近年来，在国家金融改革的进程中，金融行业借助互联网+和AI技术，取得了令人眼花缭乱的进展和成绩，尤其是在线支付、互联网金融业务等领域已处于全球领先地位。然而，过快甚至无序的发展也给金融行业了不少隐患，引发了不少社会问题。作为金融科技公司，在服务银行的过程中，逐步完善了公司贷前、贷中和贷后产品线，通过AI技术和服务能力帮助客户管理信贷资产，降低信贷风险，同时，帮助客户把好合规关，降低操作风险。

一．贷后业务痛点分析

银行贷后业务，催收是一个关键环节，而催收业务痛点主要体现在以下三个方面：

1. 如何提高催收成功率？

近年来，银行的逾期率和坏账率在不断攀升，给信贷业务带来非常大的压力。银行除了加强贷前风控和贷中监控之外，贷后催收也是一个非常关键的环节。如何通过有效的催收手段，提高逾期回收率，降低信贷逾期率和坏账率，是银行贷后业务面临的主要挑战。

对于每一个已经逾期的客户，什么时间点、采用何种途径（短信、语音机器人、人工电话、外访、仲裁、诉讼）、采用何种话术，甚至由哪个催收员进行催收作业，都可能影响催收的成功率。我们在服务客户的过程中，不断探索AI技术在贷后催收场景的应用，形成了一整套有AI模型和量化策略相结合方法，可帮助客户有效提高催收成功率。

2. 如何保证催收作业合规？

2019年的中国金融行业，因暴力催收引发的刑事案件时有发生，一方面给监管机构和司法机关带来了巨大挑战，另一方面，债务人的恶意拖欠，给银行带来了巨大的压力。因此，如何规范催收作业过程，保证其合法合规，已成为银行在催收管理中一个非常重要的责任。语音质检产品正是在这种背景下开发出来的。语音质检产品最初只是把催收作业过程产生的录音文件转成文本，然后，通过NLP和规则引擎对催收员作业过程中是否存在辱骂、威胁等行为，催收话术是否符合银行规范要求，如表明身份、确认对方身份等。目前，语音质检已初步演进为贷后智能分析系统，通过对催收过程数据的收集，结合AI技术，可对逾期资产进行评级和估价、对债务人进行画像、对坐席特质进行分析，为智能催收提供了可量化的数据基础。

3. 如何提高催收作业效能？

催收作业无论是内催还是委外，无疑都是一个劳动密集型工作。对于劳动密集型工作，降本增效是硬道理。可通过工作流程的标准化和精细化管理来提高人工效能，从而降低催收作业的人力成本。我们依托有多年银行资产管理经验的业务带头人，设计开发了一套贷后作业管理系统。该系统不但在实用性和易用性上下功夫，还详细记录催收作业人员的所有操作，利用大数据分析（BI）技术，结合AI模型，为精细化管理提供抓手。另外，催收机器人代替人工作业，也可以大大降低催收成本。

二．贷后产品演进

贷后产品线经过近三年的发展，完成了从单一功能性产品到系统级解决方案的升级迭代，从解决客户点上的问题，到为客户提供一体化贷后解决方案，实现了有点及线到面的演进。

贷后产品演进过程

如上图所示，贷后产品演进过程从简单的贷后评分模型，即C卡评分开始，借助在AI技术上的优势，帮助客户完成C卡评分模型，从而C卡评分一个点切入到银行贷后业务场景。在与客户合作的过程中，我们很快意识到贷后市场空间非常大，贷后催收管理落后的产能与不断攀升的逾期率之间的矛盾越来越突出，因此，在2018年中启动了语音机器人产品的设计与研发，于2019年4月推出贷后催收机器人，快速帮助银行解决催收人员短缺的问题。同时，启动了贷后委外管理系统、语音质检、贷后催收作业系统产品的设计与研发，逐步解决客户催收作业中的各种痛点。到2019年底，贷后产品线已涵盖了贷后催收场景的80%以上的需求，并形成了贷后一体化解决方案。

在产品演进的过程中，我们看到了很多市场机会，但仍然紧紧围绕目标客户的业务痛点、非常克制地规划我们的贷后产品，不断地把我们AI的技术优势和对业务理解能力相结合，精心打造出来的每一款产品都得到了市场的认可和客户的尊重。

