以下内容为节选。
在讨论如何做助贷之前，首先要想一下，为什么可以做助贷。
最近几年来，金融机构的负债资金端比较充裕，但在拓展资产端方面遇到一些挑战。特别是城商行和农商行，因为缺少获客优势，和金融科技企业合作，就可以增加获客渠道。对于消费者来说，直接向金融机构申请贷款有一定难度，申请时间较长。助贷机构可以为消费者提供更多的产品选择，缩短申请时间，帮助客户快速获取贷款。
那围绕着金融机构的这个需求，作为一家金融科技企业，为银行赋能，需要有哪些能力呢？
第一，获客能力。通过各类渠道快速、有效地获得目标客户，这是最重要的。
有效获客，是指获取性价比合理，且符合银行风险偏好的客户。
金融科技公司转型做助贷最大的痛点，就是如何获取符合银行风险偏好的客户。
金融科技公司要思考，如何利用自身线上获客的能力去拓展客户，为银行赋能。
第二，风控能力。利用外部征信数据和人行征信数据，结合自身业务积累，为资金方提供基于大数据的风控能力，帮助其积累消金数据，筛选优质资产。
从监管合规的角度考虑，银行不能把风控能力外包，但是助贷机构给银行助贷，一定要提高风控能力，这样才能保证推送的客户风险符合金融机构的风险偏好，被金融机构拒绝概率较低，客户体验较好，而且有效控制成本。
第三，运营和客户服务。助贷机构和金融机构合作，有时还会负责运营、客服还有催收等外包工作，整个流程强调的是合规有效。
第四，技术能力。有些规模较小的金融机构缺乏资源去做诸如业务系统和决策引擎等技术开发工作。赋能合作中，如果有这些能力的输出，就是锦上添花。
最后，AI赋能。AI的应用能够大力提高工作效率，作为金融科技机构，和金融机构合作，AI能力输出也是一个加分项。
这五项就是助贷机构全方面能力输出，可以依据金融机构的需求而定制方案。
一、获客能力
刚才讲到的所有能力当中，最重要的还是获客能力。大部分金融科技公司不自带流量，面对流量费用不断上升的情况，应该如何做呢？已经有老师专门分享互联网获客，我就分享一下如何拓展包括医疗、教育、住房、出行等在内的线下场景获客，尤其是拓展2B2C的模式。
举个和航空合作的例子，来分析如何开展合作。合作主要分四步：
第一，消费分期。客户在航空公司的平台上买机票，可以做机票分期。因为买机票时都要做身份验证，欺诈风险比较低，合作可行性也最高，所以消费分期是合作的第一步。
第二，现金分期。买机票只是一个特定场景，限制了资产的拓展，而现金分期就不一样了，客户可以用现金去支付其他任何场景的消费。
所以通过消费分期向现金分期的转型，可以让客户在其他场景端灵活使用信用贷款，真正促进整体消费。
第三，供应链金融。供应链金融风险低，符合金融机构的风险偏好，而航空公司有自己的供应链，就有机会开展相关业务。
第四，联名卡。现在国内各行业的企业都想做大做全，好把客户留在自己的生态体系内。但伴随着竞争的不断加剧，企业首要的还是把主业做深做好，要满足客户在金融方面的需求，可以和其他金融机构合作，做联名信用卡，让金融机构去把握风控，既给客户提供更优质的金融服务，又能提升客户对品牌的忠诚度。
联名卡可以结合业务进行不同的产品设计，比如消费积分和返点等，就有很好的拓展性。国外做得比较成功的是航空公司里程卡，比如美联航和CHASE合作，通过对价格不透明的产品的优惠，来吸引客户。
大部分银行以往主要是通过网点进行线下获客，在线上获客和创新场景获客方面布局较弱，所以金融科技企业要和银行合作助贷业务，最重要的还是要帮助资金方全面布局线上和线下消费场景，获取多元资产。
二、风控能力
第一，大数据风控
助贷机构会收集一些非人行征信的信息，像身份特征、信用历史、人脉关系、还款能力和交易行为等，数据建模中心会提取数据特征并挖掘，开发出ABC评分卡，再将这些评分部署到风控决策引擎，开展反欺诈和全流程监控。
