市场营销风险怎么控制

市场营销 风险管理意义市场营销风险管理是指对在营销过程中产生的风险，用一定的制度和手段进行管理，达到认识、控制和处理的目的。企业所遭遇的各种风险中，来自营销的风险危害最大，最难于预料和预防。那么市场营销风险怎么控制?

市场营销风险控制 方法 ：加强市场营销环境的调查研究，是市场营销风险控制的根本性 措施

企业从设计产品开始，到定位、分销和促销活动的全过程，都必须深入市场，进行调查研究。通过市场的调研活动，掌握相关的情报资料信息，包括顾客需求信息、竞争者信息、国家宏观经济及相应的政策信息、国际政治与经济形势以及其他信息。企业的营销活动，必须在充分掌握了相关信息资料的基础上才能顺利展开，否则企业营销活动就会产生风险。中粮美特是一家生产包装产品的企业，为众多生产企业提供包装产品，近几年来营销风险得到了有效控制，应收款都已收回。

该企业规定营销人员在销售产品时，随货同行，货到人到，与客户当场验货，并办妥相应手续。同时营销人员还必须了解客户相应的信息，如产品销售是否正常，是否出现催要款项的情况等，通过营销人员深入客户的现场调查来分析判断交易是否存在风险。如该企业在与某生产饮料公司业务往来中，发现该公司出现了催要款的人员，且该公司产品库存积压上升，就及时调整对该公司的供应方式，后来该饮料公司被宣布破产，许多供应商的货款无法回收，而中粮美特则毫发未损。

市场营销风险控制方法：建立风险防范与处理机构

在变化的市场环境下，企业在运营中风险随时都可能发生，因此建立风险防范与处理机构就如同建立营销机构一样重要。风险防范与处理小组的工作应包括以下几个方面：

在企业内部建立风险预防的 规章制度 ，并督促制度的贯彻执行

调查研究相关信息资料，对公司客户的信息和能力进行分析和评定

在日常管理工作中进行风险处理演练，以提高对风险处理的应对能力，强化职工的风险防范意识

在企业出现风险后，由风险防范与处理机构统一处理风险事件。

市场营销风险控制方法：正确面对发生的风险

当风险产生以后，如何面对风险，是决定风险能否正确和顺利处理的关键。风险的发生会给企业带来损害，也可能给社会、顾客带来损害。

首先应该诚实地面对社会和顾客，一方面，最大限度地减少对社会和顾客的损害，另一方面快速采取措施制止风险的扩大和扩散。如果风险产生后，企业回避、推托、甚至辩解，反而会使风险扩大，损害增加。1999年6月在欧洲发生的可口可乐饮料污染事件，就是可口可乐公司面对的一次风险。可口可乐公司采取的措施首先是由公司高层管理者飞赴比利时、法国处理饮料污染事件，并向受害者道歉。

其二是委托权威机构对风险原因进行调查并将结果向公众公布。

第三，控制和影响信息发布源。通过公司一系列措施，最终成功地控制了风险的损害程度。

又如1996年湖南常德—顾客因服用三株口服液后引发了其他疾病并致死，经媒体报道后引发了三株公司的风险。面对该风险，三株公司一开始不承认，进而是推卸责任，最后被推上了法庭，风险越搞越大，最终酿成三株公司的灭顶之灾。

市场营销风险控制方法：依法处理

企业风险产生后，企业应该迅速地运用法律武器来处理风险。国家为了规范市场行为，保护公平竞争，维护企业合法权益，制订了一系列相关的经济法律和法规，如《合同法》、《价格法》、《反不正当竞争法》等，企业决策者应该了解相应的法律法规，在营销活动中依法办事。在日常业务往来中，企业对一些具有潜在风险的业务，首先要依法鉴订好合同，鉴订合同是预防风险的第一道门槛。其次，当因为对方的原因而给企业造成风险后，应该当机立断，积极寻求法律途径处理风险。

市场营销风险控制方法：提高企业员工素质

企业营销活动中的一些风险，是由企业员工素质不高或其他主观因素造成的。如有些企业销售人员因不熟悉所推销产品的相关知识而发生销售阻碍，或责任心不强而导致货款不能及时回收及损失，都属于员工素质问题而产生的营销风险。因此，加强企业员工素质的培训与提高，是控制企业市场营销风险的重要措施之一。

