卷煙零售戶線上“煙商貸”模式的應用與優化

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，為響應中國煙草總公司關于支持疫后卷煙零售商戶復工復產的要求，幫助部分資金有困難的零售客戶解決資金周轉上的難題，貫徹落實福建煙草商業系統“1234”發展思路和高質量新發展要求，保障卷煙零售商戶卷煙貨款資金流的充足與穩定，福建煙草協調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，通過在福建煙草公司電腦與手機版卷煙訂貨系統開發零售商戶煙商貸的申請與授權服務入口，為銀行提供福建煙草零售商戶統一身份驗證服務，實現互聯網渠道辦理全流程自助信用“一鍵辦理貸款”業務，構建起福建煙草卷煙銷售的資金閉環。通過搭建福建煙草公司與合作銀行的數據通道，在實現“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、數據獲取難的局面，使合作銀行擁有一批穩定且優質的煙商客戶。通過煙草搭臺，生態合作伙伴唱戲，采用“平臺+銀行+零售客戶”模式，實現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，深化跨機構間的業務協同，實現“貸款一網通辦、信用一點即查”；以”互聯網+”思維為指導，技術與數據賦能，構建一站式煙草零售客戶貸款服務體系，創新服務模式，滿足了銀行放貸的征信需求，令商煙體系內的數據服務社會，產生了良好的社會效益。

2 應用實現

2.1 應用設計

卷煙訂貨商務平臺設置“卷煙快貸”提示模塊，有貸款意向的零售商可通過點擊按鈕，鏈接進入產品介紹及授權數據推送界面；產品介紹界面向意向客戶呈現“卷煙快貸”產品概況，頁面底部設置“立即申請”及“不感興趣”按鈕，同時提示客戶：如點擊“立即申請”，即表示授權福建煙草公司可按照借款人審貸意愿，向建設銀行推送貸款申請所需的相關數據；在獲得客戶授權后，福建煙草公司通過物理專線將如下數據推送至銀行：申請貸款對應的煙草專賣零售許可證下，商戶在工商實際注冊的企業/個體工商戶名稱及統一社會信用代碼(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。銀行根據上述數據，為客戶計算出相應額度并于申貸頁面展示。

圖1 “煙商貸”業務流程

2.2 應用效益

項目建成后，率先在農業銀行投入使用，并于2020年11月份進行投產驗證，12月9日起在全省煙草商業系統進行推廣，上線7小時內預授信金額破億元，僅3天便為3307戶卷煙零售客戶預授信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困難的卷煙零售客戶提供了資金保障，有效地為其創造了經濟價值。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(原經營貸年利率為5.6%左右，現“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約利息費用共計約472.5萬元，大大減少了零售客戶的經營成本，最大程度地為福建煙草卷煙零售客戶創造了經濟效益。目前已有農業銀行、建設銀行、興業銀行等共計5家銀行進行“煙商貸”上線試投產。“煙商貸”線上模式充分響應了國家煙草專賣局(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與各大銀行之間的合作，提高了煙草企業的社會影響力。

3 優化設計思路

3.1 改進原因

線上“煙商貸”在當前已投入使用的模式設計上，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測，增加了一定的風險；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，增加了數據泄露的風險，從安全的角度考慮，不是最優的解決方式。因此，本文對如何優化整個“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，進一步提出優化解決方案：一是誠信分測算。根據國家局卷煙零售客戶數據安全使用的保密要求，優化過程是在貸款發放之前，改變原來直接把零售客戶基礎數據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，增加了數據使用的安全性。二是用戶畫像。在零售客戶首次貸款之后，結合其經營數據和貸款情況，利用用戶畫像分析出該用戶的貸款相關情況，給銀行和煙草公司提供一定的參考依據，銀行可以依據該情況做出貸款額度的調整，煙草公司可以依據該情況判定是否增加走訪頻率，對經營情況異常的客戶給予及時的關注和幫助。

圖2 優化后的流程圖

3.3 模型建設

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

3.3.1 指標篩選

在卷煙銷售環節共有年度訂貨金額、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。這些指標對誠信評分的影響程度各不一樣，為讓誠信評分科學合理，我們需要在眾多的指標中選擇一些核心的、相關性較強的指標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。在與卷煙零售客戶有關的眾多指標中，為選擇有效的計算指標，我們首先進行數據預處理，并采取相應的相關系數矩陣進行指標相關性分析，并通過指標篩選模型進行定量分析，篩選出五個關鍵指標。

