黃培芳 藍小明 劉常勝

(中國煙草總公司福建省公司，福建 福州 350013)

1 概述

2020年初，為響應(yīng)中國煙草總公司關(guān)于支持疫后卷煙零售商戶復(fù)工復(fù)產(chǎn)的要求，幫助部分資金有困難的零售客戶解決資金周轉(zhuǎn)上的難題，貫徹落實福建煙草商業(yè)系統(tǒng)“1234”發(fā)展思路和高質(zhì)量新發(fā)展要求，保障卷煙零售商戶卷煙貨款資金流的充足與穩(wěn)定，福建煙草協(xié)調(diào)各合作銀行為全省卷煙零售商戶提供線上“煙商貸”金融服務(wù)，通過在福建煙草公司電腦與手機版卷煙訂貨系統(tǒng)開發(fā)零售商戶煙商貸的申請與授權(quán)服務(wù)入口，為銀行提供福建煙草零售商戶統(tǒng)一身份驗證服務(wù)，實現(xiàn)互聯(lián)網(wǎng)渠道辦理全流程自助信用“一鍵辦理貸款”業(yè)務(wù)，構(gòu)建起福建煙草卷煙銷售的資金閉環(huán)。通過搭建福建煙草公司與合作銀行的數(shù)據(jù)通道，在實現(xiàn)“一鍵辦理貸款”的同時，為銀行提供零售商戶授信后的基本信息，打破了原有的依靠微信或支付寶支付、數(shù)據(jù)獲取難的局面，使合作銀行擁有一批穩(wěn)定且優(yōu)質(zhì)的煙商客戶。通過煙草搭臺，生態(tài)合作伙伴唱戲，采用“平臺+銀行+零售客戶”模式，實現(xiàn)煙草零售客戶貸款的線上撮合交易，解決零售客戶貸款難的問題；打通煙草公司與銀行間的信息壁壘，深化跨機構(gòu)間的業(yè)務(wù)協(xié)同，實現(xiàn)“貸款一網(wǎng)通辦、信用一點即查”；以”互聯(lián)網(wǎng)+”思維為指導(dǎo)，技術(shù)與數(shù)據(jù)賦能，構(gòu)建一站式煙草零售客戶貸款服務(wù)體系，創(chuàng)新服務(wù)模式，滿足了銀行放貸的征信需求，令商煙體系內(nèi)的數(shù)據(jù)服務(wù)社會，產(chǎn)生了良好的社會效益。

2 應(yīng)用實現(xiàn)

2.1 應(yīng)用設(shè)計

卷煙訂貨商務(wù)平臺設(shè)置“卷煙快貸”提示模塊，有貸款意向的零售商可通過點擊按鈕，鏈接進入產(chǎn)品介紹及授權(quán)數(shù)據(jù)推送界面；產(chǎn)品介紹界面向意向客戶呈現(xiàn)“卷煙快貸”產(chǎn)品概況，頁面底部設(shè)置“立即申請”及“不感興趣”按鈕，同時提示客戶：如點擊“立即申請”，即表示授權(quán)福建煙草公司可按照借款人審貸意愿，向建設(shè)銀行推送貸款申請所需的相關(guān)數(shù)據(jù)；在獲得客戶授權(quán)后，福建煙草公司通過物理專線將如下數(shù)據(jù)推送至銀行：申請貸款對應(yīng)的煙草專賣零售許可證下，商戶在工商實際注冊的企業(yè)/個體工商戶名稱及統(tǒng)一社會信用代碼(如有)、該零售商戶自申請日向前追溯 12 個月的訂煙金額(總額或明細)、該零售商戶在申請煙草專賣零售許可證時，登記的持證人姓名及身份證、該零售商戶最近一次在煙草公司的客戶評定等級。銀行根據(jù)上述數(shù)據(jù)，為客戶計算出相應(yīng)額度并于申貸頁面展示。

圖1 “煙商貸”業(yè)務(wù)流程

2.2 應(yīng)用效益

項目建成后，率先在農(nóng)業(yè)銀行投入使用，并于2020年11月份進行投產(chǎn)驗證，12月9日起在全省煙草商業(yè)系統(tǒng)進行推廣，上線7小時內(nèi)預(yù)授信金額破億元，僅3天便為3307戶卷煙零售客戶預(yù)授信8.29億元，其中簽約2210戶、簽約金額達5.6億元，落地使用1.06億元。截止目前，全省共有15141個零售客戶得到線上授信，授信總額達到27億余元，額度使用率已達到42.91%，為新冠疫情后資金周轉(zhuǎn)困難的卷煙零售客戶提供了資金保障，有效地為其創(chuàng)造了經(jīng)濟價值。同時，多家合作銀行的參與，使零售戶貸款利率降幅達到31%左右(原經(jīng)營貸年利率為5.6%左右，現(xiàn)“煙商貸”線上模式貸款年利率為3.85%)，全省通過“煙商貸”線上模式貸款的零售客戶每年可節(jié)約利息費用共計約472.5萬元，大大減少了零售客戶的經(jīng)營成本，最大程度地為福建煙草卷煙零售客戶創(chuàng)造了經(jīng)濟效益。目前已有農(nóng)業(yè)銀行、建設(shè)銀行、興業(yè)銀行等共計5家銀行進行“煙商貸”上線試投產(chǎn)?！盁熒藤J”線上模式充分響應(yīng)了國家煙草專賣局(總公司)在暢通卷煙零售客戶訂煙線上貸款渠道方面的號召，進一步增強了煙草企業(yè)與各大銀行之間的合作，提高了煙草企業(yè)的社會影響力。

