核心结论：为什么“双轮驱动”在多数金融企业里只是口号？
2022年，我参与了一家消费金融公司的数据中台项目复盘。这家公司风控团队和营销团队分别使用两套完全独立的客户标签体系。风控团队基于人行征信和内部黑名单，将客户分为A、B、C、D四个等级；营销团队基于消费行为和渠道来源，将客户分为高价值、潜力、沉睡、流失四类。两个团队的数据互不相通，会议桌上经常上演这样的对话：营销总监拍着桌子说“风控卡得太死，我们好不容易从抖音拉来的新客，有一半被拒贷了”；
风控总监反唇相讥“你们拉来的客户逾期率高出平均水平40%，我们是在帮公司止损”。
这种割裂状态并非个案。根据我接触过的30多家银行、保险、消费金融公司的数据治理项目，超过70%的企业在风控和营销两个部门之间没有建立统一的数据交换机制。这直接导致两个后果：获客成本居高不下，坏账率难以有效控制。
“双轮驱动”的核心不是让风控和营销分别做数据分析，而是让它们共享同一个数据底座、同一个决策逻辑、同一个反馈闭环。只有当风控模型的输出直接成为营销策略的输入，营销活动的效果数据反向优化风控模型时，才算真正实现了双轮驱动。
本文将从三个层面拆解这个闭环的构建方法：数据层的统一标签体系、决策层的协同机制、评估层的ROI衡量体系。我会结合自己做过的项目案例和踩过的坑，给出可落地的操作建议。
在过去几年的咨询工作中，我总结出三种最常见的割裂场景，它们几乎出现在每一家金融企业的数据治理审计报告中。
场景一：标签体系各自为政。风控团队用“风险评分”作为核心标签，取值范围0-1000，分数越低风险越高。营销团队用“客户生命周期价值”作为核心标签，分为高、中、低三档。两个标签体系没有任何映射关系，导致同一个客户在风控系统里是“低风险客户”，在营销系统里却是“低价值客户”。营销团队因此放弃对这个客户的营销投入，而实际上这个客户只是消费频次低但信用良好，恰是房贷、车贷的优质目标客群。
场景二：决策流程相互脱节。营销活动上线前，营销团队需要向风控团队提交审批申请。风控团队根据历史数据，对营销活动覆盖的客户群体进行风险预判。但问题在于，风控团队使用的历史数据往往是T+1甚至T+7的，而营销活动需要实时响应。当审批流程走完时，最佳营销窗口期已经过去。更糟糕的是，风控团队为了避免风险，通常会设置过于保守的准入规则，导致大量优质客户被误伤。
场景三：效果评估口径不一。营销团队看的是“转化率”和“获客成本”，风控团队看的是“逾期率”和“不良率”。两个团队从未共同定义过“有效客户”的标准。营销团队引以为傲的“月活用户增长”，在风控团队看来就是“高风险客户池扩大”。这种KPI冲突导致两个部门在资源分配上持续博弈，最终受损的是公司整体利润。
2021年，我参与了一家城商行的数据中台改造项目。这家银行零售业务部门有独立的营销数据仓库，信用卡中心有独立的风控数据仓库，两个仓库之间没有数据交换管道。零售业务部门每月向客户推送理财、基金产品信息，转化率大约在3%-5%之间。信用卡中心每月向客户推送账单分期、现金分期业务，转化率更低，只有1%-2%。
项目初期，我们做了一次数据资产盘点，发现了一个惊人的事实：零售业务部门的优质客户名单中，有38%的客户已经被信用卡中心标记为“高风险”或“关注类”。这意味着，银行在向这些客户推送理财产品时，不仅营销成本打了水漂，还承担了额外的信用风险。更讽刺的是，当这些客户最终逾期时，信用卡中心声称“我们从没对这些客户做过营销”，而零售业务部门则表示“我们不知道他们信用有问题”。
这个案例揭示了一个残酷的真相：在数据割裂状态下，企业不是在“营销”，而是在“盲打”。每一分营销投入，都有相当比例是在为高风险客户买单。
项目组随后做了三个月的改造，核心动作只有两个：第一，建立统一的客户标签体系，将风控标签和营销标签映射到同一个客户主数据上；第二，建立联席决策机制，所有营销活动在上线前必须同时通过风控和营销两个系统校验。改造完成后，零售业务部门的营销转化率从4.2%提升到6.8%，信用卡中心的不良率下降了0.3个百分点。背后逻辑很简单：营销团队不再向高风险客户推送产品，风控团队也通过营销数据发现了更多优质客户线索。
