編輯導語：模型的使用有助于幫助獲得相應數據，進而推動業務目標的實現。與此同時，模型的使用需要依據業務核心目標來確定。本篇文章里，作者介紹、總結了互聯網金融可做的17個模型，并對模型的應用注意事項做了相應總結，一起來看一下。

模型的存在是基于一個事實，基于概率的決策是最優的。概率轉化為評分，方便對齊風險。評分就是用統計的方法來識別潛在客戶，判斷客戶是否合意。

合意由我們事先定義，可以是諸如風險、收益率、響應率、續借意愿、違約后的償還意愿等等。

那么，業務中一系列環節都可以采用模型方案，我們要說風控中哪些模型可做，就變相地在討論業務上有哪些環節可以做精細化策略。

01

1）申請評分卡模型

預測是否該通過客戶的借款申請。借款行為的發生就像潑出去的水，一旦發生，就無法被撤回。所以要盡可能準確地判斷客戶會否償還該筆借款。貸前如果一個客戶的評分過低可以直接拒絕，而通過的客戶也可以根據評分高低制定差異化初始額度。

2）行為評分卡模型

基于客戶發生的行為，重新評估客戶的風險。授信通過后的用戶產生一系列行為數據，例如借了幾筆貸款、間隔多久、還款習慣怎么樣等等，這些數據進一步刻畫了用戶的可信任度。

貸中管理，在不同時間點對客戶基于更新的數據情況重新評估風險，是精細化用戶管理必須做的事情。

3）提額模型、息費敏感模型

前者預測可以增加額度的客戶，以及必須減少額度或者取消額度的客戶；后者是預測哪些用戶對息費敏感，這部分人升息就可能導致其利用率急劇下降。

這也是精細化運營的工作，也可以說屬于行為評分的范疇。因為貸款機構的目標正在從降低借款人在貸款產品中的違約率變成提高客戶帶來的利潤率。

4）催收評分卡模型

預測無須采取措施或者必須采取措施進行催收的客戶。一些逾期行為能自行修正，一些只需要適當的提醒，剩下的那部分借款人才需要采取嚴厲的措施。

不僅是要不要催的問題，還可以建模預測什么時候催、以什么方式催，從而智能分配話務員在最優的催收時間下選用最優的催收話術和客戶對話。

另外，要和客戶對話得先聯系上客戶，于是還有失聯修復的問題。

5）多頭風險模型

從多頭共債的角度預測客戶的違約風險。多頭借貸變量涉及到共債信息，與還款能力和還款意愿掛鉤，多頭嚴重就存在借新還舊的可能，一旦有平臺拒借，客戶就喪失了還款能力，一旦還不起，也可能就不愿意還了。用多頭變量來預測逾期風險，效果通常較好。

多頭模型還可以采用另一個方案，以多頭程度為目標變量，就變成了多頭借貸預測模型。多頭和信用風險一樣，是動態變化的，預測用戶通過之后的多頭嚴重程度，也是有意義的。并且其優勢是可以利用申貸樣本建模，因為不需要有滯后的風險表現。

02

以逾期為目標變量的模型，正如上面我們提到的大多數，都是風險模型。但也有很多非風險模型，這些非風險模型，廣泛地應用于量化增長的場景，例如如拉新、促活等。AARRR。

6）用戶現金貸需求預測

預測客戶有無現金貸款的需求。面向支付的花唄顯然用戶規模遠遠多于面向借款的借唄，因為更多的人是為了支付便利而使用支付寶，而不是借款提前消費。對有現金貸需求的客群去營銷，才能對癥下藥。

7）營銷響應模型

預測不同觸達方式下客戶的響應率。不同的人對同一個觸達方式的反應是不一樣的，有些人看到短信就愿意來，甚至有些人會自然找上門來，有些人則需要優惠券需要福利才愿意嘗試你的產品。差異化觸達是更有效率的做法。

8）借款可能性預測模型

預測客戶未來一段時間內發生借款行為的概率?？蛻艚柽€一次，帶來的利潤是不夠的，實際上，因為獲客的成本不斷增加，優質客戶多次借款才能覆蓋成本。對借款可能性的預估，可以幫助你更好地服務這些稀客。如遇到資金儲備不足，也可以限制對這些人的營銷，防止集中借款導致資金缺乏。

9）客戶流失模型

預測客戶未來一段時間內會不會流失，和借款可能性大致相反。對于高流失可能的客戶，應該盡早地想辦法挽留，因為一旦流失，重新喚醒的難度不亞于一個純新戶的獲客。

10）甚至是，模型分的有效性預測模型

模型預測的高分段好用戶多，低分段壞用戶多，但并不都是好用戶或壞用戶。評分的效用是群體有效，而非個體有效。那預測結果和真實表現差別大的群體，就是模型分有效性不足的群體，這部分客群如果能有效地被識別出來，就不應該采用這個評分工具。

