本书里所讲的消费信贷产品，它服务的对象是消费者个人。因此，Know Your Customer--了解你的用户，是一切零售消费信贷业务的出发点和终结点。本书以如何更好地了解你的用户为主轴，按照金融机构和用户的关系发展顺序及用户生命周期的时间顺序，详细解析了零售消费信贷业务在用户经营管理上取得成功的秘诀。书中会详细阐述数据驱动在“了解你的用户”过程中的价值和应用，包括在信贷用户经营过程中用到的各类大数据分析方法、常用的机器学习算法、预测模型的开发及管理流程，还会着重介绍经营过程中各个阶段所应用的策略背后的逻辑思维，包括潜在用户挖掘、新用户获取、授信准入、风险定价、风险管理、反欺诈、额度管理、交易授权管理、客户促活、客户留存、客户交互、贷后催收、合规管理、反洗钱以及用户服务等。

零售金融
数据化用户经营方法、工具与实践
雷健雄　　王黎理　　 编著
RETAIL
FINANCE
Data-Driven Customer Management Methods, Tools and Practice

金融投资

我认为，这本书作为一种大数据经营方法论的重要性，远远超过了书中介绍的各种工具！归根结底，这些新的方法、工具就是要让现实社会中活生生的人的福利得到有效提升！
——招商银行信用卡中心
总经理　 刘加隆

市面上关于大数据技术方面的书籍很多，但是真正能把数据思维贯穿零售金融业务全流程，且又能讲透彻的少之又少。这本书正是这样一本真正合二为一的书，希望它能给传统零售金融以及互联网金融领域的从业人员带来一些不一样的启发和借鉴！
——高盛集团前副总裁、工商银行信用卡大数据中心总经理　 孟奇

一直在零售金融领域摸爬滚打的我，第一次看到用大数据解决零售金融的书，总结得非常透彻，对数据的理解如此精妙。有理论、有实践、有感情的一本书，我花了一个周末，通读了一遍。这本书在用户经营、营销和风险方面讲得非常系统，其中“用文化来驱动数据决策，用数据来影响企业文化”，我一直在平安银行实践着，证明可以走出一片和纯技术不一样的天空！
——平安银行大数据平台
总监　 沈百军

近年来，“数据驱动＂这个概念不断升温，但是关于如何结合零售金融业务真正落地，鲜有能够系统并且深入讲透彻的书籍。这本书聚焦于零售信贷，突出“怎么做”，内容源于实践又高于实践，对数据分析领域的从业者而言，具有极强的参考价值。相信它一定能成为数据分析师宝贵的“案头书”。
——阿里巴巴集团企业金融风控
资深专家　 冯小军

