非风险|互联网金融中可做的17个模型互联网金融

编辑导语：模型的使用有助于帮助获得相应数据，进而推动业务目标的实现。与此同时，模型的使用需要依据业务核心目标来确定。本篇文章里，作者介绍、总结了互联网金融可做的17个模型，并对模型的应用注意事项做了相应总结，一起来看一下。

文章插图
模型的存在是基于一个事实，基于概率的决策是最优的。概率转化为评分，方便对齐风险。评分就是用统计的方法来识别潜在客户，判断客户是否合意。
合意由我们事先定义，可以是诸如风险、收益率、响应率、续借意愿、违约后的偿还意愿等等。
那么，业务中一系列环节都可以采用模型方案，我们要说风控中哪些模型可做，就变相地在讨论业务上有哪些环节可以做精细化策略。
01 1）申请评分卡模型
预测是否该通过客户的借款申请。借款行为的发生就像泼出去的水，一旦发生，就无法被撤回。所以要尽可能准确地判断客户会否偿还该笔借款。贷前如果一个客户的评分过低可以直接拒绝，而通过的客户也可以根据评分高低制定差异化初始额度。
2）行为评分卡模型
基于客户发生的行为，重新评估客户的风险。授信通过后的用户产生一系列行为数据，例如借了几笔贷款、间隔多久、还款习惯怎么样等等，这些数据进一步刻画了用户的可信任度。
贷中管理，在不同时间点对客户基于更新的数据情况重新评估风险，是精细化用户管理必须做的事情。
3）提额模型、息费敏感模型
前者预测可以增加额度的客户，以及必须减少额度或者取消额度的客户；后者是预测哪些用户对息费敏感，这部分人升息就可能导致其利用率急剧下降。
这也是精细化运营的工作，也可以说属于行为评分的范畴。因为贷款机构的目标正在从降低借款人在贷款产品中的违约率变成提高客户带来的利润率。
4）催收评分卡模型
预测无须采取措施或者必须采取措施进行催收的客户。一些逾期行为能自行修正，一些只需要适当的提醒，剩下的那部分借款人才需要采取严厉的措施。
不仅是要不要催的问题，还可以建模预测什么时候催、以什么方式催，从而智能分配话务员在最优的催收时间下选用最优的催收话术和客户对话。
另外，要和客户对话得先联系上客户，于是还有失联修复的问题。
5）多头风险模型
从多头共债的角度预测客户的违约风险。多头借贷变量涉及到共债信息，与还款能力和还款意愿挂钩，多头严重就存在借新还旧的可能，一旦有平台拒借，客户就丧失了还款能力，一旦还不起，也可能就不愿意还了。用多头变量来预测逾期风险，效果通常较好。
多头模型还可以采用另一个方案，以多头程度为目标变量，就变成了多头借贷预测模型。多头和信用风险一样，是动态变化的，预测用户通过之后的多头严重程度，也是有意义的。并且其优势是可以利用申贷样本建模，因为不需要有滞后的风险表现。
02以逾期为目标变量的模型，正如上面我们提到的大多数，都是风险模型。但也有很多非风险模型，这些非风险模型，广泛地应用于量化增长的场景，例如如拉新、促活等。AARRR。
6）用户现金贷需求预测
预测客户有无现金贷款的需求。面向支付的花呗显然用户规模远远多于面向借款的借呗，因为更多的人是为了支付便利而使用支付宝，而不是借款提前消费。对有现金贷需求的客群去营销，才能对症下药。
7）营销响应模型
预测不同触达方式下客户的响应率。不同的人对同一个触达方式的反应是不一样的，有些人看到短信就愿意来，甚至有些人会自然找上门来，有些人则需要优惠券需要福利才愿意尝试你的产品。差异化触达是更有效率的做法。