柚子快報(bào)邀請(qǐng)碼778899分享：信貸產(chǎn)品設(shè)計(jì)和風(fēng)控分析

http://yzkb.51969.com/

0 前言

以下將結(jié)合個(gè)人專業(yè)理解、3年銀行小微信貸風(fēng)控分析(B端）工作經(jīng)驗(yàn)和近期求職情況，就“信貸產(chǎn)品設(shè)計(jì)和數(shù)據(jù)分析”課題作相關(guān)經(jīng)驗(yàn)/考察點(diǎn)的分享總結(jié)，見(jiàn)識(shí)有限僅供參考。 （全文字?jǐn)?shù)總計(jì)1.3W+，歸納編輯不易，有問(wèn)題歡迎指正，喜歡歡迎點(diǎn)贊收藏）

PS：面經(jīng)分享 簡(jiǎn)歷構(gòu)成： 個(gè)人信息基本信息+教育背景+專業(yè)技能+工作內(nèi)容+項(xiàng)目經(jīng)驗(yàn) 自我介紹： 個(gè)人基本信息——入職公司和基本介紹——在職部門和角色——主要工作內(nèi)容——項(xiàng)目經(jīng)驗(yàn)和突出成果——個(gè)人訴求和意向說(shuō)明——總結(jié)和重點(diǎn)突出個(gè)人優(yōu)勢(shì)和崗位匹配度。 【注意】建議準(zhǔn)備2/3/5/8分鐘不同版本自我介紹，一般不宜超過(guò)5分鐘。

1 信貸基礎(chǔ)

1.1 金融機(jī)構(gòu)

中國(guó)的金融業(yè)實(shí)行的是分業(yè)經(jīng)營(yíng)分業(yè)監(jiān)管，監(jiān)管層分別是中國(guó)金融穩(wěn)定發(fā)展委員會(huì)、中國(guó)人民銀行、中國(guó)證券監(jiān)督委員會(huì)（簡(jiǎn)稱“證監(jiān)會(huì)”）和中國(guó)銀行保險(xiǎn)監(jiān)督委員會(huì)（簡(jiǎn)稱“銀保監(jiān)”），俗稱“一委一行兩會(huì)”，所以人行和銀保監(jiān)是監(jiān)管機(jī)構(gòu)。

銀行是經(jīng)濟(jì)體系中最為重要的金融機(jī)構(gòu)之一，以中央銀行（即中國(guó)人民銀行）為核心的銀行體系如下： 1. 銀行金融機(jī)構(gòu)：

政策性銀行：國(guó)家開發(fā)銀行、中國(guó)進(jìn)出口銀行 、中國(guó)農(nóng)業(yè)發(fā)展銀行國(guó)有商業(yè)銀行（6大行）：中國(guó)銀行、農(nóng)業(yè)銀行、工商銀行、建設(shè)銀行、交通銀行、郵儲(chǔ)銀行股份制銀行：招商、興業(yè)、浦發(fā)、中信、廣發(fā)、平安、民生、光大銀行，等地方商業(yè)銀行：重慶銀行、上海銀行、長(zhǎng)沙銀行，等農(nóng)村銀行體系：農(nóng)村信用社、村鎮(zhèn)銀行、農(nóng)村商業(yè)銀行、農(nóng)村資金互助社，等外資銀行

【附】一般銀行網(wǎng)點(diǎn)懸掛的證書有：營(yíng)業(yè)執(zhí)照、金融許可證、外幣經(jīng)營(yíng)許可證

2. 非銀行金融機(jī)構(gòu)： 非銀行金融機(jī)構(gòu)包含所有下發(fā)金融牌照的法人企業(yè)，與銀行的主要區(qū)別在于不能吸收公眾存款，主要表現(xiàn)形式如下： 保險(xiǎn)、證券、基金、小額貸款公司、汽車金融公司、消費(fèi)金融公司、信托公司、融資租賃公司，等

1.2 銀行業(yè)務(wù)

1.3 銀行系統(tǒng)