03

量化增長一般較少考慮風險，增長和風險分開能夠使得效率最大化。還有一些非風險模型應用場景不限于信貸的。

11）收入模型

預測客戶的收入情況。收入模型可能是應用場景最多元化的模型之一了。在風險層，高收人群至少避免了因還款能力不足導致逾期的可能。在非風險層，高收人群尤其是營銷獲客的香餑餑，甚至很多增長運營團隊的核心指標就是此類客戶的數量。

12）負債模型

預測客戶的負債情況。收入的另一面就是負債，客戶顯然更愿意支付房貸、車貸等大件物品的每月賬單，剩下的才是用戶的可用流水。負債收入比過高，貸款逾期風險往往就很高。

13）破產模型

預測具有破產可能性的客戶或者企業。相比之下，企業的同質樣本比個人的同質樣本少得多，而且企業的財務數據容易被高管們操縱，導致企業破產模型的預測效果一般不如個人的模型效果好。

14）職業模型

預測客戶的職業。挖掘一個人屬于什么工作單位或崗位，可以進一步評估工作穩定性。在風控領域，職業的預測并沒有收入負債的預測應用的那么直接，至少可以理解為，職業可以進一步評估個人收入水平和收入穩定性。

15）有孩模型

預測客戶是否有子女。有穩定家庭的客戶，風險表現一般就更好。甚至你的信貸產品可以為此類客群定制一套借還款策略。其他場景的應用就不用提了，母嬰品是一個大類，針對這些人去營銷吧。

16）有房模型

預測客戶是否有房產。有房的客戶除了相對更高收外，也大概率有房貸，存在兩面性。有房可以確保的一點是更穩定。一般客群質量是自住>與父母同住>合租。

04

有一個貫徹營銷場景、信貸場景、支付場景等幾乎所有場景的模型，那就是反欺詐模型。

17）反欺詐模型

識別欺詐用戶。欺詐主要可分為一方欺詐和三方欺詐。一方欺詐是指申請人自身的欺詐行為；三方欺詐是第三方盜用、冒用他人身份進行欺詐，申請者本人并不知情，比如團伙利用非法收集的身份證進行欺詐。

其實還有兩方欺詐，是內部人員勾結的欺詐，一般不在考慮范圍。

營銷中，有刷單、套現、黃牛等風險，這些就可以定義為欺詐。信貸中，有擼口子大軍摩拳擦掌，他們借到了多少錢就是掙了多少錢，對于騙貸的人來說任何催收勸還都是無效的。支付中，又存在盜刷、洗錢等風險。還有電信詐騙等等。

05

我們額外說一說大家都知道的信用評分，芝麻信用分、微信支付分和小白守約分。

無論是天貓淘寶的消費還是花唄支付的海量交易數據，都可以用來評價個人的還款能力和意愿。結合著馬斯洛需求理論，也就是生理、安全、情感、尊重、自我實現依次升級，越能體現高級需求的數據越可以給更高的權重。也就是說重要的不是單次購買行為，而是消費習慣。

而那些店鋪商家，平臺有他們所有的交易、資金、物流信息，都可以用來作為金融服務的依據。

你掌握了一個人的人際關系，就掌握了這個人。社交關系鏈，不僅可以用來評估信用，還能直接作為質押物，因為每個人都在乎它，而且很在乎。

而小白守約，與此類似。

06

評分是信貸業務中最有用的一件工具，但不僅僅信貸。許多業務場景都會用到評分。

保險公司使用它來評估參保人的風險偏好，或者汽車事故的風險。

正好借此說明，模型不能濫用，一個人信用評分越高，很可能風險偏好越低，這些人不冒險反而就不會去購置保險。保險公司用信用評分去篩選客戶，找到的可能都是這些非目標客群。

醫院中使用它去判斷哪些病人最需要特殊治療，也需要判斷不同醫療措施下病人的生存時間。

抖音快手這些短視頻平臺使用它去預測用戶直播觀看的可能性，好確定是否給你的發現頁插入直播推薦。也需要預測用戶觀看視頻的意愿度，好使得推薦的結果是點擊率高且觀看時長長。

一句話，排序 is all you need！

07

業務的理解能力是可以共通的，任何一個人都可以通過搜集歸納比較容易地了解互聯網場景的業務模式，但是其真正的困難在于每個業務背后復雜多變的真實需求，即怎么在具體場景實現以流量或者盈利為目的的最優決策。

業務目標決定了模型目標，模型目標決定了用到的數據。我們可以有很多模型，但業務最核心的目標是唯一的。

當你有這么多模型之后，你要怎么用呢？

多個模型同時通過或者拒絕的，當然好辦，它沒有改變單個模型的決策結果，給了你更大的決策信心。但是，一個模型說“通過”，另一個模型說“拒絕”，這個問題是不是就費解了。

沒那么糟糕，相反，這是改善決策的機會。如果模型都相同，多個就是一個。

我們可以制定兩個模型分的交叉效果表，下圖是一個示例，如果用定制模型通過8個格子，進一步和通用模型交叉后，置換其中一個格子，往往都能獲得更好的風險表現。實際上，通過交叉，通過率也能得到提高。

但是請注意，你不能串行地使用模型。除非這真的是你想要的結果。

本文由@雷帥 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議