年放貸200億的互金項目怎么做運營(貸后篇)
本篇文章詳細介紹了對新手階段互聯網金融項目經驗總結,例如還款、復貸和逾期催收,推薦入行3年以內的金融運營新手閱讀,希望對您有所幫助。
本文是我在運營多個互金業務后,對互金業務、數據、運營的經驗總結。我的項目經驗有某支付公司年放貸200億的現金貸項目,同公司的年放貸2億左右的場景貸操盤運營,也有某頭部卡貸公司貸超項目。本文對入行3年以內的運營、產品、分析師應該有借鑒意義,業務經驗豐富的朋友需要自行判斷是否跳過。本文超過五千字,主要內容集中在復貸運營節點,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。
下面我開始講貸后,貸后是3個步驟,還款、復貸和逾期催收。
一、還款
1. 業務
還款主要有兩種類型,一種是主動還款,另一種是自動還款或是叫代扣還款。所謂主動還款,顧名思義,就是用戶在產品內主動操作還款。而代扣還款則相對,是用戶綁定好還款卡,每月到期自動劃扣。
2. 指標
這個階段運營主要關注的指標,有正常還款金額、主動還款成功率、代扣成功率、總還款成功率等。這些指標會跟利潤有直接關系,也會跟逾期的相關指標放在一起去看。
3. 行業
這個階段行業的運營手段極為有限,因為還款會比借款更難影響。用戶如果有錢就肯定還款,因為逾期要上征信,征信花了就會影響買車買房,嚴重還會限制高消和出行。只要做好還款前的短信和電話提醒,這一套下來,惡意逾期的用戶會非常少。而逾期的用戶,就是催收那邊關注的工作了。這樣下來,就導致運營很難在還款提醒之外,做比較有力的觸達和推動。
4. 運營
正因還款階段的觸達效果難提升,還款功能的穩定性、完善性也會相對重要一些,所以這個階段的運營主要是產品運營。其中代扣功能是比較重要的一個關注點,因為代扣全靠配置,配置好到時間機器會自動扣款和分賬,如果配置有問題,就會導致嚴重的客訴問題。
我們之前有出現過這樣的問題,有某支付現金貸也有后面我自己負責運營的場景貸。場景貸那次因為產品運營是新來的,不太了解之前的配置,就把對應的分賬費率給配置錯誤了,就導致有少量用戶,實際還款的金額是正確的,但是分賬的時候,分給資方那邊少了幾十塊錢,就導致這一部分用戶被資方認為是逾期了。而且因為問題是從客訴通道發現的,發現比較晚,所以用戶被催收了。
這種投訴,還可以通過賠款解決。如果是已經上了征信,那就很難解決了,而且極容易投訴升級。后面每個用戶賠了錢,并開了非主觀逾期證明才解決。
所以說,還款配置的穩定準確是非常重要的。另外在產品運營這邊,還有一些方法可以減少未來逾期可能,就是通過客服和客戶溝通延期還款。產品運營一般會制作延期還款的手冊,或者SOP文檔給處理逾期的客服。
如果用戶在還款前覺得有困難,他有可能會跟客服致電,協商延期還款。在延期還款期間,情況特殊時,用戶可以少支付一些罰息,甚至不支付罰息,來降低用戶徹底逾期的壞賬可能(這種策略現在貌似被非信貸人士發現了,演變成了反催的灰產,反催問題的應對,可能是行業需要關注的)。但是其他情況下,想推動用戶還款是比較困難的。
二、復貸
1. 業務
接下來講復貸。復貸可以分成兩種類型,一種是結清復貸,一種是未結清復貸。結清復貸是指這個用戶之前的所有貸款都已經還清了,然后再去做新的貸款,再去申請提現申請借款。而未結清復貸的用戶,其實原來的借款還沒有還清,但是因為用戶已經還了一部分款項,或是一開始就沒有把所有額度借完,或者說是他開了多卡,有剩余的額度,當用戶又有資金需求時,就又去申請貸款,這種就是未結清復貸。
2. 指標
復貸階段關注的指標會有復貸率、復貸金額,這是宏觀的指標,下面拆分的指標會有結清復貸率、非結清復貸率以及復貸成功率。結清復貸率、非結清復貸率的核心拆解方式和支用率拆解類似,也是按用戶價值(需求強度、借款習慣、借款能力)、注冊時長、生命周期等維度拆分。復貸成功率其實跟前面講的借款通過率比較接近,這邊就不再贅述。
3.行業
復貸階段,因為用戶的信息會更完善,用戶分層(上限)可以做的比首貸階段復雜的多,所以行業內會形成明顯的分界。
最基礎的做法,運營和分層通常都是手動來做的,會基于是否結清對用戶進行基礎分層,再基于用戶末次借款時間進行交叉分層,最多會按RFM模型加強分層。
等這些貸中分層策略效果已經驗證,會進入第二個階段:策略自動化固化階段。這個階段會把上個階段效果較好的策略,做成自動化觸達機制,自動進行觸達,來提升人員效率。
