本文是某次培訓的講稿，主要面向的對象是不了解或剛入行互聯網信貸行業（下面簡稱互金）的運營、產品和分析師。主要是作者在運營多個互金業務后，對互金業務、數據、運營的經驗總結，本文講述貸中篇，希望對您有所幫助。

我經手的項目有某支付公司年放貸200億的現金貸項目，同公司的年放貸2億左右的消費分期項目，也有某頭部卡貸公司貸超項目。對入行3年以內的朋友應該還有借鑒意義，業務經驗較豐富的朋友可能需要自行判斷是否跳過。原文超過一萬兩千字，拆成貸前貸中貸后三篇發出來，希望文章的價值可以值得大家的閱讀時間。

本文按互金業務階段順序拆解內容，每個階段我一般會分成4個方向去講，第一是該階段的業務特征或流程，第二是該階段關注的指標，第三是這個業務階段，行業內都是怎么做的，或者流程是怎么樣的，第四是這個階段主要關注的運營場景。

下面我開始講貸中，貸中主要是兩個環節，一個是授信，一個是請款跟放款。

一、授信

1. 業務

先看授信階段，授信更多是資方或者大的助貸方在做的，我大致講一下授信和風控的原理。有個行業的大佬講過，現代信貸和傳統信貸不同的地方，就在于風控的一體兩翼。它的一體說的是“以群體風控為主體”，兩翼則是“以定價覆蓋風險，以催收覆蓋不良”。

這個話怎么理解呢？傳統信貸的風控主要是一人一策，一人一價，而現代的人群定價，則是一群人一個策略。風控會根據用戶提交的信息，以及在征信平臺、第三方平臺的數據源，查到的用戶的收入數據、消費數據，以及其它歷史數據等各種信息，根據這些信息，判斷用戶的需求強度、借款能力、還款能力，然后對用戶進行人群的對號入座。比如說典型的分層像藍領階層，白領階層，管理階層，都會根據人群整體，形成對應的風控策略。

因為這些不同的分層，用戶的整體情況是不一樣的，他的收入水平、消費水平、還款能力其實都是不一樣的，就導致客群基本的逾期概率是不一樣的。風控模型就會在客群初始逾期幾率的基礎上，對這個客群對放款金額和放款利率進行調控。比如說白領客群的逾期幾率只有0.5%，信貸產品的生產方就會在0.5%的基礎上，加上自己的資金成本。假如資方是4%利率把這個資金借入的，那就加一個4%，助貸方的獲客營銷等運營成本是4%，就再加一個4%?；诨A的費率，再加上一個自己希望的收益費率，比如說5%，那給白領人群的最低費率就是0.5%+4%+4%+5%=13.5%。然后再根據個體在白領人群中的具體情況，再決定更進一步的費率調整。

另外因為不同客群收入和消費的能力也不一樣，所以他的額度肯定也是不一樣的。這就是群體風控，就是定價覆蓋風險。至于催收覆蓋不良，我稍后講到催收那塊再講。

2. 指標

在授信這塊，關注的核心指標就有兩個，授信額度和授信通過率。因為國內現金貸授信一般都是策略+模型風控，沒有更多的環節。從業務側來說，拆分的維度很有限，助貸側通常會拆解不同資方來看。

3. 行業

在授信階段，有一個比較典型的行業案例，可以幫助大家理解授信的風控模型。螞蟻信用的模型可以進行學習參考，它有非常強的風控借鑒意義。因為17年之前，市面上有1/3以上的信貸產品是不查征信，也基本沒有風控系統的。他們只查螞蟻信用分，只要是580分或者600分以上，都可以獲得3000元左右的額度。從這些產品當時的不良情況來看，螞蟻的模型還是有相當強的借鑒意義的。

另一個值得一說的，是授信風控所處的技術階段，在17年的時候，某信已經做了大數據風控，這也是某信上市的一個賣點，目前大數據風控已經是行業基礎了。20年某支付拿到了小貸牌照，有牌照后按政策要求，就必須要做自己的風控系統了，當時某支付已經做到了智能風控，通過機器學習去訓練自己的風控算法。整體來說，風控這塊技術應用還是比較領先的。

4. 運營

在風控這邊的運營可能參與的場景，主要有兩個，一個是通過用戶行為數據識別監控欺詐用戶，另一個是通過周邊業務數據采集輔助風控。但是這兩個其實都是風控和大數據主導的，運營主要配合使用，所以也不再詳細講了。

二、請放款

1. 業務

下面講一下請放款階段。請款放款之所以放在一起，是因為它其實是一體兩面的，用戶請款，平臺放款，所以把它放在一起。請放款的流程，也是相對較簡單的。用戶去申請提現，資方進行貸中風控，如果風控沒有問題，就會進入到第三個階段放款。從提現到放款中間，資方會再次查用戶的信息，比如征信，來判斷用戶在申請到放款期間，資質有沒有變化。如果資質有下降，他很可能會面臨額度下降、額度凍結、放款失敗之類的情況。