企业员工素质培训应包括员工的政治素质、 文化 素质、业务素质、道德素质等多方面的内容。对于营销第一线的员工，其综合素质的提升与否，直接影响企业营销，对其强化培训就显得更为迫切和重要。企业在对营销人员考核中，注重销售额及利润的考核固然重要，对其责任心与有关风险防范的考核同样重要。目前，许多企业实现的销售额从会计帐面看非常大，但实际的销售回笼资金却不理想，有些资金可能成为吊帐或死帐。因此，营销人员既要努力促进销售额的提高，更应注意风险的防范。

1、银行的主要风险还是信用风险，其中贷款风险是主要内容 银行要给一个客户做贷款，一般前提是该客户 在银行有较长时间的结算关系，有账户流水。当企业符合一定条件了，银行才开始介入授信放款，包括主动向客户营销信贷产品或客户主动申请贷款。借款人通过贷款银行进行日常结算，银行通过检查账户往来，可以发现一些信息，例如近期借款人贷款1000万购买100台汽车，那么1000万支付出去以后，正常情况下后面陆陆续续会有汽车销售收入进账，比如一周进展几十万，那么这就是汽车在销售。如果一个月内没有任何进 账，那么银行就会很紧张。担保方面的熟悉。第一还款来源前面已经谈过了。下面说说第二还款来源。抵押物：要熟悉各种抵押物，房产，房产有几种类型，各有什么政策风险？抵押登记如何办理？他项权证也有假的哦，我亲历过，房管局和借款人串通起来骗贷几个亿！股权质押如何办理，政府哪个部分受理？出了风险如何处置？有哪些障碍？汽车抵押如何控制？如何拖车？ 所以银行风险控制，就是这些细枝末节的东西，一个小细节失控，就是几个亿的漏洞！2、技术与管理认知程度不够的时候，认为要专业，什么VBA\SAS\CFA\FRM\风险案例模型研究一大堆，其实到了后来发现，做好还要管理，要整合资源。也即是另一种能力。专业的知识，可以补救，能力提升则不易。明明知道哪些事情该如何做，但是具体的事情要人去做，手下的人品质出了问题，再强大的风险控制体系，都无济于事。其实银行里面，更多的强调人品的作用。太过聪明的人不适合做银行。 例如前段时间炒得沸沸扬扬的，某P2P公司，业务员造假资料，骗贷款。这种事情就是金融机构最担心的事情，一般传统金融机构这一块做的比较好，员工流动性小，归属感强，比较在意自己的长远职业规划。目前很多新型金融机构，如互联网金融等，对技术的重视程度太高，技术其实是双刃剑，一个金融机构过于重视技术，人品风险就比较大，人没了人情味，没了感情，对单位没了感情，仅仅为了比较高的薪酬，短期化行为就比较严重。 模型也好，分析也罢，都是 why know，要解决问题，要 who know（又开始胡乱用英语了）找到目标关键人物，投其所好，吃喝玩乐，吹拉d唱，搞定这个人，又是另外一种本事。3、风险管理本质上还是管人现在技术发达了，企业上了ERP，银行上了信贷管理系统，加上互联网，大数据横行。人与人之间的隔阂变大了，贷款从网上手机上申请，银行也用大数据建模型管理贷款。从原始社会的打架，到现代黑客战，类似于军备竞赛，反欺诈手段高明了，欺诈手段也升级了。信用还是要靠人与人之间的感情建立的，银行与企业之间没有合作与感情，那么很难说风险管理就很强大。4、趋势对风控的影响未来是不是银行都要变成互联网技术公司？我感觉传统的银行，人海战术，社区金融，身边的银行，小区银行，这种方式还是有生存空间的。比如我要贷款，填一堆报表，该网点客户经理到网上去录入一大堆数据，电脑自动到满世界去搜索一下我的活动，再用数据挖掘，机器学习技术，给我画一个像？一分钟后，机器说，能批多少多少？这种模式很快，速度快，效率高，机器学习，就是人给机器打工。甚至以后连信息录入的工作都不需要人工了，自助贷款机，的确，我们连身边的活生生的人都不相信了，反而要依靠机器才能认识一个人，我人品如何，朋友说了不算，机器说了算，而且机器可以积累经验，增长智慧。一个审批人的经验增长速度远远赶不上机器学习智慧的积累程度。5、对政策法规要相当熟悉做风险的很多时候要和法律打交道，而法律法规经常变化，有时候一个不经意的变化，就会导致很多业务翻新。6、要在风控干，必须懂得社交 很多人会说不善社交，于是躲在银行后勤做风险。 你再牛逼，能比银行副总牛吗，老总的社交圈子广，国内国外到处飞，其实国内的商业圈子还是比较小，谁谁谁干了什么事，只有圈内人知道，再牛逼的信贷调查审查毕竟还在一个公司基层，你的社交圈子决定了你看到的都是文本资料，静态资料。而重要的风险点，往往是从社交场合上观察打探到的。富人圈里传出来，某某某又在哪里投了个啥项目，失败了。层次不一样，看到的东西绝对不一样。PS：最后是我个人的一点碎碎念 大家知道我已经回到了俄罗斯，开始了新的学期生活。每次我都喜欢给自己一点挑战，但是这次真的感觉太累了，今天晚上补全这篇文章的时候我都要昏倒了，有种实在无法坚持的感觉。但是，每当坚持下来的时候，就觉得没有什么，只是一个过程罢了。以后尽量长时间的写一个干货出来，回馈给大家。特别要谢谢琳晓黄同学给予我这篇文章很大的指导与帮助。最后很开心微博上的朋友都支持我，喜欢看我写的文章，也谢谢关注了我上的朋友们。最后这一点碎碎念不会投稿上去，今天只是简单地分享，等我配好图写一个再好一些的结尾就投稿。那就这样吧，很晚了，祝大家都有个健康的身体和进击的灵魂，并且相信，努力一定有回报，越努力，越幸运。 ---初夏 2016年8月27日凌晨