3 優(yōu)化設(shè)計思路

3.1 改進原因

線上“煙商貸”在當(dāng)前已投入使用的模式設(shè)計上，還存在著一定的不足。首先，在貸款安全方面尚未增加安全保證措施，零售客戶的資金償還能力無法預(yù)測，增加了一定的風(fēng)險；其次，該項目采用了將授信后的零售客戶信息直接推送至銀行端進行處理的方式，增加了數(shù)據(jù)泄露的風(fēng)險，從安全的角度考慮，不是最優(yōu)的解決方式。因此，本文對如何優(yōu)化整個“煙商貸”模式進行了研究。

3.2 總體思路

本文從兩種角度出發(fā)，進一步提出優(yōu)化解決方案：一是誠信分測算。根據(jù)國家局卷煙零售客戶數(shù)據(jù)安全使用的保密要求，優(yōu)化過程是在貸款發(fā)放之前，改變原來直接把零售客戶基礎(chǔ)數(shù)據(jù)推送到銀行端的模式，通過誠信分模型計算零售客戶的誠信分，再將誠信分推送給銀行作為授信額度的參考依據(jù)，增加了數(shù)據(jù)使用的安全性。二是用戶畫像。在零售客戶首次貸款之后，結(jié)合其經(jīng)營數(shù)據(jù)和貸款情況，利用用戶畫像分析出該用戶的貸款相關(guān)情況，給銀行和煙草公司提供一定的參考依據(jù)，銀行可以依據(jù)該情況做出貸款額度的調(diào)整，煙草公司可以依據(jù)該情況判定是否增加走訪頻率，對經(jīng)營情況異常的客戶給予及時的關(guān)注和幫助。

圖2 優(yōu)化后的流程圖

3.3 模型建設(shè)

首先利用系統(tǒng)積累的海量歷史數(shù)據(jù)(客戶的訂單數(shù)據(jù)，卷煙的相關(guān)屬性數(shù)據(jù)、客戶的自然屬性、消費者VIP、客戶違規(guī)違法、市場檢查、掃碼數(shù)據(jù)等)，基于開源的分布式大數(shù)據(jù)采集、計算、存儲技術(shù)Hive+Sqoop+Spark+MySQL，進行數(shù)據(jù)采集抽取，在此基礎(chǔ)上進行數(shù)據(jù)清洗檢查和轉(zhuǎn)換(去除錯誤或不一致的數(shù)據(jù))，依次形成基礎(chǔ)層，整合層、匯總層。其次對各類指標(biāo)數(shù)據(jù)進行歸一化數(shù)據(jù)預(yù)處理，利用相關(guān)性算法、聚類算法對誠信樣本數(shù)據(jù)、非誠信樣本數(shù)據(jù)，實現(xiàn)特征提取及數(shù)據(jù)分析，并通過對準確性、直觀性的客戶標(biāo)簽數(shù)據(jù)萃取，構(gòu)建影響因素關(guān)系模型，找出影響客戶誠信的強相關(guān)影響因素，建立分級分類的高精度客戶誠信價值評估體系，最后生成目標(biāo)客戶誠信評分。

3.3.1 指標(biāo)篩選

在卷煙銷售環(huán)節(jié)共有年度訂貨金額、客戶檔級、月銷售波動率、銷售條均價等橫向和縱向各種維度的指標(biāo)。這些指標(biāo)對誠信評分的影響程度各不一樣，為讓誠信評分科學(xué)合理，我們需要在眾多的指標(biāo)中選擇一些核心的、相關(guān)性較強的指標(biāo)來作為誠信評分的核心影響要素，作為誠信分計算的重要參數(shù)。在與卷煙零售客戶有關(guān)的眾多指標(biāo)中，為選擇有效的計算指標(biāo)，我們首先進行數(shù)據(jù)預(yù)處理，并采取相應(yīng)的相關(guān)系數(shù)矩陣進行指標(biāo)相關(guān)性分析，并通過指標(biāo)篩選模型進行定量分析，篩選出五個關(guān)鍵指標(biāo)。

