智慧营销信用评分

作者潘笛，一个天桥说书人，江湖人称『竹林法师』。

本文是评书连载《智慧营销那些事》的第五回。相关论述仅代表作者阶段性观点，不代表雇主与合作机构观点。

1《智慧营销？四个问题》

2《智慧营销？厘清主次矛盾》

3《智慧营销？人海茫茫》

4《智慧营销？客户分群》

5《智慧营销？信用评分》

前文《智慧营销？客户分群》中笔者提到客户分群的“原罪”在于将一类群体视为一人，这是将难题大而化小的不得已，却也带来新的问题，毕竟“世上没有两片完全相同的树叶。”

（一）进退两难的分群

顺着已有逻辑，更加精细化的分群应当成为破题之法。倘若深入思考，或许又不完全如此。为了看清这个问题，还是需要回到客户分群的根本逻辑上来。

正如上回书所述，分群与差异化服务二者互为共生、难分彼此，后者对前者形成了客观要求与约束。说白了，如果后续工作由人工主导，那么前置分群便不能太多太细，否则超出人力极限便难以衔接。前者始终迁就后者，分群于是进退两难。

从对行业的观察来看，该困境至今没有得到很好的解答，笔者了解到某行采用专家团队维护着几百个客群。三位数的群落数量已经给人工维护带来了极大压力，进一步精细化已然不太现实。

另一方面，产品与服务品类较少是大多数银行的客观现状，在相对有限的组合搭配之中，过多过细的分群反倒是没有用武之地。

不过这并不妨碍探险家们对未来展望。

既然受制于后续策略设计工作中的人力短板，那么可否让机器介入？思路不错，实操层面却尚存困难。目前智能算法框架，一方面高度依赖于海量优质训练数据，一方面仍旧擅长于归纳而略逊于演绎，在这个需要创意与紧贴时代热点的领域，似乎尚不能很好发力。不过“智能化策略设计”终归是一个可以进一步探索的应用场景。

还有一点不容忽视，倘若后续工作真的可以逐步机器化，那么初衷在于迁就专家的前置分群还有必要么？

棋局似乎进退两难。

公元前年，马其顿亚历山大大帝（AlexandertheGreat）挥师东指占领了弗吉尼亚城，城中神庙里保存着几百年前的一个复杂的绳结（戈耳狄俄斯之结，GordianKnot）。据说谁能解开此结，便就能成为亚细亚之王，但几百年来的挑战者均无功而返。亚历山大命令麾下尝试也均落败。最后亚历山大亲自上场并拔剑挥去，所有绳结迎刃而解。

面对进退两难的分群困境，诸位何不挥剑斩绳，暂时放弃分群思维。

一切的起点是为了解决客户、产品、渠道、时机等营销要素的匹配问题，那不妨直捣黄龙。既然直接完成各种要素的一次性多元匹配有点无从下手，那么不妨将难题大而化小，先从二元匹配入手，探讨如何完成两种营销要素的匹配，而重中之重是客户与产品的匹配。

对于刚刚离开石器时代的人们，新战场略显陌生。如何在纷扰繁冗的万机中一举把握要害，成了难题。就比如针对一款或一类产品，究竟有哪些客户更有意向购买、购买概率如何，需要得到解答。

它山之石，可以攻玉，东风从信贷领域悄悄吹来。让我们先行了解一段历史。

（二）信用评分简史

学者刘新海曾撰写系列专栏文章《信用评分60年》，对信用评分发展历史做了概要性介绍。本节将以该专栏文章为主要参考对象，并融入笔者的调研与思考。

信用评分是最早开发的金融风险管理工具之一，核心逻辑在于借助事前信息预测消费者在日后发生违约的可能性。这套技术如侦探、先知一般洞悉未来，非常有趣；又如催化剂、压舱石一般激活并维系着现代市场经济，非常有用。

上世纪30年代，欧美已经有邮购公司、零售商尝试进行信用管理。相关行业存在类征信场景，会先将货物寄出，允许部分消费者使用一段时间后再付款。对于谁能享受相关服务及额度控制，需要可靠的评判标准。