【画外音】金融科技公司toB的产品“如何抓住市场机会？我们的优势是什么？如何找到市场定位？”以上几个问题是在贷后产品演进过程中，我们不断问自己的问题。然而，最难回答的问题是，”我们不该做什么或者我们应该放弃什么？”这些问题我们深有体会，但还不敢说都有答案，欢迎大家留言讨论。

三．技术架构演进

技术架构的演进有两条主线，一是技术如何满足业务和产品需求；二是公司在核心技术上长期的投入和积累。

技术架构演进图

如前章所述，贷后产品围绕客户痛点进行升级迭代，贷后产品技术架构也基本经历了三个阶段的发展：

1）单体服务阶段，所有功能模块都在一个springboot应用中实现。采用单体服务优点是开发上手比较快，可快速发布产品。带来的问题是系统模块间强耦合，产品需求不断迭代，开发不断累加功能，导致系统越来越复杂，迭代成本越来越高。尤其是满足不用客户的需求时，定制开发成本非常高，也因此欠下了不少技术债。

2）微服务阶段，采用spring cloud微服务架构，按照职责单一原则把系统划分为多个微服务。此阶段的微服务划分仍然是在单一产品内，同时，把一些公共的功能模块从业务系统中剥离出来，形成公共的微服务模块。对于与客户对接部分也尽量独立，这样，在满足客户定制化需求的时候，对系统影响尽量少。

3）平台阶段，在微服务架构的基础上，把多个贷后产品模块进行抽象、整合、分层，最终，形成如下图所示的架构。这个架构的主要目的是满足贷后一体化解决方案的要求，如客户希望通过一套用户和权限系统，能够使用所有贷后产品，因此，我们把这部分功能集成到用户中心这个微服务；贷后催收作业过程中，有很多需要系统自动执行或者定期执行的任务，一个案件也需要在各系统中流转，因此，抽取了调度中心这个微服务，所有这类任务都交给调度中心。

平台技术架构

另外，为实现贷后产品快速交付给客户使用，我们在采用微服务架构，降低客户定制化开发成本的同时，对于智能语音和集刻质检这类内部集成了AI模型（ASR、TTS和NLP），且对硬件资源要求比较高的产品，采用软硬一体机的产品形态，做到开箱即用。这种产品形态，即可保证系统的稳定性，提高硬件资源的利用率，又大大降低了客户私有化部署的成本。

2. 核心技术演进

如前所述，核心技术演进也是紧紧围绕如何把AI和我们的技术能力赋能给银行客户，解决客户的实际问题出发的，而这些技术不但可以在贷后产品中使用，同样也可用在风控产品线，和服务于其他行业的客户。核心技术演进包括三个方面：

1）评分模型

在算法方面，从LR，XGBoost等传统评分模型算法，逐步探索深度学习、迁移学习等算法。在工具方面，从手工写代码完成数据清洗、特征抽取、模型训练、模型预测，到利用自研的建模平台完成建模过程，并可实时监控模型运行结果指标。在客户服务方面，从联合建模，输出技术能力，演进到当前流行的联邦学习方式，在保障客户和数据源各方数据不出本地的前提下，完成评分模型的训练和使用。

2）NLP技术

最早研究NLP技术是用在舆情分析领域，到2018年语音机器人开发启动之后，开始利用NLU+知识图谱技术解决语音机器人对话过程中意图识别的难题，到目前为止，NLP技术已广泛应该到贷后坐席话术合规检查、坐席特质分析、债务人画像、债务人还款意愿和能力分析等多个场景。同时，把NLP输出的结果作为贷后C卡评分的特征变量，训练处理C卡的升级模型C+和C++卡模型。

3）CI/CD技术

在持续集成和持续发布方面，一直坚持用代码自动化代替手工操作的方式，从最早的gitlab、maven、jenkins等工具，到目前的docker+ K8S，已形成了一套标准的自动化上线流程和工具，大大降低了运维成本。同时，这套CI/CD技术也为客户交付提供技术保障，降低现场实施成本，保障交付质量。

【画外音】技术架构的演进是一个不断踩坑和填坑的过程，我们一直在踩坑的路上，欢迎大家留言讨论交流。