序言一
… PREFACE 1 …
中国的经济总量在过去的20多年里，一路向北，飞速狂奔。我相信在不久的将来，必将稳居世界第一。当前中国的经济结构正面临着从量变到质变的过程，从过去投资和出口作为拉动经济增长的首要动力，慢慢过渡到由居民消费来拉动经济增长的常态。国内居民消费对于中国经济增长的贡献率已经超过六成，新的经济增长引擎已经形成。居民消费能力和消费意愿的升级，自然会带来对金融服务需求的升级。因此，各大金融机构必须抓住这个历史机遇，坚持需求引领，适应经济社会的发展需要，不断创新金融服务的提供形式，深化金融产品供应链改革，根据多样性、多层次的消费需求，为消费者提供满足他们差异化需求的金融产品和服务，尤其是要满足旅游、教育、文化、健康、养老等新型金融服务需求。金融产品和服务的创新能否适应实体经济需求的变化，显得尤其重要。大数据时代的不期而至，让金融服务的创新进入一个前所未有的好时代。以人工智能（AI）、区块链(Block Chain)、云计算（Cloud）、大数据（Big Data）为代表的前沿数字科技（简称“ABCD技术”），在数字化转型中，自下而上地与金融深度融合，通过数字科技对传统金融机构的网点、渠道、产品、流程等产生基础性、制度性、颠覆性的冲击，逐渐成为支撑银行数字化转型的核心引擎。
近几年兴起的互联网巨头，纷纷布局互联网金融业务。它们根据自身业务特点构建了业务生态圈，从生态圈外围向金融业不断侵蚀，逐步将金融植入各类生活场景中，并利用技术优势简化金融服务的环节，提高金融服务的效率，进而抢占大量的用户和流量。经过过去几年的积累和爆发式发展，互联网巨头在新用户获取渠道、用户群体和流量规模方面占据了绝对优势。借助手机App的高度覆盖，大数据存储、交互、挖掘等技术的普遍应用，机器学习、深度学习等人工智能技术的普及，很多原来传统金融机构不愿意或者无法向其提供服务的普通消费者通过互联网金融机构，享受到了金融服务。究其本质：一方面，互联网的出现，让人和人之间的连接、机构和机构之间的连接以及人和机构之间的连接变得更加实时与有效，信息能够更加顺畅地从金融机构触达普通消费者；另一方面，互联网能够最大程度地记录和留存人们在网络上的行为。这些被记录下来的用户行为，最终都会以大数据的形式（包括结构化的和非结构化的）进行存储。通过对这些大数据的挖掘、分析和理解，互联网金融机构能够对消费者有更加全面、深度的认知，这就解决了在传统经营模式下金融机构和消费者之间信息不对称的问题。所以我们看到，如今传统的金融机构纷纷开始“触网”。它们中有的设立网络银行部，有的设立电子银行部，还有的直接与互联网巨头合作，共同进行新用户获取、风险控制和用户经营。这些创新和合作，逐渐催化形成了新的金融工具和金融业态。
随着传统金融机构的“舒适圈”被彻底打破，传统金融机构要想在大数据时代保持足够的竞争力，就必须在立足本源的同时，积极拥抱互联网技术，对零售服务进行升级。通过扩大场景的纵深度，覆盖尽可能多的长尾小微用户。数字科技在这个过程中，将助力金融机构更好地维护用户关系，有效改善用户体验，更好地适应用户需求更加即时性、多元化、专业化的趋势，不断推动传统金融机构数字化、智能化与生态化的转型升级。
数字科技的发展和创新使得金融机构提供零售金融服务的能力进一步提高。科技（互联网）和金融的深度融合显著扩展了金融机构的服务半径和服务深度，使得普惠金融能真正落到实地。同时，大数据、人工智能、移动互联等技术的不断完善及其在金融领域的不断实践，促使传统金融机构不断提高自身精细化用户经营的能力，逐步形成个性化的、千人千面的服务体系。在过去，金融机构提供的产品同质化现象严重，单靠打价格战来作为竞争手段的方式难以为继。将来，金融机构必须充分挖掘、利用场景资源以及用户的数据资产，围绕用户的衣、食、住、行、游、乐、玩、教育、培训、医疗等高频生活场景和生活圈开展生态建设。金融机构既要重视金融产品和服务的“走出去”（也就是嵌入能触达用户的各个生活场景中），也要重视构建自己的运营阵地，以开放的姿态，广结异业联盟，实现相互赋能。只有这样，金融机构才能获得属于自己的C端用户和数据，从而有能力提供差异化的增值服务体系，提高存量用户的黏性并提升他们的价值贡献度。最终，金融机构在激烈的用户争夺战中，将从过去产品、价格和服务层面的竞争，进化到数据、场景和生态层面的对抗。