第三個階段會對分層策略進行大幅度完善,不再是簡單的雙維度或四維度交叉分層,而是引入更多的評價維度,搭建模型對用戶進行價值評分。根據價值模型評分,對用戶做營銷offer和優先級的確定,然后再基于用戶的營銷通道、營銷權益、營銷內容偏好,對用戶選擇觸達通道進行觸達。再基于AB測試和機器學習算法,對策略模型進行優化。后面我會專門出一篇復貸老戶策略模型搭建的文章,詳細講下這塊要用的維度和計算方法。
4. 運營
復貸做運營會有幾個方向,首先是分層經營,這是最重要的運營手段。我們之前嘗試過三種分層模型,一種是基于用戶的額度和費率進行分層,接近于風控模型的結果分層,反應用戶的借款能力;第二種是按RFM模型對用戶進行分層,RFM分別對應最近一次借款時間、180天借款頻率、累計借款金額;第三種是自己做了一個模型,我們按用戶的授信情況、消費情況、消費習慣對用戶進行分層。
最開始的時候,我們針對前兩種模型不同分層的用戶進行測試觸達,測試不同分層下人群包的轉化情況。最終試下來是第一種是相對有效的,分層觸達效果稍好(復貸率德爾塔值不超過1%),我們就基于這套分層和我們自己拿到的用戶信息,做了第三套分層。
我們分析下來發現,RFM模型之所以效果不好,是因為貸款本質來說是一個比較低頻的業務。RFM模型是從零售行業里總結出來的,而零售是一套高頻業務。所以RFM模型的借款頻率維度其實處在“水土不服”的狀態,基本是無效的。這樣下來這個模型只有4個用戶分層,不夠精細,效果也不會很好。我們自己做的那個模型,按用戶收入、用戶消費情況以及習慣做分層,它本身來說參考的是螞蟻信用。
但是因為某支付本身不是一個像支付寶那樣的,覆蓋用戶多,業務也非常廣的APP,所以很多用戶的信息是采集不到的。它只能采集到用戶很少一部分信息,就導致這個分層的數據,其實不夠精準,效果雖有提升,但也不能讓人滿意。最近兩年隨著和頭部公司接觸,以及對數據采集更深入的了解,我發現了一些過去未使用過的維度,也了解了一些更先進的技術方案,后面會在復貸文章里專門討論下這塊兒。
其次是觸達內容,這方面我們當時測試了三種內容。當時我們有對這些未復貸的用戶做了問卷調研,就發現用戶主要有三種需求,一種是用戶覺得息費比較高,第二種是覺得自己額度比較低,第三種是他本身是薅羊毛進來的。我們當時有很多綁卡返現、授信返話費券或者放款那申請放款返大額還款券或話費券的活動,他是為了話費券或還款券進來的羊毛用戶。因為用了還款券之后,利率會比當時的理財還低,這些用戶就把這個錢貸出去買理財。
而我們的觸達內容,就分成三個方向,一種是息費減免,一種是額度提升,第三種是附屬的其他權益像話費減免。在息費減免方面,我們有兩種模式,一種是還款券,還款時候直接抵用;另一種是比較晚出現的免息券。比如說100元還款券,還款的時候可以直接抵100元,跟100元免息券,可以免100元的利息,這兩種券在設計層面或許邏輯不同,單在用戶體驗側,本質來說只是包裝形式不同。
但是我們AB下來就發現,即便是同樣的面值,發免息券的用戶轉化會比還款券高很多,以至于后邊我們還款券能力就直接廢棄掉了,發的券全部都是免息券了。我們分析下來得到一個結論,可能是免息的包裝形式更吸引用戶,發還款券的通知短信,用戶看到會覺得這個只是普通營銷,就不會再打開。而發免息券的營銷,用戶覺得免息是一個很大的利益點,但是點進來才發現,免息是有最高限額的。但是用戶已經進來了,總會有一部分往后轉化,而還款券用戶看到短信根本不會進來,所以轉化效果會提升。
第二種額度提升。因為我們當時業務是助貸,沒有自主定價權。所以我們的做法是,通過對用戶進行分層篩選,選高頻使用,且還款沒有問題的用戶,每個月大概會推5萬用戶去給資方,資方會把這批用戶導入到他們自己的風控系統里邊,評估這些用戶符不符合額度提升的條件。這個方法會有一些缺陷,它覆蓋的用戶量比較小,因為推5萬的用戶,最多的時候資方那邊一次通過的也就1萬左右,每次觸達用戶量比較少。
但是測試下來,這個策略效是非常有效的,這些提額的用戶大部分都會在下個月,或者是之后的三個月內進行借款(雙倍動支率)。而且按我的了解,這個策略也是大多數助貸公司在力推的,雖然可能會擴大整體風險,但是對推復貸會比較有效。