2. 指標

這個階段關注的指標，主要是支用率和支用金額。支用率拆解下來有借款申請率和借款通過率，還可以分成新老用戶的不同客群指標，還可以按用戶注冊或授信時間，拆分成近期新戶、遠期新戶、近期老戶、遠期老戶。支用金額可以拆解成支用用戶數、支用件均，客群側的拆解，可以參考支用率。

3. 行業

這個階段有一個需要注意的點，就是借款通過率下降的問題。像某支付，資方最開始接的是眾安，眾安這個產品上線的第一年，借款通過率基本上都是在90%以上的。但是從第二年開始，借款通過率就出現了比較大幅度的下降，而且是持續性的下降，6個月內就迅速從90%直接降到60%多。通過率的下降，對于助貸平臺或者是資方來說，都是一個比較頭疼的問題，因為它本質來說是用戶質量的下降。它的下降原因，可以分成兩種類型的用戶來看。

一種是新用戶，新用戶借款通過率下降，主要可能客群的問題。因為這部分用戶很可能同時向多個信貸產品申請借款，他就會存在多條的征信查詢記錄。因為用戶操作的時間差會導致信息不同步，會出現授信的時候征信還沒有問題，等到放款時候，這個用戶已經有多條征信查詢記錄了，就會導致放款失敗。另外一種是老用戶，老用戶會有兩種情況，一種是授信完沒有發起借款，授信跟首次借款之間相差的時間比較久，用戶的信息在這段時間內發生了變化，導致最終貸中風控不成功。

另外一種，是用戶已經借款了，他復貸借款時候被攔截。復貸風控被卡的原因，常見于用戶多次借款，已經到了逾期危險次數的情況。資方根據復貸次數判斷這個用戶的資質是否下降到了危險區間，如果是，就會風控攔截。

之前在某信的時候，他們的風控專家有一個在行業里邊都比較有名的論斷，他認為一個正常的用戶，在復貸過4次之后，這個用戶的價值就開發完了，因為復貸4次后，用戶的逾期風險會大幅度的提升。這個結論是通過某卡貸自己的授信、逾期數據得到的。

我們去分析這個結論的時候，認為現金貸用戶，有借款次數的危險邊界或者叫生命周期。一個正常的用戶，不可能連著不斷的去借款。如果累積借款到4次，就說明這個用戶收入和支出的匹配上，大概率存在問題。這些問題，可能是賭博、無法節制的消費欲望，也可能是想借錢創業、投資，改變命運，無論他的原罪是什么，這種類型的用戶，一定是非常容易逾期的，也就需要風控的重點關注。

當然，這是18-20年左右的結論了?，F在很多助貸平臺為用戶開多卡授信，以提升用戶綜合授信額度，以提升整體放款金額，實質上是鼓勵用戶多頭。這種情況下，即便是一個好的用戶，質量也是在飛速下降的。資方風控稍微緊一些，貸中被拒也就不奇怪了。

4. 運營

接著看下這個階段需要做的一些運營工作。一般來說用戶完成授信后，在一定的時間內，一定會產生借款。因為他經過前面那么繁瑣復雜的步驟，完成了授信的過程，就可以說明他是一個有需求的用戶，有需求就一定會去借款。所以其實運營側想推動用戶主動去借款，是比較困難的事情。因為現金貸用戶本身就是強需求驅動，當前比較緊急，有需求的用戶都已經去借款了。用戶當前沒有借款，可能只是還沒有到需求節點。

這個階段的運營觸達主要有幾種。一是純內容的觸達，有的用戶過了一段時間會忘記他在這邊還有一個額度，純內容觸達就是對他做一定的提醒。第二種是還款券，還款券邏輯比較簡單，助貸方自己出成本做功能就可以，可以最先上線。第三種是免息券，免息券因為要跟資方做成本和功能上的合作，又有各種信息傳輸，一般是最后才能上的。這幾種觸達內容整體看下來，免息券會比還款券或內容觸達，效果好很多。即便是免息券的最高減免金額和還款抵扣金額一致的情況下，免息券效果也會比還款券要好。

這個階段的用戶分層邏輯是比較簡單的，按用戶的行為深度、沉默周期、需求強度評估等，進行防沉默、失活召回、沉默召回觸達就行。

這個階段的觸達通道主要有APP內彈窗、PUSH、短信、智能外呼、人工外呼等手段，其中PUSH效果最差，短信效果其次，智能外呼效果會好一些，然后是人工外呼和APP內彈窗。在運營時，APP內彈窗是實時觸達，基于用戶旅程定點觸達即可。PUSH和短信要基于文案的“六大元素”（稱謂、歡迎語、賣點權益、時效限制、社會證言、行動號召）進行AB正交實驗，相同人群的不同文案轉化可能相差10倍，而且結果也可能是反直覺的（不一定權益描述越清楚效果越好）。智能外呼和人工外呼則需要不斷AB測試優化話術SOP，并控制好智能外呼和人工外呼的順序。

觸達的形式，第一階段通常是手動AB。得到較好結果后，第二階段做觸達策略的自動化固化，再配合對特殊或重要客戶的手動取數觸達。第三階段要基于對用戶旅程的實時數據，基于用戶在業務流中的旅程節點和時間節點，進行分層分類的實時自動化觸達。這塊兒大家如果有興趣，后面我單獨開一篇來講。