这是最常见的技术导向误解。很多金融科技公司将“双轮驱动”理解为“同时部署风控模型和营销模型”，然后让两个模型各自独立运行。这种做法的本质仍是“数据孤岛”，只不过把孤岛从部门层面换成了模型层面。
真正的双轮驱动要求风控和营销共享同一个决策引擎，而不是各自拥有独立的模型。这个决策引擎的输入是客户行为数据，输出是“风险评分+营销策略”的组合。决策逻辑是：根据客户的风险评分，自动匹配对应的营销策略。例如，风险评分在650分以上的客户，可以推送高额度、低利率的产品；评分在550-649之间的客户，推荐中等额度、标准利率的产品；评分低于550的客户，不推送任何营销信息，仅做风险监控。
很多企业认为，只要把风控数据和营销数据存到同一个数据仓库里，就算打通了。实际情况是，数据汇总只是第一步，真正的打通需要实现三个层面的统一：标签体系统一、口径标准统一、访问权限统一。
我见过一个极端案例：某保险公司将风控数据、营销数据、理赔数据全部导入Hadoop集群，但风控团队用“投保人年龄”这个字段时，取的是“投保申请日期与出生日期的差值”；营销团队用同一个字段时，取的是“保单生效日期与出生日期的差值”。两个值相差几天到几周不等，导致同一个客户在两个团队的数据视图中年龄不同。这种口径差异在单一数据源中很难被发现，直到模型上线后出现大量异常预测。
数据通核心是语义通，不是存储通。没有统一的数据字典和元数据管理，数据汇总只会把问题从孤岛变成沼泽。
在资源有限的金融企业里，管理者经常面临“风控和营销哪个更重要”的抉择。实际上，这个问题的前提本身就是错的。双轮驱动的核心是“协同”，不是“排序”。
从业务价值来看，风控是防守，营销是进攻。一支球队不可能只防守不进攻，也不可能只进攻不防守。真正优秀的球队，在进攻时已经为防守预留了空间，在防守时也在寻找反击的机会。金融企业的数据策略同样如此：好的风控策略能筛选出优质客户，为精准营销提供弹药；好的营销策略能积累更多客户行为数据，为风控模型提供训练素材。
正确的做法是：将风控和营销的KPI联合设计，而不是各自为政。例如，将“经风险调整后的营销ROI”作为双部门共同考核指标，既考核营销团队的转化效果，也考核风控团队的风险控制能力。
标签体系是双轮驱动的数据底座。我的建议是：不要试图一步到位建立完美的标签体系，而是从“最小可行标签集”开始，逐步迭代。
最小可行标签集至少包含三类标签：基础属性标签、风险类标签、营销类标签。基础属性标签包括年龄、性别、收入、职业等基础信息；风险类标签包括信用评分、欺诈评分、逾期历史等；营销类标签包括消费偏好、渠道偏好、生命周期价值等。
关键操作动作：
实时决策引擎是双轮驱动的大脑。它需要具备三个核心能力：实时接收客户行为数据、同步调用风控模型和营销模型、毫秒级返回决策结果。
从技术架构上看，实时决策引擎通常包含以下组件：
这里有一个常见的坑：很多企业认为实时决策必须使用最先进的深度学习模型。实际情况是，在金融场景中，模型的可解释性比模型本身的精度更重要。监管合规要求、客户投诉处理、内部审计都需要模型能够解释“为什么给这个客户这个结果”。因此，我在项目中通常建议优先使用逻辑回归、决策树等可解释性强的模型，除非业务场景对精度有极高要求。
联席决策机制是双轮驱动的组织保障。它解决的是“谁来决策、如何决策、如何反馈”的问题。
具体做法：
我服务过的一家股份制银行，在建立联席决策机制后，发生了一个有趣的变化：风控团队开始主动向营销团队提供“优质客户线索”。以前，风控团队只输出“黑名单”，现在他们开始输出“白名单”，那些信用评分高、但消费活跃度低的客户，这些客户正是营销团队需要重点开发的潜力客户。
衡量体系是双轮驱动的导航仪。没有统一的衡量标准，风控和营销永远无法在同一个目标下协同。
我推荐使用“经风险调整后的营销ROI”作为核心衡量指标。计算公式如下：
经风险调整后的营销ROI = (营销收入 – 营销成本 – 风险损失) / 营销成本
其中，风险损失包括：逾期损失、欺诈损失、核销损失等。这个指标的优势在于，它同时考虑了营销效果和风险成本，迫使风控和营销团队共同对结果负责。
