年放貸200億的互金項目怎么做運營(貸中篇)
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%。基于基礎的費率,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。
本文由 @超級個體計劃 原創發布于人人都是產品經理。未經許可,禁止轉載
題圖來自Unsplash,基于CC0協議。
該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。
突然明白了為什么每周都要接到好幾個放貸的機器人電話,這竟然是效果最好的渠道…
智能外呼T1,人工外呼T0,雖然現在很難一下分辨出是智能外呼還是人工外呼了
觸達形式這個樓主可以專篇講下嗎
可以的,后續還會有怎么設計數據日報、怎么設計業務預估模型、怎么設計業務策略庫、怎么設計策略執行表等基礎實踐篇,還會有怎么應用增長模型拆解指標快速發現增長點、怎么應用UJM模型做新戶landing、怎么應用生命周期模型做老用戶經營等方法應用篇,還會有怎么做觸達AB實驗、怎么對流量來源歸因、怎么設計常規活動、怎么做產品功能AB實驗等場景實踐篇。
平臺把我篇末預告給我刪了