3.3.1.1 數(shù)據(jù)預(yù)處理

為了便于將來自不同維度的指標(biāo)數(shù)據(jù)進行統(tǒng)一計算，首先要對各維度指標(biāo)的數(shù)據(jù)進行預(yù)處理。針對所選取的年度訂貨金額、客戶檔級、月銷售波動率、銷售條均價等特征數(shù)據(jù)，剔除數(shù)據(jù)中的一些缺省值和離群值，再將所選取的數(shù)據(jù)進行標(biāo)準化(選取的方法為z-score標(biāo)準化)，整理得到的部分基礎(chǔ)樣本數(shù)據(jù)的結(jié)果見表1。

表1 數(shù)據(jù)預(yù)處理

對上述數(shù)據(jù)進行預(yù)處理后，不同維度的指標(biāo)數(shù)據(jù)被歸一到同一個維度，在接下來的誠信分計算模型中可以有效消除比重不平衡的問題。

3.3.1.2 指標(biāo)相關(guān)性分析

根據(jù)不同來源數(shù)據(jù)，利用統(tǒng)計檢驗方法測試各項數(shù)據(jù)與客戶總貸款數(shù)之間是否具有相關(guān)性，排除掉顯著的非相關(guān)項，保留顯著項。使用R語言構(gòu)建相關(guān)系數(shù)舉證，對各個維度的特征做相關(guān)系數(shù)的計算。將客戶依賴的年度訂貨金額,檔級,條均價,訂單結(jié)算率,專賣誠信分,月均存銷比,年度銷售額幾個重要指標(biāo)作為自變量，而將授信額度作為因變量進行相關(guān)性分析，構(gòu)建的相關(guān)系數(shù)矩陣如下：

表2 相關(guān)系數(shù)矩陣分析結(jié)果

從上述分析可以看出，月均存銷比與授信額度的相關(guān)系數(shù)極低，建議剔除，與授信額度存在強相關(guān)性的指標(biāo)有檔級、條均價、訂單結(jié)算率、專賣誠信分；年度訂貨金額、年度銷售額的相關(guān)性一般。

3.3.1.3 指標(biāo)篩選模型

為了能從眾多維度中挑選出更合理的維度，我們采用IV值①(Information Value，信息量)來判斷。而IV值的計算依賴于WOE②(Weight of Evidence，證據(jù)權(quán)重)，所以需要先計算各個候選維度的WOE值。WOE計算公式如下：

其中，Pyi為i分組中受影響零售戶占所有樣本中受影響的零售戶的比例；Pni為i分組中未受影響的零售戶占所有樣本中未受影響的零售戶的比例；yi為i組中受影響的零售戶數(shù)量；yT為樣本中受影響的零售戶數(shù)量；ni為i組中未受影響的零售戶數(shù)量；nT為樣本中未受影響的零售戶數(shù)量。

從公式中可以看到，WOE值越大，這個分組中樣本影響的可能性就越大；WOE值越小，這個分組匯總樣本影響的可能性就越小。

然后根據(jù)標(biāo)準化后的變量數(shù)值選出零售戶相關(guān)的候選維度，并計算對應(yīng)的WOE值，詳見表3。

表3 WOE值計算結(jié)果

根據(jù)WOE來計算IV值，公示如下：

得到結(jié)果,如表4所示。

表4 IV值測算表

從表4可見，年度訂貨金額、檔級、條均價、訂單結(jié)算率、專賣誠信分這5個維度變化對整個樣本的影響較大。結(jié)合相關(guān)系數(shù)矩陣可知，年度訂貨金額、檔級、條均價、訂單結(jié)算率、專賣誠信分這五個指標(biāo)對誠信分影響較大，因此我們選擇這5個指標(biāo)作為衡量零售客戶誠信的關(guān)鍵指標(biāo)。

3.3.2 誠信分計算

其中,n為指標(biāo)的總數(shù)量；ai為指標(biāo)i對應(yīng)的權(quán)重系數(shù)；socrei為指標(biāo)i對應(yīng)的分值。根據(jù)分析，誠信分各參數(shù)值詳見表5。

表5 誠信分計算參數(shù)

表6 各指標(biāo)score值取值方式

表7 權(quán)重系數(shù)

經(jīng)過數(shù)據(jù)預(yù)處理、標(biāo)準化以及指標(biāo)篩選和誠信分模型建立之后，計算出每個授權(quán)的零售客戶誠信分，將該分數(shù)推送至銀行端，作為銀行確定零售客戶授信額度的重要依據(jù)。該優(yōu)化過程改變了原有將零售客戶數(shù)據(jù)直接推送至銀行端的做法，能夠有效確保零售客戶經(jīng)營數(shù)據(jù)不泄露，行業(yè)重要數(shù)據(jù)不外流，保障數(shù)據(jù)安全。