辅助指标还包括：
反馈闭环是双轮驱动持续优化的动力来源。它让风控模型和营销模型能够不断地从对方的输出中学习。
反馈闭环的运作流程：
这个闭环的关键在于“同时流入”。如果风控系统拿到的是T+1的数据，而营销系统拿到的是实时数据，那么两个模型永远无法在同一时间点上对齐。因此，我建议企业在构建数据管道时，优先保证两个系统能够同时获取同一份数据。
这家公司成立之初就意识到数据协同的重要性，但受限于技术团队规模，一直无法实现真正的双轮驱动。2021年，他们开始使用一款开源的数据决策引擎，将风控和营销模型部署到同一个平台上。
第一阶段（前3个月）：他们先做了最小可行标签集的对齐。风控团队原有的“反欺诈评分”和营销团队原有的“用户活跃度评分”被映射到同一个客户视图上。结果发现，有15%的“高活跃度客户”同时也是“高风险客户”。这些客户通常表现为：频繁注册多个账号、频繁参加各类营销活动、但从不或很少还款。
第二阶段（3-6个月）：他们开始实施联席决策机制。所有新客营销活动上线前，必须经过风控系统的预审。预审规则很简单：反欺诈评分低于60分的客户，不参与任何营销活动；评分在60-80之间的客户，参与后需进行二次风控审核；评分高于80分的客户，正常参与营销活动。
数据变化：实施后首月，获客成本下降18%，首期逾期率下降5.2个百分点。营销团队虽然转化率从4.1%下降到3.6%，但有效客户数量反而增加了，因为更多资源被投入到优质客户上。这个案例说明，双轮驱动在初期可能会导致转化率下降，但有效客户数量和质量会提升。
这家银行的问题在于“历史包袱重”。两个核心系统，零售客户关系管理系统和信用卡风险管理系统，分别运行了15年和10年，数据模型完全不同，无法直接打通。
项目组做了两个决定：
这个方案的代价是：数据虚拟层每年需要额外投入200万左右的运维成本。但相比重构两个核心系统需要花费的5000万和18个月工期，这个方案性价比极高。上线后，银行零售业务部门的营销转化率提升2.1个百分点，信用卡中心的不良率下降0.15个百分点。按年放款量500亿计算，每年可减少不良损失约7500万。
这家农商行的数据基础非常薄弱，风控依赖人工经验，营销依赖客户经理个人关系。他们找到我时，希望一步到位实现双轮驱动。我建议他们先做两件事：
这个方案的代价是：人工成本增加，但数据积累的效率提升了。经过6个月的数据积累，他们开始训练简单的逻辑回归模型，用于自动评分。首版模型上线后，审批效率提升40%，逾期率下降1.2个百分点。这个案例说明，对于小体量的金融机构，双轮驱动可以从“人工+简单规则”起步，逐步过渡到“模型+自动化”。
| 企业规模 | 建议实施路径 | 预估工期 | 预估投入 |
|---|---|---|---|
| 年放款额<10亿的小型机构 | 从“人工+简单规则”起步，优先建立客户风险管理台账，使用Excel或简易CRM系统管理客户数据 | 3-6个月 | 10-50万 |
| 年放款额10-100亿的中型机构 | 使用开源或商业数据决策引擎，优先建立统一标签体系和联席决策机制，实施A/B测试框架 | 6-12个月 | 50-200万 |
| 年放款额>100亿的大型机构 | 自建或定制化数据决策引擎，优先解决历史系统数据打通问题，建立全面的数据治理体系 | 12-24个月 | 500-2000万 |
业务扩张期：以营销为驱动，风控为辅助。在这个阶段，企业需要快速获取客户，扩大市场份额。双轮驱动的重心应该放在“通过风控筛选优质客户，为营销提供精准目标”。建议优先建立客户分层标签体系，将客户分为“高价值优质客户”、“潜力客户”、“高风险客户”三类，然后针对不同层级的客户制定差异化的营销策略。
业务稳定期：风控和营销并重。在这个阶段，企业已经积累了足够的客户数据，需要同时优化客户获取效率和风险控制效果。双轮驱动的重心应该放在“建立统一的数据决策引擎，实现风控和营销的实时协同”。建议优先实施实时决策引擎，让风控和营销在同一个平台上运行。