銀行常見(jiàn)系統(tǒng)及其功能：

渠道系統(tǒng)：開戶、身份核實(shí)、申請(qǐng)、簽約、還款，等；信貸系統(tǒng)：準(zhǔn)入策略、流程配置、客戶管理、業(yè)務(wù)管理（貸前-貸中-貸后）、統(tǒng)計(jì)查詢、押品管理等、信貸業(yè)務(wù)，記錄客戶信息、授信信息、合同信息、押品信息、擔(dān)保信息等；網(wǎng)貸系統(tǒng)：網(wǎng)貸業(yè)務(wù)管理，可作為“信貸系統(tǒng)”的子系統(tǒng)；核心系統(tǒng)：核心客戶管理、財(cái)務(wù)核算；大數(shù)據(jù)平臺(tái)：數(shù)據(jù)落地、數(shù)據(jù)加工（工商/稅務(wù)/司法等）；征信平臺(tái)：征信查詢，查詢方式API或WEB；網(wǎng)銀系統(tǒng)：交易結(jié)算、業(yè)務(wù)申請(qǐng)（移動(dòng)性較差安全性更高）；手機(jī)銀行：交易結(jié)算、業(yè)務(wù)申請(qǐng)；短信服務(wù)平臺(tái)：短信通知；電子簽章服務(wù)：數(shù)據(jù)證書簽章；影像服務(wù)平臺(tái)：存儲(chǔ)電子影像、文檔等；企業(yè)服務(wù)總線（ESB）：連接中樞、協(xié)調(diào)服務(wù)（為各系統(tǒng)提供交互服務(wù)并提高安全性）；云估服務(wù)平臺(tái)：押品詢價(jià)，抵押物在線評(píng)估系統(tǒng)。

1.4 信用貸款

1.4.1 個(gè)人信貸

個(gè)人貸款（簡(jiǎn)稱“個(gè)貸”）又稱零售貸款業(yè)務(wù)。個(gè)人貸款是指銀行或其他金融機(jī)構(gòu)向符合貸款條件的自然人發(fā)放的用于個(gè)人消費(fèi)、生產(chǎn)經(jīng)營(yíng)等用途的本、外幣貸款。個(gè)人貸款種類如下：

個(gè)人住房貸款個(gè)人公積金貸款個(gè)人汽車貸款個(gè)人教育助學(xué)貸款個(gè)人綜合消費(fèi)貸款個(gè)人經(jīng)營(yíng)貸款個(gè)人信用貸款個(gè)人存單（國(guó)債）質(zhì)押貸款

1.4.2 小微信貸

小微信貸是指小微企業(yè)的信貸業(yè)務(wù)，企業(yè)為了生產(chǎn)經(jīng)營(yíng)的需要，向銀行或其他金融機(jī)構(gòu)按照規(guī)定利率和期限的一種借款方式。 因?yàn)樾∥⑵髽I(yè)的信貸需求具有 “短、小、頻、急”的特點(diǎn)，其小額、短期、分散的特征更類似于零售貸款，他們對(duì)資金流動(dòng)性的要求更高。小微企業(yè)客戶主要集中在以下幾個(gè)行業(yè)：

F_批發(fā)和零售業(yè)C_制造業(yè)E_建筑業(yè)M_科學(xué)研究和技術(shù)服務(wù)業(yè)L_租賃和商務(wù)服務(wù)業(yè)G_交通運(yùn)輸、倉(cāng)儲(chǔ)和郵政業(yè)I_信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)

1.5 信貸數(shù)據(jù)源

信貸數(shù)據(jù)源如： 個(gè)人征信、企業(yè)征信、工商、司法、行內(nèi)、稅務(wù)、流水、銀聯(lián)、發(fā)票、電商交易數(shù)據(jù)、運(yùn)營(yíng)商數(shù)據(jù)，其他場(chǎng)景類數(shù)據(jù)等

【說(shuō)明】征信是信貸風(fēng)控重要數(shù)據(jù)源，征信報(bào)告解讀和應(yīng)用可參考《信貸風(fēng)控分析—征信數(shù)據(jù)源》 （鏈接：https://blog.csdn.net/csdnbt/article/details/137276502?spm=1001.2014.3001.5501）

第三方數(shù)據(jù)的評(píng)估標(biāo)準(zhǔn)：

定量指標(biāo)：查得率（體量）、覆蓋率（區(qū)分度）、準(zhǔn)確率、穩(wěn)定性，等（見(jiàn)下圖-數(shù)據(jù)質(zhì)量評(píng)估）價(jià)格成本：逐筆收費(fèi)、階梯型收費(fèi)、獨(dú)立收費(fèi)、系統(tǒng)相關(guān)收費(fèi)可遷移性合規(guī)性