风控决策引擎本质上是一系列规则的集合。风控规则也叫做风控政策、风控策略。欺诈、盗号、作弊、套现以及营销活动恶意刷单、恶意抢占资源等都是风险，都需要复杂但高效的规则引擎。这里我们只关注信贷风控。

风控规则的制定原则：

监管层面

监管会约束机构禁止对未成年发放贷款，执行起来，准入规则就会强制要求用户年龄大于等于 18 周岁。

学生贷也会有较多监管要求，因为学生群体大多没什么稳定的经济收入来源，按时还款的能力不足，容易滋生过度借贷和诈骗。

公司层面

准入通常也会设定一个年龄上限，例如 60 岁。设定年龄上限往往是出于舆论的考虑，老年人贷后事故可能会更大，例如遇到催收反应过激。这一般并不在监管范畴，而是公司层面的原则。

高危地区 也是如此，某些区域历史上出现过集中诈骗，为了防止被团伙攻击，在公司层面直接不对这些高危地区准入的做法也是存在的。

另外，公司也会规定同一申请人被拒绝一个月内不能再次申请借款。这是因为短时间内用户的信息不会发生明显变化，用户的风险评估结果不会前后差异过大，前次被拒绝，再次评估往往还会被拒绝。而评估一个人是有成本的，低效地去重复查询数据是不可取的。

风控层面

根据行业经验，制定欺诈类、黑名单类、多头类、信用不良类的强规则是不言而喻的。

欺诈 主要可分为一方欺诈和三方欺诈。一方欺诈是指申请人自身的欺诈行为；三方欺诈是第三方盗用、冒用他人身份进行欺诈，申请者本人并不知情，比如团伙利用非法收集的身份z进行欺诈。

其实还有两方欺诈，是内部人员勾结的欺诈，一般不在考虑范围。

一方欺诈往往较难定义，它跟信用不良的表现结果无二。可以先验地设置一些专家判断，例如手机号入网时长一般限制最小值为 6 个月或 12 个月。新号来注册申请，显然更可能是欺诈骗贷，当然这些规则很容易被撸口子大军绕过。道高一尺，魔高一丈。

人脸识别 显然是一个很有效的三方欺诈防控的办法，但也是一个很笨重很伤用户体验的办法。三方欺诈防控更大程度地依赖于大数据挖掘，盗用冒用在设备行为和关系网络上一般是有迹可循的。基于大数据的反欺诈模型是风控中重要的内容之一。

黑名单 一般分产品内部黑名单和行业外部黑名单，内部黑名单指的是历史用户中的欺诈用户和严重征信不良用户，外部黑名单指的是三方数据提供的命中信贷逾期名单或法院执行名单或其他高风险的用户。黑名单防控和一方欺诈有交叉重叠。

