才有表現(xiàn)莽鸭；
問題二：用戶存在多頭借貸和團伙欺詐的行為，這些數(shù)據(jù)往往難以獲瘸钥俊硫眨；最后經(jīng)過風控系統(tǒng)后，絕大部分用戶已經(jīng)被拒絕而無法表現(xiàn)出欺詐或違約巢块，真正有表現(xiàn)的用戶比例往往可能不足3%礁阁，這帶來了后續(xù)模型建模樣本的有偏性和不平衡性。
解決辦法：
基于大數(shù)據(jù)的機器學習技術(shù)將為這些問題提供有效的解決方案族奢。機器學習模型的快速迭代機制有助于減輕反饋周期過長問題姥闭；結(jié)合第三方數(shù)據(jù)，應用圖計算技術(shù)將有助于識別多頭借貸和挖掘欺詐團伙越走；機器學習的半監(jiān)督學習算法及針對樣本不平衡的算法有助于解決樣本有偏及不平衡問題棚品。此外，在風控的信審環(huán)節(jié)，機器學習技術(shù)可以通過建模預測進行決策铜跑，極大縮短訂單審核時長门怪，提高用戶體驗，促進信貸業(yè)務量增長疼进。
05、風險定價
最后我們要考慮交易定價問題秧廉，即如何給用戶定貸款額度和貸款利率伞广。這決定著整個業(yè)務的收入及利潤。貸款業(yè)務的定價本質(zhì)是基于風險的定價疼电，建立風險定價體系需要綜合考慮經(jīng)營成本嚼锄、目標利潤率、資金供求關(guān)系蔽豺、市場利率水平区丑、客戶風險等因素。金融學里對風險定價問題有一套較完整的數(shù)學理論描述修陡，我們可以借鑒實踐沧侥。基于大數(shù)據(jù)和機器學習方法進行風險定價魄鸦，我們也可以去探索宴杀，目前來看還是一個開放性研究課題。
【總結(jié)】
本文結(jié)合在線信貸業(yè)務場景描述了機器學習的落地應用方法拾因⊥眨可以看到，在這樣的框架下绢记，基于大數(shù)據(jù)的機器學習技術(shù)在金融領(lǐng)域發(fā)揮著重要的作用扁达，有助于解決業(yè)務各環(huán)節(jié)遇到的問題，不斷地優(yōu)化各種指標蠢熄，從而帶來業(yè)務的持續(xù)增長跪解。后續(xù)篇章，我們將會繼續(xù)分享我們在互聯(lián)網(wǎng)金融領(lǐng)域一線實踐經(jīng)驗签孔，陪伴您成為更好的自己惠遏。
原創(chuàng)文章出自微信公眾號：51智慧金融社區(qū)
在這里向你分享關(guān)于智慧金融的一手干貨和實戰(zhàn)經(jīng)驗，共享專家見解（原創(chuàng)文章骏啰，未經(jīng)允許請勿轉(zhuǎn)載）节吮，作者微信號976619964
