- 金融
大数据、人工智能等技术的兴起，正逐渐改变金融机构的业务效率。成立于2009年的畅圣科技以电信运营商数据为切入点，为银行零售业务各环节提供技术服务。
成立之初，畅圣科技主要业务是为电信运营商开发软件和提供服务。经过几年业务发展，创始人毛骏认为单纯为电信运营商服务，市场空间和利润前景有限，开始研究如何利用现有数据开发衍生服务。
2014年，畅圣科技决定将数据服务落地于金融领域。原因有二：首先，金融行业信息化程度高，金融机构具备一定技术能力，大数据与金融能较好结合；其次，零售业务近几年成为银行重点发展方向，与大数据能力关联度较高。
以催收场景为业务起点
畅圣科技首先切入的金融场景为贷后催收业务。
催收业务可细分为内部催收和外部催收。内部催收主要负责逾期周期短的案件，以提醒为主要手段，多由银行等金融机构客服团队完成。外部催收负责逾期周期长、处置难度大的案件，畅圣科技从外部催收入手，基于电信运营商等第三方数据提升催收业务效率。
其次，案件分配是畅圣科技催收效率提升最为明显的环节。
传统催收公司，案件分配的模式是根据按照账龄和进件时间。畅圣科技一方面根据还款意愿高低进行案件排序，提高了催收效率。
另一方面，畅圣科技通过案件与催收人员标签匹配，提升催收成功率。毛骏表示，根据催收人员的历史案件可以形成催收人员标签，将案件标签与人员标签进行智能匹配，则会辅助催收人员实现高效催收。
最后，为了保证催收合规，畅圣科技使用了NLP技术，避免电催人员发生违规操作。
智能贷后催收业务目标客群为银行信用卡中心，标杆客户包含交通银行、建设银行、浦发银行等。
外部催收案件可分为两类，一类为委托催收案件，这类案件账龄一般在M3-2年之间；另一类为资产包，账龄在2年以上。
委托催收案件有效期在半年左右，成功催回后银行会根据催回金额支付服务佣金。资产包处置时，银行会收取部分押金，并规定最低催回率，条件更为严苛，但催回后分配的佣金比例也会更高。
2018年，创始人毛骏预计处理委托案件金额20亿元左右，资产包金额30亿元左右，催收业务营收达到1亿元。
延伸至智能营销和智能风控，服务零售金融全流程
由于大型银行在风控环节已有成熟体系，所以智能风控业务目标客群为中小银行和互金公司，而智能营销业务的客群更为广阔，已经扩充至人保等保险公司。
未来，畅圣科技期望与各大银行直销银行达成合作，结合消费场景向用户发行虚拟信用卡，类似于蚂蚁花呗的银行合规二类账户。
创始人毛骏表示，2018年畅圣科技预计风控和营销等新业务营收在1亿元，总营收达2亿元。
综合而言，畅圣科技在客群和获客两点优势十分明显。催收业务，畅圣科技始终坚守在持牌金融机构领域，客户并未受到监管影响。随着业务延伸至全产业链，公司客群也跳出银行，延伸至保险领域。
获客层面，畅圣科技先后中标交通银行、广发银行、中信银行、建设银行等众多银行催收供应商。公司客户包括全国前十大信用卡发卡银行的7家，以及中国人保和太平洋保险等标杆客户，获客能力强。
场景理解环节，畅圣科技开展催收业务超过4年，累计处理案件金额超过10亿元，场景理解深刻。在营销和风控两个场景业务开展时间较短，场景理解还有提升空间。
传统软件开发商天花板明显，畅圣科技转型数据服务
爱分析：为何会从服务电信运营商转型大数据？
毛骏：目前看来，所有为电信运营商服务的传统系统集成商和软件开发商，市场空间和利润前景都在大幅往下走，这几年你很难看到以服务电信运营商为主营业务且成长较好的企业。几年前我们开始更多地跟电信运营商共同研究如何对外输出数据服务。
爱分析：转型时为什么选择金融作为切入点？
毛骏：两个原因，第一从宏观上来讲，我们做了一个分析，发现在全球范围内都有大数据和金融领域结合的趋势。第二从前几年开始，零售业务已经成为银行的重点业务发展方向，刚好跟我们具备的大数据能力有很高的关联度。
爱分析：畅圣科技有哪些独特的资源？
毛骏：现在有很多银行都在用一些跟运营商相关的基础数据，比如说三要素或者四要素。但我们对这种数据服务做过认真分析，仅仅做这个业务的代理本身是没有核心竞争力的，做这类业务的企业只是特别简单的二道贩子，存在三方面问题。
首先，产品标准化到银行随时可以换掉且没有任何的替换成本，进入银行容易被淘汰也非常容易。其次，越来越多的这类企业用留存数据为银行服务，数据质量存在很大问题，尽管可以做的比较便宜，但对客户来讲他是有很大损失的。最后，客户需要不断的把用户数据对外提供，在操作层面上存在合规性问题。