命中黑名单的客群一般会直接拒绝。业务持续发展过程中，黑名单客群数量可能积累过大，这往往是由于入黑规则过于严格，误杀会较严重。将其根据风险差异再拆分黑名单和灰名单是必要的，对灰名单用户可以测试放开。从而实现名单优化。

多头 指的是用户在多家平台借款，存在借新还旧、以贷养贷的风险。用户也许能够从其他平台借到款来还自己平台的款，但对任何单一平台来说，赌自己不会成为受害方就跟赌比特币自己不接盘一样，不是风控该允许的做法。

行业的共识就是制定多头规则。多头指标往往是制定成可变规则，因为多头是一个程度问题，阈值可以调整，多头规则是整个风控规则中调整频率比较高的。

实际上，基于数据分析的规则制定是方便易行的。基于特征库，挑选出一些风险区分度高的变量是一个单变量分析的过程。 只要遵循三个指标，准确率、召回率和稳定性，就能找出有效可用的规则集。

准确率 是说命中的人当中坏用户占比要尽量高。

召回率 指的是命中的坏用户要足够多，一条规则只找出了几个人，即使都是坏人，也没有意义。

稳定性 当然很重要，命中的人数、命中的人当中坏用户占比，都需要持续稳定。否则要频繁跟踪调整。

需要说明的是，模型也可以理解成一条规则，只不过它是将许许多多的弱变量组合成一个强变量。强变量用于规则，弱变量用于模型。

他们的本质都是将用户分层，方便我们将用户一分为二，将其通过或拒绝。

对于一些可变规则，应定期检测规则的时效性，有些规则是经常需要更新的。另外还需要保密，尤其是反欺诈规则。

说说策略同学的关键技能。

业务总会不断对策略进行迭代优化，这往往也导致策略体系过于庞杂，怎么样从庞杂的体系中分清轻重缓急是策略同学的核心能力。

如果推倒重来要怎么做？给一家新公司业务做策略顾问你要怎么做？这些都不是照搬现有体系能够解决的。设想下，假如需要你去做风控能力输出，从 0 开始制定一套风控流程。你会怎么做？

决策引擎是一套决策流程，它的要素组成是规则清单和规则被执行的顺序。 前者要求全面且高区分性，后者对成本优化至关重要。

为了使风控输出的规则保持清晰有效，既需要考虑规则变量提取的易行性，又要考虑规则执行的必要性。命中低、难执行、成本高是失败规则的常见特点。重复命中也是策略体系中常见的问题。

规则清单制定完成后，需要动态监控每条规则命中的人数。不同时期激活的规则可能不一样，也就是说，可能其中一部分是激活状态，另一部分是抑制状态。动态调整规则的阈值，以及激活抑制的状态，是很有必要的。

例如，某些月份的逾期相对较高，新增了一些规则，后期监控到这些规则发现其区分能力明显下降，就应该适当取消。

不管是规则还是模型，一定会有很多误杀，但误杀是允许的，因为贷款本金的损失往往是利息收益的几十甚至数百倍。

平衡决策对通过率的影响和对风险的影响，对成本的影响和对收益的影响，是风控策略从业者需要培养的职业嗅觉。

多头借贷在策略上一般作为拒绝维度参与到整个风控流程中。不同机构、不同信贷产品、不同场景，对于多头借贷的拒绝线划分都是不一样的。

如何找到当下最适合的多头借贷拒绝线，是风控策略分析人员工作中的核心任务。

以上，如果我们采用宽松政策，可以将阈值定为大于等于 2 作为拒绝线，这样拒绝率只占 3.2%，被排除的用户坏账率更高。

而如果我们采用严格政策，可以改为大于 0 则拒绝，这样拒绝率增加为 10%，被拒绝的用户相比通过用户仍然显著要高。

这两个规则都是有效的，实际业务中采用什么样的阈值取决于公司的政策。从严 or 从宽。

当然，最顶层的目标是利润最大化。

值得说明的是，多头数据往往覆盖率有限，体现在变量取值上是 0 值占比过高，这个时候便可以考虑取大于 0 的部分来做多头排黑规则。

利用决策树制定更多变量更丰富的交叉组合可以得到更有效的规则。

多头变量除了用于制定强规则直接去拒绝用户外，还以为作为软规则用于客群划分。多头严重或者不严重区分出来后，再结合其他维度的风险评估交叉使用。

国内缺的从来不是策略，而是将策略贯彻的决心与环境。

以上文章来源于thunderbang ，作者雷帅

---