1.6 信貸風(fēng)險(xiǎn)管理

風(fēng)險(xiǎn)管理全流程策略：

貸前包含七大內(nèi)容：準(zhǔn)入策略、授信、定價(jià)、系統(tǒng)搭建、策略調(diào)優(yōu)、指標(biāo)監(jiān)控、策略部署；貸中覆蓋四大場(chǎng)景：貸中預(yù)警與監(jiān)控、貸中調(diào)額、存量客戶運(yùn)營(yíng)、貸中模型體系；貸后涵蓋四大內(nèi)容：貸后策略設(shè)計(jì)、不良資產(chǎn)處置、貸后指標(biāo)應(yīng)用、貸后客戶分群；反欺詐包括五大板塊：黑產(chǎn)鏈條介紹、 trigger 體系搭建、欺詐量化指標(biāo)挖掘、欺詐團(tuán)伙挖掘、反欺詐策略設(shè)計(jì)。

2 建?；A(chǔ)

2.1 sklearn建模

在實(shí)際應(yīng)用中，信貸風(fēng)控模型需要基于大量的數(shù)據(jù)和復(fù)雜的算法模型進(jìn)行訓(xùn)練和優(yōu)化，以提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性，風(fēng)控模型最常用的如邏輯回歸（LR）、XGBOOST ，等。

一般建模步驟：

數(shù)據(jù)準(zhǔn)備： pd.read_excel()/pd.read_csv() /pd.concat（[df1,df2]）；數(shù)據(jù)清洗（含特征工程）：

唯一性檢查：df.drop_duplicates(inplace=True)缺失值檢查：系統(tǒng)原因、前端錄入原因、接入征信公司原因——替代、刪除、保留法處理異常值檢查：刪除、替換、蓋帽法處理——連續(xù)變量均值上下三倍標(biāo)準(zhǔn)差范圍外的記錄替換為均值上下三倍標(biāo)準(zhǔn)差值z(mì)ero-rate，等數(shù)據(jù)洗牌：sklearn.utils.shuffle(df)穩(wěn)定性驗(yàn)證：PSI、平均值/方差、IV

【IV】子分箱IV(i)=（好客戶比-壞客戶比）*WOE(i）=（好客戶比-壞客戶比）*ln(好客戶比/壞客戶比）

數(shù)據(jù)集劃分（隨機(jī)抽樣和分層抽樣）：sklearn.model_selection.train_test_split(x,y,test_size=0.3, random_state=)模型構(gòu)建和訓(xùn)練：

構(gòu)建分類模型如：決策樹、隨機(jī)森林、邏輯回歸、線性判別、KNN、貝葉斯、支特向量機(jī)、神經(jīng)網(wǎng)絡(luò)，等（見(jiàn)上節(jié)）網(wǎng)格調(diào)參（網(wǎng)格搜索 +交叉驗(yàn)證）：sklearn.model_selection.GridSearchCv(estimator).fit(x_train_woe ,y_train)

模型預(yù)測(cè)和驗(yàn)證：

測(cè)試集預(yù)測(cè)：predict(x) / predict_proba(x)交叉驗(yàn)證（選擇穩(wěn)健模型，避免過(guò)擬合）：sklearn.model_selection.cross_val_score()

【*k折交叉驗(yàn)證*】：k折交叉驗(yàn)證將所有數(shù)據(jù)集分成k份，不重復(fù)地每次取其中一份做測(cè)試集，用其余k-1份做訓(xùn)練集訓(xùn)練模型，之后計(jì)算該模型在測(cè)試集上的得分，將k次的得分取平均得到最后的得分。

模型評(píng)估（混淆矩陣、AUC、KS、PSI，等）：

準(zhǔn)確性：sklearn.metrics.accuracy_score(y_true, y_pred) /precision_score() /recall_score() /f1_score() /r2_score() /confusion_matrix(test_y,y_pred)區(qū)分度：roc_curve(y_true, y_scores, pos_label=1) / auc(fpr,tpr) /roc_auc_score(test_y,ypred) / KS曲線

【*KS*】KS曲線是好壞客戶累計(jì)占比的差值，KS值是KS曲線出現(xiàn)的最大值，是鑒別好壞客戶的最佳點(diǎn)，KS值越高代表兩者距離越大，對(duì)應(yīng)的在該分?jǐn)?shù)下區(qū)分度越好。

