广东省农村信用社联合社（以下简称“省联社”）目前正大力推动向大零售转型。以数字化转型为基础，利用数字化技术对业务流程进行再造，以数字化后台集中作业建设为抓手，通过降低业务成本，促使零售业务可持续发展。

目前消费信贷业务采取的白名单模式存在如下两个问题：一是随着业务发展，标准白名单客户资源已被开发饱和，业务扩展遭遇瓶颈；二是目前标准白名单客户仅占农商行（农信社）存量客户的极少一部分，白名单模式限制了大部分客户接触消费信贷产品的机会。

为助力农商行（农信社）大零售业务转型，进一步发挥数据价值，省联社银信中心数据分析团队规划设计“消费信贷潜客挖掘”产品，将利用机器学习技术实现更精准的潜客挖掘、预测和产品推荐，帮助农商行（农信社）更精准的挖掘潜在客户资源。农商行（农信社）可通过模型结果和客户标签体系的结合，预测客户融资需求，并根据自身业务发展目标将客户分群分流至适合的消费信贷产品。

消费信贷潜客挖掘项目基于省联社大数据平台体系进行实施，采用历史业务样本构建模型，对客户资金需求程度进行量化和预测，并支持农商行（农信社）用户对模型结果的自助分析与导出，贴合消费信贷业务开展模式，有效实现数据向业务的价值输送。

本项目引入可解释性神经网络算法（GAMxNN），与传统逻辑回归算法结合，通过双方投票决定最终结果，在保证模型结果业务可解释性的同时提升效果。

在大数据平台设立实验区构建特征中心，统筹开展特征加工工作，支撑模型平台高效运行。目前特征中心覆盖客户基础信息、资产波动、交易行为、渠道偏好、产品偏好等共计14维度1754个字段。

依托于行内大数据生态，模型服务通过多个渠道实现对客输出：一方面，基于自助分析平台支持模型结果自主查询、分析、导出；另一方面，通过数据平台对接crm、柜面、移动营销等业务系统，直接将模型结果推送至业务人员客户端，实现营销机会提示。

基于业务系统回流数据，搭建模型效果监控看板，用于监控模型稳定性及有效性指标变动趋势，异常变动及时告警。

模型试运行期间，先后与五家农商行（农信社）进行泛用性验证工作，通过多次分析对比，对模型进行两次大版本迭代，最终定版上线。期间主要采用两种模式提供服务：

方案一：农商行（农信社）自行通过规则筛选出白名单移交给工作组进行评分评级后，将投放名单及其评级转回给农商行（农信社），客户经理再通过评级和客户标签的具体特征进行营销优先级排序。

方案二：以农商行（农信社）现有的存量客户进行评分评级，将客户名单及其评级相应的客户标签特征提供给农商行（农信社），农商行（农信社）可通过其他业务条件再次筛选符合资格的客户，快速筛选符合特征标签的潜在客户进行后续营销工作。

模型试运行期间，试点农商行采用优先级排序模式，在营销活动中先行营销模型评级较高的客户，业务申请数据显示：整体平均申请率为3.35%，中高等级区间客户申请率为14.07%，显著高于整体平均申请率；且中高等级区间有效户（指申请成功并用款的客户）占比均在80%以上。

在数据分析类项目建设过程中，为构建业务实践与数据分析良性循环，有必要充分发挥各方聚合协作作用，整合分析、实现模型价值的有效输出与触达，形成有价值的解决方案和策略建议；并且需重视市场检验，并以量化指标为参考应用效果及时调整团队分析方式及策略，以实现良好的成果转化。