后來,那邊因為一個資方能給的額度有限,就又搞了一個多卡多資方的產品策略,在用戶申請授信時,他會把用戶同時推給多個資方,來提升用戶的整體授信額度,來從源頭提升用戶可放款的金額。這個策略邏輯和提額類似,但是有一個極其嚴重的問題,雖然說這個策略對于提升放貸余額非常有效,但也會導致用戶多頭,用戶質量快速下降。因為某支付這個用戶池,它的用戶增長每個月是非常有限的,可能最多就幾十萬,但是它不斷把這個池子里面的用戶變成多頭的用戶,變成差的用戶,就像往一潭不怎么流動的清水里不停潑墨水,用不了多久,池子就會變成黑水池,用戶就全變成差用戶了。而用戶質量下降后,放貸成功率會下降,逾期率也會上升,最終還是會影響整體的收益。這種辦法,說白了就是透支未來,來獲取現在的增長,對于業務整體來說,可以說是飲鴆止渴。
第三種,根據對羊毛這些用戶的調研,我們會發一些附屬的權益,來刺激他們去借款,但是會提升權益的使用門檻。比如,某些特征表現為營銷敏感的客戶,首輪常規營銷沒有效果時,我們會把原本是借800返50的還款或話費券,換成滿2500返3張50元的還款或話費券。我可以讓利給這些用戶,但前提是他要多貸款,幫我提升業績。
整體來看提額度跟降費率,這兩個是效果最好的觸達內容。資方自身也會有一些觸達,如果說他是自有資金放貸或者擁有定價權,他們本身也會做一些類似的提額降費的動作。不過這個動作,在沒有專業的定價團隊或運營團隊時,一般是通過風控部門做的,所以風控語權會比較強一些。
三、逾期催收
1. 業務
接下來我們講逾期和催收,逾期和催收其實也是一體兩面,逾期是用戶逾期,催收一般是資方催收。催收之所以重要,之所以是現代信貸的一體兩翼,是因為它可以覆蓋不良,降低不良率。而降低不良率的意義何在呢,可以看一下信貸互金行業的增長公式,它有兩種北極星指標,一種是毛利潤,一種是放貸規模。這兩個北極星指標的業務拆解模型是非常不同的。像放貸規模的拆解,就跟常規的交易型模型是比較接近的,但是毛利潤就不一樣,它是這樣一種拆解:當期應還乘以利差,減去當期壞賬,減去當期成本。拆到二級的時候這樣的,它等于當期應還減去當期的壞賬,乘以利差,減當期壞賬,再減去其他的成本。
這樣拆解下來,我們發現影響毛利潤的因素,除了常規的經營成本之外,最核心的一個因素是當期應還,另一個是當期壞賬。當期應還跟放貸規模有關,當期壞賬則與逾期有關。所以說通過催收,把當期的壞賬比例降低,金額降低,就能比較大幅度的去提升自己的毛利潤。而且因為不良對利潤和損失都會產生影響,它既能提升本身的利潤,也能降低損失,一份工作可以產生兩份價值,所以在業務整體中尤其重要。
除了風控降逾期和催收挽回之外,一些大的銀行,針對不良資產,還會有一些資產證券化的方法,減少不良損失。像工行跟建行,都是有做此類操作:他們會把自己信貸業務產生的,符合某種標準的不良資產,打包賣給一些資產處理公司。這些公司自己催收,或者和催收公司合作,來進行催收,除了購買不良資產包付出的成本外,能催收回來越多,就賺的越多。當然這主要是大行和大公司的做法,主要的信貸公司,比如說平安系的,他們都是自建的催收團隊。很大可能是因為自建催收團隊,收益還是要比不良資產售賣,要高那么一些的。大的銀行之所以會做操作,有可能是因為他們覺得這個東西,沒有太多的利潤,也可能是規避投訴風險。但是對于互金行業的信貸公司來說,這塊業務控制在自己手里是很重要的,所以大部分公司都是自己做。
2.指標
這個階段關注的指標,主要會有逾期金額、入催率、出催率、遷移率、滾動率等指標。逾期金額會分成M0、M1、M2、M3、M6+等。M0是沒有逾期的金額,一般信貸產品都是按月還款,一個月就是一個還款周期,M1是逾期一個還款周期的用戶,M1-M6以此類推。M1到M6都是算不良,M6以上都會算壞賬,這個是行業比較通用的一種標準。M1到M3還有機會催收回來,M3-M6機會很小,超過M6,就極難回收了。催收這邊,入催率和出催率比較重要。
3.行業
因為我之前呆的基本都是助貸平臺,對于這塊接觸確實比較少。只有一個行業案例,我們服務過一個客戶,他有自己的催收平臺,給催收人員去用。他們會通過對這個催收平臺的數據采集和埋點,來監控催收人員行為、催收電話時長、出催率等數據, 管理催收人員效率。
4. 運營
這塊兒確實沒有經驗,就不多說了。
貸前貸中貸后三部曲的內容講到這里。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。
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。
分享很細致,期待持續更新~
不錯,感謝分享,期待更多分享
歡迎關注我的gzh“運營學記”,會比這邊更新快一些,后面也會給大家準備一些標準文檔
這系列挺好的,期待