对于所有服务C端用户的零售金融业务来说，它的基础就是数据，而数据的生产者就是金融机构所服务的消费者，因此零售金融经营的核心是人。在中国，发展消费信贷业务是商业银行进行零售转型的重要抓手。2019年8月27日，中华人民共和国国务院办公厅印发了《关于加快发展流通促进商业消费的意见》（国办发〔2019〕42号，简称《意见》），鼓励金融机构创新消费信贷产品和服务，加大金融支持力度。这个《意见》体现了国家对于“通过消费信贷创新，促进消费发展”的坚定信念和决心。本书也会专注于探讨消费信贷的数据化用户经营理念和方法。
哪家金融机构能更加准确地把握自己的用户，哪家机构就能掌握克敌制胜的秘诀，至少能在竞争中拔得头筹。本书以如何更好地“了解你的用户”（KYC）为主轴，按照金融机构和用户的关系发展顺序及用户生命周期的成长顺序，详细解析了个人信贷业务（主要是信用卡）用户经营成功的秘诀。书中除了会详细介绍国内外各大顶尖零售金融公司/信用卡公司在用户经营过程中用到的大数据分析方法和策略思路（包括潜在用户挖掘、用户开发策略、授信准入、风险定价、反欺诈、额度管理、授权交易管理、用户促活、用户留存、用户交互、贷后催收、合规管理、反洗钱以及用户服务），还会详细阐述大数据及数据驱动在“了解你的用户”过程中的价值和应用。
本书共分为12章。
第1章首先从科技创新带来的消费信贷行业运作模式的深刻转变开始谈起，然后引出以用户为中心的经营思路，阐述KYC在消费信贷用户经营过程中的重要性，最后讨论大数据的本质及如何在一家企业里形成一种良好的数据驱动文化。
第2章将介绍新用户的获取及用户分群的策略设计。
第3章主要介绍用户的准入规则和授信策略。
第4章将详细介绍存量用户的经营方法，主要从贷中用户的风险管理和用户生命周期管理的角度出发，最终的目的是让用户的价值得到提升。
第5章将介绍用户生命价值的量化方法。
X第6章将详细介绍贷中授权交易策略的设计、验证及部署。
第7章重点讲述在大数据时代如何突破传统催收的逻辑思维。
第8章将着重解析如何利用大数据驱动用户服务的优化，发现用户需求和用户的态度。
第9章将阐述大数据模型在反洗钱合规领域中的应用。
第10章将简单介绍日常工作中常用的数据挖掘和模型构建的方法。
第11章将围绕模型的评审、验证和生命周期管理展开讨论。
第12章会讨论用户忠诚度计划构建思路及评价标准。
我在北美有着丰富的传统零售银行和消费信贷公司的从业经历，拥有十多年消费金融风险管理经验和存量用户运营经验，精通各类信用风险和战略营销模型，对于用户生命周期管理有着深刻的理解。2016年年底，我携全家从美国芝加哥搬回北京，进入国内正如火如荼的金融科技领域，从此正式投身于中国传统金融机构数字化转型的大浪潮中。在帮助各大中小传统银行和金融机构搭建数据化运营体系以及管理数亿存量用户的过程中，我感触颇多。在不断总结过去实践经验的基础上，最终形成本书。希望本书能让越来越多的市场参与者认识到，在人口红利和互联网红利逐渐消失的大环境下，要保持企业持续不断的竞争力，最好的方式就是回过头来兢兢业业地做好用户经营，认认真真地研究用户行为，挖掘用户需求，解决用户痛点，真正做到以用户为中心，才能让你的每一位用户为你的企业带来更多的价值。得用户者，不一定能懂用户；懂用户者，才能得天下。