这个阶段的工作推进主要依赖信用分析人员，借助个人经验进行授信决策。过程中出现了两大问题：一是该方法对专家依赖度极高，人力制约使得相关工作难以规模化开展；二是专家意见不一致的问题时常出现。

第一个转折发生在二战期间，大量信用分析人员被调去服兵役，出现了资深信用分析人员严重匮乏的现象，诸多公司在信用管理方面出现了困难。在这种情况下，一些公司要求信用分析员将他们的判断原则落在纸面，进而帮助资历尚浅的信贷人员做出决策。这便是专家规则引擎的雏形。

第二个转折发生在二战之后，在专家与专家规则的局限性逐步凸显的大背景下，有人窥见统计学算法在信贷决策中应用的可能，开始将信贷决策与统计学中的分类算法（Classification）相结合。

对于一个客户，预测其未来是否违约是一个非常典型的二分类（BinaryClassification）命题，相关命题的核心逻辑在笔者多年前撰写的《闲谈分类模型（一）：入门》一文中有过论述，感兴趣的朋友可以翻看。在算法与数据的加持之下，自动化信用评分的火种由此埋下。其间BillFair与EarlIsaac二人于年在旧金山创立了FICO公司，试图为各大公司提供信用评分建模服务。

到了上世纪后半叶，欧美市场中信用消费需求呈爆炸性增长，面对海量客群如何高效而准确做出信用决策成了行业内至为迫切的刚性需求。尤其是信用卡领域，申请信用卡的人数之多使得无论经济还是人力上都力所不逮——自动化发卡决策迫在眉睫。

在时代演进、需求井喷与技术迭代的大背景之下，以二分类模型为基石的信用评分如神兵天降，逐渐渗透到财务、直邮、零售、信用卡、个人贷款、房贷、小微企业贷款等各个细分战场。

第三个转折发生在年，FICO公司研发了FICO信用局风险评分（FICOcreditbureauriskscore），不同于过去与机构合作只能用到机构内部数据的做法，信用局评分采用全局数据开展模型训练，进而在一些信用评分技术曾表现平平的领域取得了意想不到的良好表现，例如住房抵押贷款和小微企业贷款等领域。

第四个转折发生在本世纪，随着信用评分的神秘面纱被逐步揭下，更多征信机构与银行开启了信用评分模型的自主开发之路，更多元化的数据类型与机器学习算法被尝试。

整体回顾下来，第一次转折是专家规则的沉淀，第二次是算法与数据的应用，第三次是从局部到全局的数据升维，第四次是技术曝光后的百花齐放。信用评分六十年，波澜起伏。

（三）信用评分的助攻

回到营销领域，既然信用评分背后的二分类建模技术能够预测违约概率，那么可否运用在产品的购买概率的预测呢？答案是肯定的。

上世纪90年代，受到信用评分启发，分类算法建模技术被开拓者们尝试应用于市场营销领域，在事前测算客户对特定产品的响应概率，并遴选客户投放广告，使得企业能够在有限营销资源下获得更高回报。

更进一步，相关技术也逐渐扩大到对客户使用概率（某客户使用产品的可能性大小）、保持概率（某客户在产品推广期结束后继续使用该产品的可能性大小）与流失概率（该客户流失可能性大小）等行为的预测。如同贷前、贷中与贷后的全生命周期信用风险监测，相关方法在一定程度上实现了对特定产品获客、活客与留客的全生命周期营销监测。

智慧营销中最为重要的客户与产品的二元匹配难题，得到了初步解答。同时，二分类建模这套框架沿用至今，依然是许多等营销活动客户清单背后的主要依据。随着数据维度的不断丰富、智能算法的迭代升级，建模效率与模型精度也在不断提升。

二分类建模框架从点切入，借助历史数据与算法实现了在特定焦点上更高的精准度，但也缺乏了客户分群那种从面入手的体系感。

尤其是当镜头从二元拉回多元，问题接踵而至。就比如营销时机、渠道、内容等多元要素如何融入，彼此单独建模的产品之间如何横向比较，等等，在体系化视角的审视之下需要得到解答。也就是说，如何在客户分群方案之外构筑一套体系化的打法，成了充满挑战的命题。

无论如何，早期探险家们从信用评分中得到了直捣黄龙的解题思路，也为更宏大的解题方法埋下伏笔。