年放贷200亿的互金项目怎么做运营（贷后篇）

本篇文章详细介绍了对新手阶段互联网金融项目经验总结，例如还款、复贷和逾期催收，推荐入行3年以内的金融运营新手阅读，希望对您有所帮助。

本文是我在运营多个互金业务后，对互金业务、数据、运营的经验总结。我的项目经验有某支付公司年放贷200亿的现金贷项目，同公司的年放贷2亿左右的场景贷操盘运营，也有某头部卡贷公司贷超项目。本文对入行3年以内的运营、产品、分析师应该有借鉴意义，业务经验丰富的朋友需要自行判断是否跳过。本文超过五千字，主要内容集中在复贷运营节点，希望文章的价值可以值得大家的阅读时间。

本文按互金业务阶段顺序拆解内容，每个阶段我一般会分成4个方向去讲，第一是该阶段的业务特征或流程，第二是该阶段关注的指标，第三是这个业务阶段，行业内都是怎么做的，或者流程是怎么样的，第四是这个阶段主要关注的运营场景。

下面我开始讲贷后，贷后是3个步骤，还款、复贷和逾期催收。

一、还款

1. 业务

还款主要有两种类型，一种是主动还款，另一种是自动还款或是叫代扣还款。所谓主动还款，顾名思义，就是用户在产品内主动操作还款。而代扣还款则相对，是用户绑定好还款卡，每月到期自动划扣。

2. 指标

这个阶段运营主要关注的指标，有正常还款金额、主动还款成功率、代扣成功率、总还款成功率等。这些指标会跟利润有直接关系，也会跟逾期的相关指标放在一起去看。

3. 行业

这个阶段行业的运营手段极为有限，因为还款会比借款更难影响。用户如果有钱就肯定还款，因为逾期要上征信，征信花了就会影响买车买房，严重还会限制高消和出行。只要做好还款前的短信和电话提醒，这一套下来，恶意逾期的用户会非常少。而逾期的用户，就是催收那边关注的工作了。这样下来，就导致运营很难在还款提醒之外，做比较有力的触达和推动。

4. 运营

正因还款阶段的触达效果难提升，还款功能的稳定性、完善性也会相对重要一些，所以这个阶段的运营主要是产品运营。其中代扣功能是比较重要的一个关注点，因为代扣全靠配置，配置好到时间机器会自动扣款和分账，如果配置有问题，就会导致严重的客诉问题。

我们之前有出现过这样的问题，有某支付现金贷也有后面我自己负责运营的场景贷。场景贷那次因为产品运营是新来的，不太了解之前的配置，就把对应的分账费率给配置错误了，就导致有少量用户，实际还款的金额是正确的，但是分账的时候，分给资方那边少了几十块钱，就导致这一部分用户被资方认为是逾期了。而且因为问题是从客诉通道发现的，发现比较晚，所以用户被催收了。

这种投诉，还可以通过赔款解决。如果是已经上了征信，那就很难解决了，而且极容易投诉升级。后面每个用户赔了钱，并开了非主观逾期证明才解决。

所以说，还款配置的稳定准确是非常重要的。另外在产品运营这边，还有一些方法可以减少未来逾期可能，就是通过客服和客户沟通延期还款。产品运营一般会制作延期还款的手册，或者SOP文档给处理逾期的客服。

如果用户在还款前觉得有困难，他有可能会跟客服致电，协商延期还款。在延期还款期间，情况特殊时，用户可以少支付一些罚息，甚至不支付罚息，来降低用户彻底逾期的坏账可能（这种策略现在貌似被非信贷人士发现了，演变成了反催的灰产，反催问题的应对，可能是行业需要关注的）。但是其他情况下，想推动用户还款是比较困难的。

二、复贷

1. 业务

接下来讲复贷。复贷可以分成两种类型，一种是结清复贷，一种是未结清复贷。结清复贷是指这个用户之前的所有贷款都已经还清了，然后再去做新的贷款，再去申请提现申请借款。而未结清复贷的用户，其实原来的借款还没有还清，但是因为用户已经还了一部分款项，或是一开始就没有把所有额度借完，或者说是他开了多卡，有剩余的额度，当用户又有资金需求时，就又去申请贷款，这种就是未结清复贷。

2. 指标

复贷阶段关注的指标会有复贷率、复贷金额，这是宏观的指标，下面拆分的指标会有结清复贷率、非结清复贷率以及复贷成功率。结清复贷率、非结清复贷率的核心拆解方式和支用率拆解类似，也是按用户价值（需求强度、借款习惯、借款能力）、注册时长、生命周期等维度拆分。复贷成功率其实跟前面讲的借款通过率比较接近，这边就不再赘述。