3.3.1.1 數據預處理

為了便于將來自不同維度的指標數據進行統一計算，首先要對各維度指標的數據進行預處理。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據，剔除數據中的一些缺省值和離群值，再將所選取的數據進行標準化(選取的方法為z-score標準化)，整理得到的部分基礎樣本數據的結果見表1。

表1 數據預處理

對上述數據進行預處理后，不同維度的指標數據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 指標相關性分析

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

表2 相關系數矩陣分析結果

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

3.3.1.3 指標篩選模型

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，證據權重)，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量；yT為樣本中受影響的零售戶數量；ni為i組中未受影響的零售戶數量；nT為樣本中未受影響的零售戶數量。

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。

然后根據標準化后的變量數值選出零售戶相關的候選維度，并計算對應的WOE值，詳見表3。

表3 WOE值計算結果

根據WOE來計算IV值，公示如下：

得到結果,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。結合相關系數矩陣可知，年度訂貨金額、檔級、條均價、訂單結算率、專賣誠信分這五個指標對誠信分影響較大，因此我們選擇這5個指標作為衡量零售客戶誠信的關鍵指標。

3.3.2 誠信分計算

其中,n為指標的總數量；ai為指標i對應的權重系數；socrei為指標i對應的分值。根據分析，誠信分各參數值詳見表5。

表5 誠信分計算參數

表6 各指標score值取值方式

表7 權重系數

經過數據預處理、標準化以及指標篩選和誠信分模型建立之后，計算出每個授權的零售客戶誠信分，將該分數推送至銀行端，作為銀行確定零售客戶授信額度的重要依據。該優化過程改變了原有將零售客戶數據直接推送至銀行端的做法，能夠有效確保零售客戶經營數據不泄露，行業重要數據不外流，保障數據安全。

3.4 基于用戶畫像建立風控模型

基于用戶畫像，對零售客戶的真實經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險。為此，本文對建立風控模型進行了研究，通過對零售客戶的真實經營情況進行精準分析，不僅可以為煙草行業預測客戶異常經營行為帶來參考信號，還能大幅降低銀行貸款風險。

3.4.1 使用深度學習模型構建用戶動態畫像

深度學習遵循的模型思路與機器學習中的有監督學習思路基本一致，均是通過歷史數據來預測新數據行為，但深度學習具有兩個方面的顯著優勢，一是比經典機器學習模型預測研判更加精準，二是能適應數據動態變化。由于深度學習模型數學可解釋性不強，因此主要借助經典模型，例如CNN、RNN、卷積神經網絡、反饋網絡等經驗網絡模型算法。使用的語言框架目前最主流的主要有Caffe、Tensorflow、Torch、PyTorch、PaddlePaddle等。通過深度學習模型算法構建動態用戶畫像時，根據實際動態數據值，選定框架模型搭建適應煙商貸動態監控需求的網絡結構，執行編譯過程。將數據分組后，確定好訓練次數和交叉驗證方式，然后導入數據進行訓練過程。完成模型訓練后，根據用戶新的信息數據，調整預測用戶貸款風險和經營狀態，根據模型實時預測情況提供預警、調查、叫停和協調銀行解決等響應措施，構建動態用戶畫像監督體系。通過動態監控零售客戶經營狀態，不僅可以提升煙商貸零售客戶整體信譽水平，同時還能有效預測風險，降低貸款風險。

4 結論

本文在原有“煙信通”基礎上，創新服務模式，深挖數據價值，運用先進的科技手段，將金融服務深度嵌入卷煙零售商戶的日常經營中，進一步打通了全省煙草商業卷煙銷售線上工作鏈條，給煙草行業、零售客戶以及銀行帶來了巨大的效益。從煙草行業角度來看，該項目是煙草行業打破傳統、主動適應數字化轉型和時代發展需要和行業數字化轉型、企業開源挖潛的一項重要創新舉措，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，在提升效率的基礎上，利用企業優勢為全省零售客戶節約經營成本、創造價值，更好地踐行了“以人為本”的經營理念。從零售客戶角度來看，該項目極大幫助了一些資金周轉困難的零售客戶解決卷煙經營上的難題，不僅提高了貸款效率、用款速度，減少了貸款流程，還大大節約了貸款成本。從銀行角度來看，煙草行業利率的大幅度降低，不僅沒有給其造成損失，反而為其增加了一批從事卷煙經營的優質客戶。綜上，卷煙零售戶線上“煙商貸”模式的應用與優化研究，能夠為行業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預測的貢獻程度，即特征的預測能力，一般來說，IV值越高，該特征的預測能力越強，信息貢獻程度越高。

②WOE的全稱是“Weight of Evidence”，即證據權重。WOE是對原始自變量的一種編碼形式。