而畅圣科技不同，我们可以拿到运营商实时的数据，并且不单纯提供数据，而是基于数据会有各类衍生服务，存在很多附加价值。
爱分析：如何吸引到第一批客户？
毛骏：畅圣主要聚焦在银行线上零售业务，线上零售业务的业务流程中有一个客观的事实，无论做营销还是风控，从获取前端用户到用户通过审批再到最终验证用户资质，所需周期很长。
我们判断有两大主要因素影响周期长短，一是即便用户本身的信用特征和个人的财务状况在正常范围内，也需要用一个借款周期来体现出他是好用户还是坏用户。二是跟行业周期有关，很多大额信用卡用户曾经是银行非常好的用户，但可能由于从事的行业出现周期性波折或者周期拐点，导致用户出现大面积的坏账变成坏用户。因此验证用户资质所需周期很长，很难马上体现价值。
但在贷后领域，大数据的一些核心能力可以在一两个月之内就能体现出决定性的效果，让金融机构明白给他带来的价值。因此公司成立初期以贷后为主营业务，并以此为吸引第一批银行客户的敲门砖。
爱分析：竞标时银行如何筛选服务商？
毛骏：进入银行时，银行会给它认为符合基本资质要求又具备基本能力的服务商安排业务PK环节，时间在一个月左右，一个月后会根据业务效果对服务商进行能力排名，而我们参与的所有PK都是第一。所以在这个结果基础上，公司用了大概一年多时间，进入7家大的主流银行信用卡中心。
人工智能、大数据是畅圣科技催收业务发展的两大核心驱动
爱分析：银行如何分配不良资产？
毛骏：银行首先会将M3以内的不良资产进行内催，然后M3到2年以内的资产他们会有一个正常的委托催收流程，两年以上的他们通常会核销，核销之后的资产会打成资产包做证券化，也就是现在讲的卖掉资产包。
对于M3到2年以内的资产，银行的流程都是新进来的公司做最困难的活，那么也就是说可能你催的都是四手、五手甚至更后面的资产包，那么你如果在这个阶段表现出优异的能力，那么银行会让你往前晋级，这里有一个特别严酷的过程，经常需要花一年甚至更多的时间，你才能进到一个比较赚钱的阶段。偶尔有例外，就是公司在业内已经有公认的能力时，银行会让你偶尔跳一级，这种情况不多比较罕见。
而资产包是一种风险保证的催收模式，催收公司会向银行承诺一个最低回收率，所以风险比较大，一般的催收公司基本不太做这一阶段，很多传统催收公司会在这个业务里赔钱，所以现在相对来讲，它的竞争还不是太严苛。
爱分析：银行有多少供应商负责账龄在M3到2年之内的不良资产？
毛骏：据我们了解，几家主要的银行都会有50-100家服务商，个别大行可能还会更多一点，其中80%的服务商都无法接触核心资产。
爱分析：委托催收与资产包的区别在哪？
毛骏：主要有两点区别。第一，区别就在于资产包的账龄时间更长，资产质量更差，但相对给的佣金条件会更好
第二，委托催收会有很多公司去分，因为并没有特别大的一个压力，催回一百块，银行可能分你15块或者20块，无非是哪家公司管理的好，人员成本低一些，利润就更高。但是资产包就不同，银行交给你资产包时会要求你承诺年催回率，若没有达到这个催回率那么一分钱都别想拿的，并且你还会承担人员的成本，风险压力就完全不同，所以很多公司不会去做资产包业务。
爱分析：银行交给畅圣催收的坏账账龄在什么范围？
毛骏：M3以后各个阶段的坏账都有，最长账龄能超过五年以后。
爱分析：如何用技术优化催收业务？
毛骏：技术大概可以从三个重要方面去更新一个行业：
第一是技术可以帮助催收公司覆盖原来不能覆盖的业务或者人群。举个例子，就像现在做互联网金融一样，原来线下网点不覆盖的用户，基于移动互联网也能覆盖。
第二是提高催收效率。传统催收业务中很多催收人员需要做大量的互联网以及非互联网的信息用户收集，实际上是通过非常传统的手段去做用户画像，这种信息收集可以占用催收人员70%的时间。现在这部分工作我们可以通过系统去替换人力，员工的工作效率会被迅速提高，并且人员成本会大幅下降。
第三是降低成本，公司自主研发的第二代智能语音外呼机器人已投入使用，我们的目标是把机器人延伸到后端，因为我们第一代只能做账龄在90天以内的早期提醒，第二代现在做的是争取能够向90天以后长账龄去延展，未来如果说我们人工智能技术能够真的跟人媲美，就可以替代掉所有的人工坐席，节省掉基础人员成本。
例如，某银行每个月新增入催20-30亿，内催压力大，人力成本高。智能语音机器人高效、低成本的特点，能够改善催收业务状况，我们形成了一套服务大客户的体系。同时，也把智能化催收平台打磨成一整套的服务产品。
