黃培芳 藍(lán)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(shí)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(jī)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(yàn)證服務(wù)，實(shí)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(shí)現(xiàn)“一鍵辦理貸款”的同時(shí)，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(shí)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(jī)構(gòu)間的業(yè)務(wù)協(xié)同，實(shí)現(xiàn)“貸款一網(wǎng)通辦、信用一點(diǎn)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(shí)現(xiàn)

2.1 應(yīng)用設(shè)計(jì)

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(diǎn)擊按鈕，鏈接進(jìn)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(shí)提示客戶：如點(diǎn)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(shí)際注冊的企業(yè)/個(gè)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(gè)月的訂煙金額(總額或明細(xì))、該零售商戶在申請煙草專賣零售許可證時(shí)，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(jì)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(xiàng)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(jìn)行投產(chǎn)驗(yàn)證，12月9日起在全省煙草商業(yè)系統(tǒng)進(jìn)行推廣，上線7小時(shí)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(dá)5.6億元，落地使用1.06億元。截止目前，全省共有15141個(gè)零售客戶得到線上授信，授信總額達(dá)到27億余元，額度使用率已達(dá)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(jì)價(jià)值。同時(shí)，多家合作銀行的參與，使零售戶貸款利率降幅達(dá)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(fèi)用共計(jì)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(jì)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(jì)5家銀行進(jìn)行“煙商貸”上線試投產(chǎn)。“煙商貸”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(jìn)一步增強(qiáng)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(jì)思路

3.1 改進(jìn)原因

線上“煙商貸”在當(dāng)前已投入使用的模式設(shè)計(jì)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(xiǎn)；其次，該項(xiàng)目采用了將授信后的零售客戶信息直接推送至銀行端進(jìn)行處理的方式，增加了數(shù)據(jù)泄露的風(fēng)險(xiǎn)，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(gè)“煙商貸”模式進(jìn)行了研究。

3.2 總體思路

本文從兩種角度出發(fā)，進(jìn)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(jì)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(shí)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(fèi)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(jì)算、存儲技術(shù)Hive+Sqoop+Spark+MySQL，進(jìn)行數(shù)據(jù)采集抽取，在此基礎(chǔ)上進(jìn)行數(shù)據(jù)清洗檢查和轉(zhuǎn)換(去除錯(cuò)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(jìn)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(shí)現(xiàn)特征提取及數(shù)據(jù)分析，并通過對準(zhǔn)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(qiáng)相關(guān)影響因素，建立分級分類的高精度客戶誠信價(jià)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(dòng)率、銷售條均價(jià)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(qiáng)的指標(biāo)來作為誠信評分的核心影響要素，作為誠信分計(jì)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(jì)算指標(biāo)，我們首先進(jìn)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(jìn)行指標(biāo)相關(guān)性分析，并通過指標(biāo)篩選模型進(jìn)行定量分析，篩選出五個(gè)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(jìn)行統(tǒng)一計(jì)算，首先要對各維度指標(biāo)的數(shù)據(jù)進(jìn)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(dòng)率、銷售條均價(jià)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(jìn)行標(biāo)準(zhǔn)化(選取的方法為z-score標(biāo)準(zhǔn)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(jìn)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(gè)維度，在接下來的誠信分計(jì)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(jì)檢驗(yàn)方法測試各項(xiàng)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(xiàng)，保留顯著項(xiàng)。使用R語言構(gòu)建相關(guān)系數(shù)舉證，對各個(gè)維度的特征做相關(guān)系數(shù)的計(jì)算。將客戶依賴的年度訂貨金額,檔級,條均價(jià),訂單結(jié)算率,專賣誠信分,月均存銷比,年度銷售額幾個(gè)重要指標(biāo)作為自變量，而將授信額度作為因變量進(jìn)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(qiáng)相關(guān)性的指標(biāo)有檔級、條均價(jià)、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(jì)算依賴于WOE②(Weight of Evidence，證據(jù)權(quán)重)，所以需要先計(jì)算各個(gè)候選維度的WOE值。WOE計(jì)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(gè)分組中樣本影響的可能性就越大；WOE值越小，這個(gè)分組匯總樣本影響的可能性就越小。

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

表3 WOE值計(jì)算結(jié)果

根據(jù)WOE來計(jì)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(jià)、訂單結(jié)算率、專賣誠信分這5個(gè)維度變化對整個(gè)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(jià)、訂單結(jié)算率、專賣誠信分這五個(gè)指標(biāo)對誠信分影響較大，因此我們選擇這5個(gè)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(jì)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(jì)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(zhǔn)化以及指標(biāo)篩選和誠信分模型建立之后，計(jì)算出每個(gè)授權(quán)的零售客戶誠信分，將該分?jǐn)?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(shí)經(jīng)營情況進(jìn)行精準(zhǔn)分析，能夠有效降低零售客戶向銀行貸款的風(fēng)險(xiǎn)。為此，本文對建立風(fēng)控模型進(jìn)行了研究，通過對零售客戶的真實(shí)經(jīng)營情況進(jìn)行精準(zhǔn)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(xiǎn)。

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

深度學(xué)習(xí)遵循的模型思路與機(jī)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(gè)方面的顯著優(yōu)勢，一是比經(jīng)典機(jī)器學(xué)習(xí)模型預(yù)測研判更加精準(zhǔn)，二是能適應(yīng)數(shù)據(jù)動(dòng)態(tài)變化。由于深度學(xué)習(xí)模型數(shù)學(xué)可解釋性不強(qiáng)，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(yàn)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(dòng)態(tài)用戶畫像時(shí)，根據(jù)實(shí)際動(dòng)態(tài)數(shù)據(jù)值，選定框架模型搭建適應(yīng)煙商貸動(dòng)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(yàn)證方式，然后導(dǎo)入數(shù)據(jù)進(jìn)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(xiǎn)和經(jīng)營狀態(tài)，根據(jù)模型實(shí)時(shí)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(dòng)態(tài)用戶畫像監(jiān)督體系。通過動(dòng)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(yù)水平，同時(shí)還能有效預(yù)測風(fēng)險(xiǎn)，降低貸款風(fēng)險(xiǎn)。

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(jià)值，運(yùn)用先進(jìn)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(jìn)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(xiàng)目是煙草行業(yè)打破傳統(tǒng)、主動(dòng)適應(yīng)數(shù)字化轉(zhuǎn)型和時(shí)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(xiàng)重要?jiǎng)?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(jià)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(xiàng)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?yàn)樾袠I(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(jià)值，用來表示特征對目標(biāo)預(yù)測的貢獻(xiàn)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(qiáng)，信息貢獻(xiàn)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。