3.行业

复贷阶段，因为用户的信息会更完善，用户分层（上限）可以做的比首贷阶段复杂的多，所以行业内会形成明显的分界。

最基础的做法，运营和分层通常都是手动来做的，会基于是否结清对用户进行基础分层，再基于用户末次借款时间进行交叉分层，最多会按RFM模型加强分层。

等这些贷中分层策略效果已经验证，会进入第二个阶段：策略自动化固化阶段。这个阶段会把上个阶段效果较好的策略，做成自动化触达机制，自动进行触达，来提升人员效率。

第三个阶段会对分层策略进行大幅度完善，不再是简单的双维度或四维度交叉分层，而是引入更多的评价维度，搭建模型对用户进行价值评分。根据价值模型评分，对用户做营销offer和优先级的确定，然后再基于用户的营销通道、营销权益、营销内容偏好，对用户选择触达通道进行触达。再基于AB测试和机器学习算法，对策略模型进行优化。后面我会专门出一篇复贷老户策略模型搭建的文章，详细讲下这块要用的维度和计算方法。

4. 运营

复贷做运营会有几个方向，首先是分层经营，这是最重要的运营手段。我们之前尝试过三种分层模型，一种是基于用户的额度和费率进行分层，接近于风控模型的结果分层，反应用户的借款能力；第二种是按RFM模型对用户进行分层，RFM分别对应最近一次借款时间、180天借款频率、累计借款金额；第三种是自己做了一个模型，我们按用户的授信情况、消费情况、消费习惯对用户进行分层。

最开始的时候，我们针对前两种模型不同分层的用户进行测试触达，测试不同分层下人群包的转化情况。最终试下来是第一种是相对有效的，分层触达效果稍好（复贷率德尔塔值不超过1%），我们就基于这套分层和我们自己拿到的用户信息，做了第三套分层。

我们分析下来发现，RFM模型之所以效果不好，是因为贷款本质来说是一个比较低频的业务。RFM模型是从零售行业里总结出来的，而零售是一套高频业务。所以RFM模型的借款频率维度其实处在“水土不服”的状态，基本是无效的。这样下来这个模型只有4个用户分层，不够精细，效果也不会很好。我们自己做的那个模型，按用户收入、用户消费情况以及习惯做分层，它本身来说参考的是蚂蚁信用。

但是因为某支付本身不是一个像支付宝那样的，覆盖用户多，业务也非常广的APP，所以很多用户的信息是采集不到的。它只能采集到用户很少一部分信息，就导致这个分层的数据，其实不够精准，效果虽有提升，但也不能让人满意。最近两年随着和头部公司接触，以及对数据采集更深入的了解，我发现了一些过去未使用过的维度，也了解了一些更先进的技术方案，后面会在复贷文章里专门讨论下这块儿。

其次是触达内容，这方面我们当时测试了三种内容。当时我们有对这些未复贷的用户做了问卷调研，就发现用户主要有三种需求，一种是用户觉得息费比较高，第二种是觉得自己额度比较低，第三种是他本身是薅羊毛进来的。我们当时有很多绑卡返现、授信返话费券或者放款那申请放款返大额还款券或话费券的活动，他是为了话费券或还款券进来的羊毛用户。因为用了还款券之后，利率会比当时的理财还低，这些用户就把这个钱贷出去买理财。

而我们的触达内容，就分成三个方向，一种是息费减免，一种是额度提升，第三种是附属的其他权益像话费减免。在息费减免方面，我们有两种模式，一种是还款券，还款时候直接抵用；另一种是比较晚出现的免息券。比如说100元还款券，还款的时候可以直接抵100元，跟100元免息券，可以免100元的利息，这两种券在设计层面或许逻辑不同，单在用户体验侧，本质来说只是包装形式不同。

但是我们AB下来就发现，即便是同样的面值，发免息券的用户转化会比还款券高很多，以至于后边我们还款券能力就直接废弃掉了，发的券全部都是免息券了。我们分析下来得到一个结论，可能是免息的包装形式更吸引用户，发还款券的通知短信，用户看到会觉得这个只是普通营销，就不会再打开。而发免息券的营销，用户觉得免息是一个很大的利益点，但是点进来才发现，免息是有最高限额的。但是用户已经进来了，总会有一部分往后转化，而还款券用户看到短信根本不会进来，所以转化效果会提升。

第二种额度提升。因为我们当时业务是助贷，没有自主定价权。所以我们的做法是，通过对用户进行分层筛选，选高频使用，且还款没有问题的用户，每个月大概会推5万用户去给资方，资方会把这批用户导入到他们自己的风控系统里边，评估这些用户符不符合额度提升的条件。这个方法会有一些缺陷，它覆盖的用户量比较小，因为推5万的用户，最多的时候资方那边一次通过的也就1万左右，每次触达用户量比较少。

但是测试下来，这个策略效是非常有效的，这些提额的用户大部分都会在下个月，或者是之后的三个月内进行借款（双倍动支率）。而且按我的了解，这个策略也是大多数助贷公司在力推的，虽然可能会扩大整体风险，但是对推复贷会比较有效。

