5分鐘修煉“額度授予模型”內功
在信貸行業,風控技術人員 TOP5 頭疼事件排行榜上,額度授予模型一定榜上有名;今天我就借這個機會,好好說說額度授予模型。
金大師筆下的江湖暫告一段落,金融風控的修行卻永遠在路上。
俗話說的好:
- 產品有三寶:彈窗,浮層加引導。
- 設計有三寶:透明,陰影加圓角。
- 運營有三寶:短信,push加紅包。技術有一寶,這個做不了。
在信貸行業,風控技術人員TOP5頭疼事件排行榜上,額度授予模型一定榜上有名。
今天我就借這個機會,抖抖額度授予模型的寶。
額度授予模型的難度主要來源于模型的驗證過程:
1. 驗證額度模型需要大量數據
風險預測模型中,模型的輸出可以和客戶的實際違約情況進行對比,從而一較高下;但是對于額度模型,每一個客戶都是獨特的,且只有一次被額度授予的機會,所以無法監督哪一個額度模型的表現更好。
2. 驗證額度模型需要較長時間
額度模型的好壞,最常用的一把尺子是客戶帶來的利潤,為了觀測到客戶帶來的利潤,常常要追蹤客戶1到2年。在國內瞬息萬變的信貸市場,等到這個時候可能黃花菜都涼了。
雖然驗證不易,但是在沒有足夠的數據和驗證時間的情況下,還是有一些基本原則可以助我們逆風翻盤:
一、初級階段
額度矩陣理解起來很簡單,就是選取合適的指標區分客群來授予額度。
我們用風險作為唯一決策因子舉一個例子:
- 確定額度范圍:通過分析產品想要針對的客群,從而找到一個適當的額度范圍。比如說藍領貸款額度在3000到1萬之間;白領的貸款額度在5000到3萬之間;
- 確定風險因子:選擇一個評估客戶風險程度的指標,比如說使用融慧提供的多頭分;
- 有了上面兩步,就可以快速地確定額度授予了(以藍領為例):
在單因子的基礎上加入更多的考慮因子,比如說收入,就可以組成一個更多元的額度矩陣。
這樣的額度矩陣非常適合剛剛開始貸款業務的機構,例如如下矩陣:
因為客戶自己填寫的收入往往難以驗證,也可以考慮使用其他的指標代替,比如說居住小區房價、職業、生活習慣等畫像類指標代替。這些維度的引入可以使額度矩陣更加復雜,也更加準確。
不過,到哪里去找這些變量呢?
上面提到的風險和客戶畫像,是融慧金科最擅長的領域;歡迎后臺留言垂詢。
二、中級階段
當機構在積累了一定的數據之后,可以通過建模來更科學地進行額度授予。具體的指導思想則是以利潤為衡量的標尺,找尋利潤最大化的點。
現金貸的利潤 = 收入 – 損失 = 貸款金額 x 利率 – 違約金額
在授信額度比較低的時候,額度增高,客戶可借款增加,收入增長的速度快。但是當授予額度超過好人可以償還的范圍的時候,好人的額度使用率會下降,導致借款增長緩慢,收入放緩。
與此同時,壞人的額度使用率仍然會維持在100%左右,于是損失迅速增長。模型的目標就是模擬每一個客戶的收入和損失,找到使利潤一階導為0,利潤最大化的額度;這個就是我們的最優額度。
舉一個簡單的例子:
我們假設今天是Mate20手機(價值5000元)發售的日子。所有好人的借款目的都是購買Mate20。當授信額度低于5000塊,好人一定會取完授信額度。但是當授信額度超過5000塊錢以后,好人不會多取。與此同時,壞人一定會取現完所有授信額度。
假設客群的利息為18%,逾期概率為10%,那么:
這個客群的最優的額度授予應該為5000,每位客人的最大利潤為 5000 x (0.18-0.1) = 400元。
這個例子看上去是不是特別簡單?
但是實際運用中可能牽扯到上百種變量和數十個模型。于是引出了接下來我們要介紹的機器學習模型。
三、高級階段
我們為什么需要機器學習模型?
原因就在于中級階段預測利潤的模型有兩個缺點:
- 邏輯回歸模型不能抓住非線性的關系;
- 實際運用中,預測利潤往往牽扯到數十個模型疊加,所以更新模型十分耗時。
機器學習模型中,KNN模型適合用于額度模型,可以解決邏輯回歸模型的以上兩個缺點。
KNN模型,也叫最近鄰居法,它的思路如下:
- 給大量客戶(客戶群體A)隨機進行額度授予,并追蹤他們的表現;
- 利用最近鄰居法在群體A中找到和申請人B相似的客群子集(子集C);
- 子集C里面的客戶群體因為被隨機分配了不同的額度,同時不同的額度帶來了不同的客戶表現,我們可以直接給申請人B授予子集C中使客戶利潤最大化的額度。
看到這里,大家一定 敬 (云) 佩 (里) 不 (霧) 已 (里),所以我們特別做了一個圖:
從上面的介紹可以看出:KNN模型最大的困難就是積累足夠多的隨機樣本來進行建模。這也呼應了我們一開始提出的額度授予模型的難題。不過基于以上的分享,我相信每個階段的公司,都可以找到適合自己現階段發展情況的額度方法,進行額度授予。
以上就是今天的5分鐘。
上面的例子看上去簡單,但額度模型的構建其實是復雜困難的,不過獅子座屬虎的女明星曾經給我們端上一碗雞湯。
本文由 @融慧金科 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。
- 目前還沒評論,等你發揮!