雷健雄
2019年10月


序言二
… PREFACE 2 …
1981年，斯坦福大学毕业生理查德·费尔班克（Richard Fairbank）加入了一家管理咨询公司。在做一个银行咨询项目时，他发现了一个奇怪的现象：信用卡用户的风险有高有低，但银行收取的年费和利息是相同的，为什么不能差异化定价呢？于是他设计了一套基于数据的定价方案，却四处碰壁；直到1988年，终于有家地方性小银行同意让他管理信用卡部门，权当实验田。
后来，小银行的信用卡部门独立分拆为美国第一资本金融公司（Capital One Financial Corp.），以数据驱动的新奇打法在金融界独树一帜：他们按信用评分、区域、消费偏好等维度对用户进行分组，按利率、年费、额度、卡面设计、渠道等维度对产品进行分组，用计算机终日大规模测试“客户-产品”配对方案，再根据结果调整策略。
30多年后，在地球的另一端，“零售金融数字化转型”热潮席卷全中国，一大批“数据驱动”的仰慕者和追随者如雨后春笋般涌现。新生代的金融从业者纷纷瞄准了传统金融机构无法提供服务的长尾市场，向没有征信记录的个人和小微企业主提供金融服务，推动了中国的普惠金融。
当然在这其中，既有脚踏实地者，也有浑水摸鱼者。虽然都打着数据驱动、科技赋能的旗号，但不少机构实际做的是流量生意，甚至变味成“赌局”，使这个圈子“劣币驱逐良币”。
金融做成赌局，是金融业的悲剧，更是社会的悲剧，但科技改变金融、造福社会的大趋势并没有改变。我坚信，在时机成熟之际，“数据驱动”的理念，一定会在中国找到用武之地，或许能被应用得更好。
12年前，我在美国完成研究生学业后，有幸加入美国的四大信用卡组织之一：美国发现金融服务公司（Discover Financial Services）。这是一家没有线下门店、纯线上经营的数字银行。我在里面负责用户交易授权的风险管理工作；2016年回国后，我先后在不同的平台上，从0到1，打造过几款热门的消费金融产品。甚至还亲自跑到东南亚，在短短几个月内上线了一款针对当地民众的消费金融产品。
XII后来，我又有幸亲自参与国内某直销银行从0到1的筹备工作。我在筹备组的工作主要是负责该直销银行大数据中台的搭建，同时负责制定该银行数据驱动业务的整体战略。由于长期身处数据与金融交汇的一线，我明显感觉到在中国，数字化转型的大环境已经渐渐成熟，数据驱动金融业务的春天已经来临。
首先，中国零售金融的基础环境得到了治理。继整顿P2P、高利贷，以及大力打击暴力催收之后，国家又开始治理数据乱象。国外的零售金融之所以发展稳健，有一个很重要的原因，那就是对个人隐私数据的严格保护。关于什么样的数据可以收集、什么样的数据可以用于业务决策中都有严格的规定。任何触犯消费者隐私的数据应用都被严格禁止。相信在本书付印之际，多家大数据服务商的爬虫业务负责人得到了惩罚，非法爬取、倒卖个人数据的链条断裂。
其次，中国的征信体系日益成熟。在发达国家，完善的征信数据给金融创新提供了坚实的基础，尤其是有利于市场参与者制定数据驱动的策略。在国内，征信数据长期以来不完备。一方面，人群覆盖面不广；另一方面，所收集的维度稀疏。近年来随着智能终端的普及，个人产生的行为数据能被有效地记录。同时国家高度关注个人征信体系的建设，例如专门设立了百行征信公司来打破数据孤岛的现象，P2P网贷数据将全面纳入央行的征信系统等。这些是造福所有行业参与者的千秋大计，我国的社会信用环境将加速成熟，也能够为数据驱动金融创新提供关键的原料。
最后，移动互联网线上场景得到了快速发展。电商、社交、生活圈等场景是用户需要得到金融服务的出发点。在这些场景里，用户在享受金融服务的同时，源源不断地生产着大量的行为数据。金融机构正是可以利用这些行为数据，深刻洞察用户的需求，不断完善自身金融产品的供应链能力，提供差异化的金融产品和服务，提高用户的满意度。
我相信，数字化用户经营能力是任何一家金融机构想要能够走得远、活得久所必须具备的能力。我们写作本书的初衷是总结自己的经验，和同行一起探索零售金融的数字化转型。如果本书能成为一块铺路石，我们将感到无比欣慰。

王黎理
2019年10月

数字化转型：重塑零售金融的基本力量招商银行信用卡中心总经理　刘加隆因为工作的关系，我结识了两位年轻的作者，他们的新书系统地总结了零售金融的数据化用户经营方法、工具与实践。读完全书，我有以下两点感想。
其一，这本书按照用户生命周期详细地介绍了数据化用户获取、用户经营、风险管理、用户价值管理和催收合规的流程以及各种经营的工具与手段，通篇完整看下来，读者首先要把这些工具和手段视同一个完全不同的经营方法论的有机组成部分。由于技术的进步，今天各种数据的维度、数量、及时性和成本都大大不同于过往时期，大数据和即时金融模型的广泛应用会从根本上改变零售金融的结构和文化，进而改变零售金融的商业模式，我们正处在这一进程的早期阶段。
其二，金融要服务于实体经济，服务于社会中的人。以数据和统计方法构造的经营模式本质上建立的是各个参数间的相关方程式。在这个过程中，千万不要忘记对真实社会中人和人的行为的理解，正如行为经济学家发现的那样，古典经济学和计量经济学以数学为工具建立了各种流派的巍峨大厦，可是其基本前提——“人是理性的经济人”，在很大程度上是不成立的。
因此，我认为这本书作为一种大数据经营的方法论的重要性远远超过了书中介绍的各种工具，归根结底，这些新的方法和工具要让现实社会中活生生的人的福利得到有效提升。