3.4 基于用戶畫像建立風(fēng)控模型

基于用戶畫像，對零售客戶的真實經(jīng)營情況進行精準分析，能夠有效降低零售客戶向銀行貸款的風(fēng)險。為此，本文對建立風(fēng)控模型進行了研究，通過對零售客戶的真實經(jīng)營情況進行精準分析，不僅可以為煙草行業(yè)預(yù)測客戶異常經(jīng)營行為帶來參考信號，還能大幅降低銀行貸款風(fēng)險。

3.4.1 使用深度學(xué)習(xí)模型構(gòu)建用戶動態(tài)畫像

深度學(xué)習(xí)遵循的模型思路與機器學(xué)習(xí)中的有監(jiān)督學(xué)習(xí)思路基本一致，均是通過歷史數(shù)據(jù)來預(yù)測新數(shù)據(jù)行為，但深度學(xué)習(xí)具有兩個方面的顯著優(yōu)勢，一是比經(jīng)典機器學(xué)習(xí)模型預(yù)測研判更加精準，二是能適應(yīng)數(shù)據(jù)動態(tài)變化。由于深度學(xué)習(xí)模型數(shù)學(xué)可解釋性不強，因此主要借助經(jīng)典模型，例如CNN、RNN、卷積神經(jīng)網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)等經(jīng)驗網(wǎng)絡(luò)模型算法。使用的語言框架目前最主流的主要有Caffe、Tensorflow、Torch、PyTorch、PaddlePaddle等。通過深度學(xué)習(xí)模型算法構(gòu)建動態(tài)用戶畫像時，根據(jù)實際動態(tài)數(shù)據(jù)值，選定框架模型搭建適應(yīng)煙商貸動態(tài)監(jiān)控需求的網(wǎng)絡(luò)結(jié)構(gòu)，執(zhí)行編譯過程。將數(shù)據(jù)分組后，確定好訓(xùn)練次數(shù)和交叉驗證方式，然后導(dǎo)入數(shù)據(jù)進行訓(xùn)練過程。完成模型訓(xùn)練后，根據(jù)用戶新的信息數(shù)據(jù)，調(diào)整預(yù)測用戶貸款風(fēng)險和經(jīng)營狀態(tài)，根據(jù)模型實時預(yù)測情況提供預(yù)警、調(diào)查、叫停和協(xié)調(diào)銀行解決等響應(yīng)措施，構(gòu)建動態(tài)用戶畫像監(jiān)督體系。通過動態(tài)監(jiān)控零售客戶經(jīng)營狀態(tài)，不僅可以提升煙商貸零售客戶整體信譽水平，同時還能有效預(yù)測風(fēng)險，降低貸款風(fēng)險。

4 結(jié)論

本文在原有“煙信通”基礎(chǔ)上，創(chuàng)新服務(wù)模式，深挖數(shù)據(jù)價值，運用先進的科技手段，將金融服務(wù)深度嵌入卷煙零售商戶的日常經(jīng)營中，進一步打通了全省煙草商業(yè)卷煙銷售線上工作鏈條，給煙草行業(yè)、零售客戶以及銀行帶來了巨大的效益。從煙草行業(yè)角度來看，該項目是煙草行業(yè)打破傳統(tǒng)、主動適應(yīng)數(shù)字化轉(zhuǎn)型和時代發(fā)展需要和行業(yè)數(shù)字化轉(zhuǎn)型、企業(yè)開源挖潛的一項重要創(chuàng)新舉措，能為零售客戶有效解決資金難、利息高、貸款難、放款慢等問題，在提升效率的基礎(chǔ)上，利用企業(yè)優(yōu)勢為全省零售客戶節(jié)約經(jīng)營成本、創(chuàng)造價值，更好地踐行了“以人為本”的經(jīng)營理念。從零售客戶角度來看，該項目極大幫助了一些資金周轉(zhuǎn)困難的零售客戶解決卷煙經(jīng)營上的難題，不僅提高了貸款效率、用款速度，減少了貸款流程，還大大節(jié)約了貸款成本。從銀行角度來看，煙草行業(yè)利率的大幅度降低，不僅沒有給其造成損失，反而為其增加了一批從事卷煙經(jīng)營的優(yōu)質(zhì)客戶。綜上，卷煙零售戶線上“煙商貸”模式的應(yīng)用與優(yōu)化研究，能夠為行業(yè)及零售客戶以及第三方都帶來巨大收益。

注釋：

①IV(Infromation Value)，信息價值，用來表示特征對目標(biāo)預(yù)測的貢獻程度，即特征的預(yù)測能力，一般來說，IV值越高，該特征的預(yù)測能力越強，信息貢獻程度越高。

②WOE的全稱是“Weight of Evidence”，即證據(jù)權(quán)重。WOE是對原始自變量的一種編碼形式。