我们的智能外呼机器人除了为信用卡做M3以内的提醒外，现在已经进入保险营销和客户关怀，电信运营商业务营销等领域。
爱分析：长账龄催收技术难点在哪？
毛骏：核心是催收环境不同，短账龄催收可以理解为更多的是提醒，因为大部分这些用户他还款的意愿没有太大问题，比如账龄在15天之内的资产回款能到90%以上，这时候的语言语境会非常简单，技术处理起来也很方便。
长账龄案件借款人的回答都是模棱两可的，这些回答对于人而言可以进行理解和追问，但对于机器人而言，他很难听懂借款人想表达什么意思。难点不是自然语言理解的基本底层技术问题，而是借款人很多时候回答就是在跟催收人员绕各种弯子，他找各种理由，但就是不明确表达是否还款。想让机器能达到对这种语义的理解，需要大量基础数据训练，训练后机器可以实现即时再遇到听不懂的回答，后端也有话术应对。
爱分析：技术都是自主研发的吗？
毛骏：技术肯定不是从头到尾都自己做，现在语义识别、智能外呼等技术已经有相当好的开放平台，我们在里面做的最核心的一块东西是对话规则和对话决策引擎，通过对大量的后端催收案件的学习，训练了一套话术和对话规则。
我们的产品在技术上有以下优势：多重智能决策引擎，相比单一决策引擎语义识别率比要高；利用大量现有催收语料结合深度学习的训练，语义识别方面，特别是对那些语音识别后有错字的语句识别，识别率较高；在开放式问题对答中，有必要的话，能够回到封闭的对话流程规则中；流程设计的可扩展性以及支持的复杂度做的比较好；对大量通话自学习能力强，源于上百万级别的录音语料；深度学习的算法方面，既用了较前沿的算法，也用了传统的一些算法，结合而成用来提高实际效果。
爱分析：实际催收过程中是否能够提高催回率？
毛骏：一定是有的。目前市场上其实没有标准的催回率，不同的银行，同一家银行不同的区域，不同的账龄段，不同时间发的卡，催回率都是五花八门。但银行也有自身的衡量手段，会在相对可比样本中做比较，比如对于某家银行的四手案件，他会将我们的催回率与其他三家公司对比，最终我们公司排名第一，所以相比于同类公司我们能够提高催回率。
爱分析：催收团队目前有多少人？
毛骏：公司模式跟传统堆人的催收公司模式有很大区别，现在总共也就200人左右。不过随着今年催收规模上涨，预计今年人员数量峰值能达到500人。
爱分析：今年预计催收规模是多少？
毛骏：预计今年资产包会超过30亿，正常的委外催收大概应该会有20亿左右。
服务覆盖银行零售业务全流程
爱分析：除贷后催收外还涉及哪些业务？
毛骏：对于大行而言，除贷后催收服务外，还为他们提供两方面业务。
首先是数据安全服务，我们跟公安部三所有关于加密技术的合作，能够保证银行对外查询时用户数据不会被留存。
其次是营销，现在的模式是结合场景，因为我们基本上没有留存用户数据，所以也是跟运营商的底层大数据去做合作，挖掘用户的真实的线上需求，然后再给他推一些银行的金融服务。
对于小行而言，除上述这些业务外，还会为他们提供风控平台，形成整体的解决方案。具体包括用户场景化营销、反欺诈、审批模型、评分卡输出，最终如果客户产生不良，我们也会提供催收服务。
爱分析：风控平台如何理解？
毛骏：我们目前的风控平台是一个轻量级的面向业务的风险引擎，里面还含有机器学习和深度学习的模块，目前风控平台团队共有20多人，正在为一家上市银行做部署。
爱分析：2018年预期收入是多少？
毛骏：贷后催收这块预计收入在1亿元左右。下半年期望提高营销和风控业务收入，同样达到1亿元左右。
爱分析：未来催收的市场规模会有多大？
毛骏：催收市场未来会是一个非常大的市场。经过去年年底这一轮的监管加强之后，对持牌金融机构是相当大的利好，现在他们除了不断提高以信用卡为载体的个人零售业务之外，很多银行的直销银行都在开展现金贷业务，导致银行的个人零售资产不断的提高，提高过程中因为风控的加强，也许坏账率并不会提高甚至还会下降，但是不良资产的总额会大幅提高。
爱分析：团队共有多少人？
毛骏：除催收团队200人以外，我们现在大概有将近80人的核心团队，其中有70%是技术研发团队。
爱分析：未来业务会有哪些想象空间？
毛骏：目前已经在跟某些银行的直销银行在洽谈商业合作，主要是在消费场景中发行虚拟信用卡，也就是银行里面的二类账户，没有实体卡。结合具体消费场景跟银行给用户一个合法的账户，里面有一定消费额度，消费者不能提现，但是可以在消费场景当中正常的消费，类似于蚂蚁花呗。