- 金融
现金贷被叫停，监管要求金融活动持牌经营，同时政策要求银行践行普惠金融，信贷领域已形成较为明显的一大趋势：极优（Prime）借款人群交由传统金融机构服务，金融科技公司输出科技赋能；而创新公司选择做优质（Near Prime）客群，做大额、长周期借款。
Prime人群已被银行覆盖得较好，因此，Near Prime人群是创新公司的更佳选择。小花的定位是科技服务公司，利用信息技术为主要服务Near Prime人群的互联网消费金融平台提供获客和推荐服务，成立两年多，业务高速发展。
“大数据+AI”驱动推荐模型迭代 推荐件均提高、期限增长
小花钱包提供分期借款和分期商城的客户推荐业务。其中，分期借款推荐是核心，分期商城是为更好地服务客户而建立的场景，其它自建场景还包括信用卡管理工具等。
用户通过平台寻找分期借款服务，小花钱包使用统一的推荐模型进行用户评估和机构推荐。
据小花钱包副总裁林诗意介绍，小花钱包目前注册用户数已经达到千万级别，合作机构为用户提供分期借款，平均授信额度12K-15K，平均借款周期14个月。
获客只是精准定位到目标客群，小花及合作机构的推荐模型还需要具备对客户的筛选能力。优质客群获取之后，给予其更高的额度和更长的期限，这就要求推荐模型具备更高的区分度。
在小花钱包为合作机构提供服务的实践中，建模首先是考虑清楚业务目的，根据业务目标决定需采集的数据维度和如何适配算法、模型。在初始阶段，数据和变量有限，会依赖专家经验；而随着业务增长，进件数量增加，这个过程中会加入更多大数据和机器学习的元素去迭代模型，以适配不同业务的变化。
贯穿小花钱包的业务流程中，各个环节都会建立相应的模型。在每个环节内部，会根据具体需求使用有监督的机器学习方法。在生产环境之外的平行环境中，小花钱包也在不断地通过“AI+人工”的方式去调试出更适配的模型。
营销环节会有智能营销系统，从广告投放开始直至用户还款，监测用户整个生命周期，建立各个渠道画像，判断各渠道获客效率。
反欺诈技术服务是通过模型把欺诈的个体和团体筛选掉，在识别过程中会用到不同的细分模型。有些用户会在模型中放入大量的变量，有些则是对精准的某些点进行拦截。授信推荐模型判断是否能给予授信，以及额度、期限、费率的组合搭配建议。
为支持合作机构的各项业务各环节不同模型的快速搭建，小花钱包建有统一调度的机器学习平台。谈到AI是否正在替代大数据成为行业核心主题，林诗意认为，大数据还未成为行业成熟的基础设施，尚有很多数据未涵括进来，而且已有的数据潜力也未被充分挖掘，大数据这一步还没迈过。
近期，爱分析专访小花钱包副总裁林诗意，节选部分内容如下。
爱分析：客群只是定位持卡人群吗？
林诗意：小花从成立到现在，为合作机构获客都不是只聚焦在持卡人群，持卡和非持卡人群我们都会覆盖。主打2个产品服务，一个是消费分期推荐，一个是信用卡代偿推荐，我们会根据客户资质情况，输出一个统一的循环额度授信建议。
所以一开始我们就会覆盖持卡和非持卡。只覆盖持卡人群，做银行已经覆盖的人群，会有点窄，和银行正面战场。信用卡是一个很好的推荐标签。
爱分析：这个客群如何精准定位？
林诗意：一个是渠道建设，一个是数据的筛选。
我们当前的渠道建设，跟之前差不多，但近期会增加一些异业合作。之前有的方式包括：应用市场推广，网络精准推广（广点通、头条、网易新闻等信息流都会投放），一些信贷场景，比如信用卡、公积金APP类的。当前也会开展一些异业合作，比如跟饿了么这样的超级APP合作，跟我们的目标客群是大部分重叠的。此外，我们也有公众号的运营，获客和推荐的动作都会部署到公众号。这是渠道建设。
其次是，为合作机构推荐用户前一定要对用户提供的数据进行筛选。比如看用户的负债情况，通过一些强变量来定位是否是合作机构的目标客群。
爱分析：在51信用卡和卡牛之后，市场上很多玩家在做信用卡管理工具，小花是否考虑？
林诗意：我们并不做一个跟他们一模一样的出来，定位是想做好已有客户的留存，所以有一些功能和场景也会加进来。如果没有场景建设，客户从别的渠道过来，粘性不强，所以还是自身会加强场景建设。
爱分析：做类信用卡人群业务，是做有卡人群未被满足的需求，还是做无卡人群？做存量还是增量？
林诗意：主要服务于无卡人群，为无卡人群做推荐评估，给到合适的服务机构。
爱分析：这部分无卡人群的用户画像是怎样的？
林诗意：这部分人，相对来讲，是集中在三四线甚至以下的城市。在这些城市，信用卡渗透率不是很高，这些人群是够得着开卡的资质，但他们没有这个意识，他们甚至只有一张储蓄卡。虽然他们属于无信用卡人群，但综合其它数据，他们还是能被给予授信建议，推荐给合适的服务机构。
爱分析：目前的团队规模多大？
林诗意：120人，技术人员占比七成。