失联模型小结

适应新环境,工作繁忙,又想笔耕不辍,因此果断水一篇。

贷后一般有三类模型,失联模型、账龄滚动率(迁徙率)模型和还款率模型。

失联模型的目的在于,信息修复、提前委外,难点在于如何准确定义失联。这让我想到了之前部门搞的反欺诈模型,由于标签定义的问题,上线后性能下降非常快,可能对于反欺诈问题,异常检测算法更加适用。

一、失联类型与定义

失联的类型可分为如下几类:

完全失联,指客户完全联系不上。

1-7天失联,指客户在dual-day7天内联系不上。

TPC失联,指拨打客户有关系第三方的联系人也联系不上。

失联的定义一般来自具体业务场景的定义,包括:无法接通、停机空号、拒绝关机等。

二、模型的数据源

交易情况、贷款余额情况、额度占有情况、最近一次联系客户的情况、户籍信息、工作家庭情况、历史催收情况等,具体点的变量可以查阅参考资料1,做了不错的分享,选取某个变量在下方截图示例。

个人认为,比较强的变量主要是外呼类数据、上次联系到距今的时间差、跳票情况,作者提到的联系人信息中(TPC)是否有父母等也蛮有意思的,但估计不会是太强的变量。

三、模型应用

这部分直接摘自参考资料1,与之前给部门做的方案思路一致。实际上,去观察M0-M1、M1-M2模型的交叉风险矩阵,会发现一个很有意思的现象,对于M0-M1评分很高的优质客户,一旦进入M1,那么M1-M2的评分是很低的,彻底坏掉的风险极高,业务上有时未必意识的到。

附,参考资料:

1、金融风控干货篇:失联模型,https://mp.weixin.qq.com/s/elGDKSn1U_XE2vdMB8QMKw

2、失联用户画像分析--续,https://mp.weixin.qq.com/s?__biz=MzU3MzcwMTMwNA==&mid=2247483990&idx=1&sn=721c8cbe7f77d197661fb35c6d3effc3&chksm=fd3cef81ca4b6697ab85471d27e26198f38e00b26104977c5c0d90f9c98d57b4d220d60d4b5d&mpshare=1&scene=24&srcid=#rd

推荐阅读更多精彩内容