业务收缩期：以风控为驱动，营销为辅助。在这个阶段，企业需要控制风险，收缩业务规模。双轮驱动的重心应该放在“通过风控模型识别高风险客户，减少营销投入”。建议优先建立风险预警机制，对高风险客户实施“只监控、不营销”的策略。
数据基础薄弱（无数据仓库，无数据治理）：优先建立数据基础设施，包括数据采集、数据清洗、数据存储。建议使用开源方案搭建数据湖，同时引入数据治理工具，确保数据质量。这个阶段不建议追求实时决策，先跑通T+1的数据链路即可。
数据基础中等（有数据仓库，但数据质量不高）：优先进行数据治理，包括数据标准化、数据质量检查、数据血缘追踪。建议引入数据治理平台，同时建立数据字典和元数据管理机制。这个阶段可以开始尝试实时决策，但需要对模型进行严格的线下验证。
数据基础良好（有完善的数据治理体系）：优先构建实时决策引擎，实现风控和营销的毫秒级协同。建议引入实时计算框架，同时建立模型监控和模型迭代机制。这个阶段可以追求更高级的能力，如自动机器学习、在线学习等。
在我接触过的项目中，有时企业会陷入“技术追求”的陷阱，认为只有使用最先进的技术才能实现最好的效果。实际情况是，技术复杂度与业务价值之间并不总是正相关。一个简单的逻辑回归模型，如果能够解决80%的业务问题，其价值远高于一个复杂的深度学习模型，但只能解决90%的问题，却需要投入10倍的成本。
取舍原则：优先选择“够用就好”的技术方案，将节省下来的资源投入到数据治理和业务理解上。数据治理和业务理解是双轮驱动的长期价值来源，而模型本身可以通过持续迭代逐步优化。
双轮驱动在初期通常会导致“阵痛期”。营销转化率可能下降，审批流程可能变慢，部门之间的摩擦可能增加。这些短期效果可能让管理者产生怀疑，甚至放弃双轮驱动的实施。
取舍原则：在实施双轮驱动之前，需要做好心理预期管理。明确告知管理层和业务部门，前3-6个月是“适应期”，效果可能不如预期；但从第6个月开始，效果会逐步显现；到第12个月，双轮驱动将带来显著的业务价值提升。建议在实施过程中设置“里程碑”，每季度复盘一次，确保项目在正确的轨道上运行。
双轮驱动的技术底座，企业可以选择自建或外采。自建的优势是灵活性高，可以根据企业需求定制；缺点是成本高、周期长、风险大。外采的优势是快速上线、成本可控；缺点是可能无法完全满足企业需求，存在供应商锁定风险。
取舍原则：核心能力自建，非核心能力外采。数据决策引擎的核心，包括标签体系、决策逻辑、模型管理，应该自建，因为这些是企业的核心竞争力。数据存储、计算引擎、监控告警等基础设施，可以外采成熟的开源或商业方案。
回到文章开头那个场景：当风控团队和营销团队在会议室里互相指责时，他们真正缺少的不是技术，而是一个“数据闭环”的思维。这个闭环让风控的输出成为营销的输入，让营销的反馈成为风控的养料，最终形成一个持续自我优化的系统。
双轮驱动的本质，不是让风控和营销各自变得更强，而是让它们通过数据形成一个更强的整体。这个整体能够更精准地识别客户价值、更有效地控制风险、更快速地响应市场变化。
如果你正在推进双轮驱动的实施，我建议你从以下三个问题开始：
如果这三个问题的答案都是“否”，那么你的双轮驱动还停留在口号阶段。如果至少有一个答案是“是”，那么你已经走在正确的道路上。下一步，是补齐剩余的短板，让数据闭环真正运转起来。
数据不会说谎，但你需要一个能听懂数据说话的系统。双轮驱动，就是那个系统。
读者评论
作为金融风控从业者，文章描述的“数据孤岛”场景太真实了。我们公司就存在营销和风控标签体系不统一的问题，导致大量优质客户被误判。文中提到的“经风险调整后的营销ROI”指标很有启发，但实际推动两部门建立联席决策机制阻力很大，需要高层直接介入。
文章案例很详实，特别是城商行38%营销投入浪费在风险客户上的数据触目惊心。不过统一标签体系说起来容易做起来难，光是数据字典统一和元数据管理就需要大量投入。建议中小金融机构先做最小可行标签集，再逐步迭代。
双轮驱动关键不在技术，而在组织协同。我经历过营销团队为了KPI拼命拉新，结果风控团队被迫提高拒贷率，双方互相甩锅。文章提出的联席决策委员会和A/B测试机制如果能落地，确实能改善这种内耗，但需要改变考核机制，不能只看单部门指标。