后来，那边因为一个资方能给的额度有限，就又搞了一个多卡多资方的产品策略，在用户申请授信时，他会把用户同时推给多个资方，来提升用户的整体授信额度，来从源头提升用户可放款的金额。这个策略逻辑和提额类似，但是有一个极其严重的问题，虽然说这个策略对于提升放贷余额非常有效，但也会导致用户多头，用户质量快速下降。因为某支付这个用户池，它的用户增长每个月是非常有限的，可能最多就几十万，但是它不断把这个池子里面的用户变成多头的用户，变成差的用户，就像往一潭不怎么流动的清水里不停泼墨水，用不了多久，池子就会变成黑水池，用户就全变成差用户了。而用户质量下降后，放贷成功率会下降，逾期率也会上升，最终还是会影响整体的收益。这种办法，说白了就是透支未来，来获取现在的增长，对于业务整体来说，可以说是饮鸩止渴。

第三种，根据对羊毛这些用户的调研，我们会发一些附属的权益，来刺激他们去借款，但是会提升权益的使用门槛。比如，某些特征表现为营销敏感的客户，首轮常规营销没有效果时，我们会把原本是借800返50的还款或话费券，换成满2500返3张50元的还款或话费券。我可以让利给这些用户，但前提是他要多贷款，帮我提升业绩。

整体来看提额度跟降费率，这两个是效果最好的触达内容。资方自身也会有一些触达，如果说他是自有资金放贷或者拥有定价权，他们本身也会做一些类似的提额降费的动作。不过这个动作，在没有专业的定价团队或运营团队时，一般是通过风控部门做的，所以风控语权会比较强一些。

三、逾期催收

1. 业务

接下来我们讲逾期和催收，逾期和催收其实也是一体两面，逾期是用户逾期，催收一般是资方催收。催收之所以重要，之所以是现代信贷的一体两翼，是因为它可以覆盖不良，降低不良率。而降低不良率的意义何在呢，可以看一下信贷互金行业的增长公式，它有两种北极星指标，一种是毛利润，一种是放贷规模。这两个北极星指标的业务拆解模型是非常不同的。像放贷规模的拆解，就跟常规的交易型模型是比较接近的，但是毛利润就不一样，它是这样一种拆解：当期应还乘以利差，减去当期坏账，减去当期成本。拆到二级的时候这样的，它等于当期应还减去当期的坏账，乘以利差，减当期坏账，再减去其他的成本。

这样拆解下来，我们发现影响毛利润的因素，除了常规的经营成本之外，最核心的一个因素是当期应还，另一个是当期坏账。当期应还跟放贷规模有关，当期坏账则与逾期有关。所以说通过催收，把当期的坏账比例降低，金额降低，就能比较大幅度的去提升自己的毛利润。而且因为不良对利润和损失都会产生影响，它既能提升本身的利润，也能降低损失，一份工作可以产生两份价值，所以在业务整体中尤其重要。

除了风控降逾期和催收挽回之外，一些大的银行，针对不良资产，还会有一些资产证券化的方法，减少不良损失。像工行跟建行，都是有做此类操作：他们会把自己信贷业务产生的，符合某种标准的不良资产，打包卖给一些资产处理公司。这些公司自己催收，或者和催收公司合作，来进行催收，除了购买不良资产包付出的成本外，能催收回来越多，就赚的越多。当然这主要是大行和大公司的做法，主要的信贷公司，比如说平安系的，他们都是自建的催收团队。很大可能是因为自建催收团队，收益还是要比不良资产售卖，要高那么一些的。大的银行之所以会做操作，有可能是因为他们觉得这个东西，没有太多的利润，也可能是规避投诉风险。但是对于互金行业的信贷公司来说，这块业务控制在自己手里是很重要的，所以大部分公司都是自己做。

2.指标

这个阶段关注的指标，主要会有逾期金额、入催率、出催率、迁移率、滚动率等指标。逾期金额会分成M0、M1、M2、M3、M6+等。M0是没有逾期的金额，一般信贷产品都是按月还款，一个月就是一个还款周期，M1是逾期一个还款周期的用户，M1-M6以此类推。M1到M6都是算不良，M6以上都会算坏账，这个是行业比较通用的一种标准。M1到M3还有机会催收回来，M3-M6机会很小，超过M6，就极难回收了。催收这边，入催率和出催率比较重要。

3.行业

因为我之前呆的基本都是助贷平台，对于这块接触确实比较少。只有一个行业案例，我们服务过一个客户，他有自己的催收平台，给催收人员去用。他们会通过对这个催收平台的数据采集和埋点，来监控催收人员行为、催收电话时长、出催率等数据， 管理催收人员效率。

4. 运营

这块儿确实没有经验，就不多说了。

贷前贷中贷后三部曲的内容讲到这里。后续还会有怎么设计数据日报、怎么设计业务预估模型、怎么设计业务策略库、怎么设计策略执行表等基础实践篇，还会有怎么应用增长模型拆解指标快速发现增长点、怎么应用UJM模型做新户landing、怎么应用生命周期模型做老用户经营等方法应用篇，还会有怎么做触达AB实验、怎么对流量来源归因、怎么设计常规活动、怎么做产品功能AB实验等场景实践篇。

​Read More