赞　誉
推荐序
序言一
序言二
致　谢
第1章　消费信贷行业的创新与数据驱动/1
1.1　消费信贷行业简述/1
1.2　大数据背景下消费信贷行业的创新/3
1.3　消费信贷业务要以用户经营为中心/6
1.4　KYC的重要性/9
1.5　大数据思维的本质/11
1.6　讨论：数据驱动文化的建立和组织架构设计/19
第2章　新用户获取及用户分群的策略设计/24
2.1　潜在用户挖掘：内部名单和外部名单/25
2.2　用户分群以及激活响应排序/26
2.3　新用户获取策略的设计和效果监控/36
2.4　新手礼包的设计与效果监控/40
2.5　用户分群的定性分析思路探讨/41
2.6　RFM用户分群分析方法/44
2.7　案例1：年轻持卡用户分群策略及效果分析/46
2.8　案例2：数据驱动App获取用户的新思路/49
第3章　用户准入和授信/53
3.1　授信数据来源/54
3.2　授信风险评估：申请评分卡/59
3.3　申请欺诈的识别/65
3.4　信用额度优化：授信及初始额度策略/67
3.5　差异化风险定价/68
3.6　观察期、表现期基本流程/69
3.7　FICO信用分介绍/71
3.8　案例：Python环境下的评分卡构建过程/73
第4章　存量用户的经营策略/82
4.1　存量用户生命周期管理的方法及划分依据/82
4.2　新用户成长期策略思路/86
4.3　成熟期用户的经营策略思路/88
4.4　衰退期用户的监控及对策/91
4.5　流失期用户的二次召回/93
4.6　存量用户的价值提升策略/95
4.7　存量用户的额度管理和定价策略/98
4.8　存量用户经营效果的监控/100
4.9　用户画像的构建及验证方法探讨/101
4.10　案例1：“母婴用户”标签预测模型的探索/105
4.11　案例2：账单分期用户的经营思路探究/111
第5章　用户生命价值的计量/118
5.1　用户生命价值体系框架概述/119
5.2　衡量用户当前价值/121
5.3　衡量用户潜在价值/137
5.4　结论/138
5.5　案例：信用卡用户生命价值的评估/139
第6章　贷中授权交易策略详解/141
6.1　授权交易的定义和决策范围/142
6.2　授权交易的具体策略/143
6.3　授权交易的额度设定/146
6.4　授权交易策略的验证/147
6.5　授权交易策略的部署/147
6.6　授权交易补充策略/147
6.7　案例：授权交易策略的冠军挑战赛/148
第7章　贷后催收的新思维/150
7.1　突破传统催收策略的逻辑思维/150
7.2　利用大数据分析让催收成为一种竞争优势/155
7.3　催收分析能力转型的要点及方向/156
7.4　案例：机器学习提升催收效率/157
第8章　数据挖掘与用户服务/161
8.1　大数据正在改变用户服务的不同方面/162
8.2　大数据技术的具体应用/163
8.3　案例：利用文本挖掘发现用户的真实需求和用户的态度/165
第9章　大数据提升反洗钱效率/169
9.1　反洗钱合规面临的问题/169
9.2　大数据，大挑战/170
9.3　大数据技术驱动变革/171
9.4　金融机构的实践/172
9.5　案例：用机器学习模型判断用户风险等级并解决样本数据不平衡问题/176
第10章　数据驱动的工具箱：数据挖掘和常用建模方法概述/182
10.1　数据分析能力的进阶/183
10.2　模型开发的基本流程/184
10.3　数据收集和假设检验/189
10.4　因子分析/主成分分析/196
10.5　决策树/205
10.6　随机森林算法/210
10.7　梯度提升决策树/215
10.8　贝叶斯分类/223
10.9　支持向量机/227
10.10　聚类分析/230
10.11　线性回归和逻辑回归/235
10.12　推荐算法/243
10.13　神经网络/248
10.14　社交网络分析/256
10.15　文本挖掘/259
10.16　讨论：模型的解释性VS.模型的准确性/268
第11章　模型的评审、验证和生命周期管理/276
11.1　模型管理的全流程/276
11.2　模型管理系统/277
11.3　模型风险等级/278
11.4　模型检查的时间点/279
11.5　模型验证数据库/279
11.6　模型文档/280
11.7　模型生命周期管理/281
11.8　讨论：模型验证团队的架构设计/282
第12章　大数据：用户忠诚度计划背后的秘密武器/283
12.1　引言/283
12.2　构建用户激励体系，陪伴用户成长/284
12.3　用户忠诚度的衡量方法及评价标准/289
12.4　案例：世界十大零售银行用户忠诚度计划简介/292
参考文献/300