要注意，这类数据跟银行征信数据不一样，一般被称为弱金融数据。客户在淘宝上买衣服，这跟他贷款的逾期概率并不直接相关，但如果把特征提炼出来，比如购买的时间、商品的价格区间、购买的频率等等，就有可能跟客户的逾期风险相关联。还有信用卡消费数据，客户是周末刷卡，还是工作日刷卡，刷卡的金额多大，是不是有大量的小额交易等等，这些都和风险相关。对大量的弱金融数据通过特征挖掘，最后开发出的模型效果也不错。
要做好基于数据驱动的风控，先要做好数据的准备工作，有以下两部分：
第一部分，底层数据的梳理，把客户所有的数据留存和梳理。这些数据包括互联网数据、运营商数据、用户行为数据等等，以便于在发现新的特征以后，能够从留存数据中进行挖掘分析。值得注意的是，用户数据的保护越来越重要。
第二部分，数据特征的计算，就是通过关系图谱引擎、时间序列分析这类工具，从客户的弱金融数据中提炼出一些特征，再用逻辑回归、Xgboost、神经网络等做出模型，把提炼的特征放到模型里去计算，通过其他的一些规则，最后输出到决策引擎。
这就是我们从数据收集到最后输出客户信用评分的整个过程，之后可以根据分数判断客户的风险评级，实现风险定价。
第二，反欺诈
现在互金平台面临着大量的中介黑产攻击，用知识图谱等技术做的反欺诈系统再好，面对黑产快速演变的特征也难以全面防御，因此每天监控和了解最新欺诈趋势更重要。
线下很多中介黑产都在时时关注线上平台的风控，有一些黑产配备的建模人员，可能并不比互金平台的风控团队少。他们通过关注各家平台，分析平台的准入条件，比如：需要的信用分是多少，是否需要淘宝信息，哪些是风控的原材料等。通过不断的尝试，他们会分析线下买的一套身份证、手机号、银行卡等资料，看在哪个平台上能获取贷款。
因此，不管平台用多深多前沿的技术，都必须有实时的反欺诈措施，包括地域监控、IP地址监控、手机设备监控等，还要进行一些欺诈案件的调查，来发现欺诈攻击的趋势，及时把漏洞堵住。
所以说反欺诈跟风控模型不一样，信用模型做出来相对稳定，迭代周期长，但是反欺诈更强调及时性和对一线黑产的了解和防御。
三、贷中和贷后的管理优势
助贷机构凭借自身科技能力，能为资金方提供高效合规的贷中和贷后管理服务。贷中管理涉及客户行为模式分析、交易策略、额度策略、调价策略和风险预警策略等，贷后管理涉及分案策略、电催策略以及委外策略等，这两个环节直接影响着客户体验和最终风险损失。
贷中和贷后管理有很多工具，我们常用的是B卡和C卡，B卡是行为评分Behavior score，对应的客户还是“好人”，并没有逾期；C卡是催收评分Collection score，对应的客户已经至少逾期一天。B卡的作用就是帮助我们评估客户的风险，进而采取预防逾期的动作。C卡的主要作用就是评估逾期客户的风险，根据客户风险评级，采取不同的催收方式，用不同的话术，做不同的催收行为。
另外，一般做B卡和C卡的时候，经常基于内部数据，这也是有数据成本的考虑，但B卡C卡很重要的一点是要持续用外部数据。比如说有两个逾期客户，之前都没有逾期，在内部平台表现得差不多，但是如果通过外部数据了解他们多头的信息，一个多头是五个，另外一个多头十几个，那对这两个客户采取的催收策略就不一样了。所以在做这两张评分卡的时候，建议把外部数据源采纳进来，内外数据要兼重。
四、AI赋能
AI应用于外呼系统、语音分析和风控系统等领域，都可以极大地提高效率。
比如智能语音质检。现在对于催收的监管很严格，对催收和人工客服的语音质检非常重要。对一家大平台来说，要完成百分百的全量人工质检，几乎是不可能的。如果一天7500条语音，平均时长10分钟，每一个质检人员一天可以处理150条，要做全量质检就需要50名专员。而如果利用智能语音分析去做质检，专员只需对AI标示出来的可能有问题的语音抽查，就只需要15名人员，这样就减少了70%的人力成本。这是第一点，降低人力成本。
第二点，人工主观性较强，而且受外部干扰较大，导致质检的质量前后不一致，甚至有些关键的问题可能会被忽略掉，但是智能语音质检不存在这样的问题，可能一开始没有人工质检那么准确，但最后它的整体质量会超过人工。