【*GINI*】洛倫茨曲線是用來(lái)評(píng)估評(píng)分卡鑒別效果的標(biāo)準(zhǔn)圖表，橫縱軸是累計(jì)的好壞客戶比例，GINI=A/(A+B)，基尼系數(shù)越大表示模型鑒別力越高，45度線代表隨機(jī)模型不具備區(qū)別能力。

【*AUC*】ROC曲線是以在所有可能的截?cái)帱c(diǎn)分?jǐn)?shù)下，計(jì)算出來(lái)的對(duì)評(píng)分模型的誤授率和1-誤拒率的數(shù)量所繪制而成的，AUC值為ROC曲線下方的總面積，GINI系數(shù)和AUC存在線性關(guān)系。

穩(wěn)定性：PSI=SUM(（基期占比-本期占比）*LN（基期占比/本期占比）)

模型結(jié)果保存（統(tǒng)計(jì)結(jié)果和圖形）：

繪圖：matplotlib.pyplot.plot() /title() /legend()保存結(jié)果：pickle.dump(classifier, save_classifier)載入結(jié)果： pickle.load(classifier_f)

模型監(jiān)控

【說(shuō)明】信貸風(fēng)控監(jiān)控和模型評(píng)估方法的sql實(shí)現(xiàn)可參考《信貸風(fēng)控策略/模型監(jiān)控_基于sql優(yōu)化》 （鏈接：https://blog.csdn.net/csdnbt/article/details/126531829?spm=1001.2014.3001.5501）

2.2 sklearn工具包

sklearn工具包：分類（見(jiàn)下圖1-分類模型基本框架）、回歸（見(jiàn)下圖2-回歸模型基本框架）、聚類、降維、模型選擇（sklearn.model_selection）、特征處理（sklearn.preprocessing）、交叉驗(yàn)證（sklearn.metrics）等內(nèi)置標(biāo)準(zhǔn)數(shù)據(jù)集：print(dir(sklearn.datasets))

綜上，風(fēng)控模型算法的選擇需要根據(jù)特定的數(shù)據(jù)集和業(yè)務(wù)需求具體分析，并根據(jù)最終效果來(lái)做出決策。一般考慮因素如：模型可解釋性、模型準(zhǔn)確性與性能、數(shù)據(jù)規(guī)模、特征數(shù)量、數(shù)據(jù)類型，等。

常用建模方法如下：

非平衡數(shù)據(jù)處理—SMOTE采樣（過(guò)采樣）：sklearn.impute.SimpleImputer().fit(x) /imblearn.over_sampling.SMOTE().fit_sample(x1, y)特征縮放：sklearn.preprocessing.StandardScaler().fit_transform(X)線性回歸 ：scipy.stats.linregress(x, y) /sklearn.linear_model.LinearRegression().fit(x, y)

其中，statsmodels包側(cè)重于科學(xué)研究統(tǒng)計(jì)建模， sklearn包側(cè)重于數(shù)據(jù)挖掘需求建模。 邏輯回歸 （sigmoid函數(shù)將線性函數(shù)的結(jié)果轉(zhuǎn)換為概率值）：sklearn.linear_model.LogisticRegression().fit(X_train, y_train)決策樹：建模 sklearn.tree.DecisionTreeClassifier().fit(x, y) --> 生成圖pydotplus.graph_from_dot_data(tree.export_graphviz(dtree, out_file=None, feature_names=)).write_png()隨機(jī)森林（bagging代表，投票選舉）： sklearn.ensemble.RandomForestClassifier(n_estimators=).fit(X,y)AdaBoost自適應(yīng)提升樹（boosting代表，提升弱分類器）：sklearn.ensemble.AdaBoostClassifier(n_estimators=).fit(X,y)GBDT梯度提升樹（boosting方法）：sklearn.ensemble.GradientBoostingClassifier(n_estimators= , learning_rate= , max_depth= , random_state= ).fit(X,y)xgboost分布式梯度增強(qiáng)樹（boosting方法，采用多個(gè)決策樹模型進(jìn)行集成學(xué)習(xí)，并通過(guò)梯度提升的方式不斷迭代優(yōu)化模型）：xgboost.XGBClassifier(max_depth= ,learning_rate= ,n_estimators= ,objective= ,verbosity= ).fit()

優(yōu)點(diǎn)：預(yù)測(cè)性能和泛化能力較強(qiáng)，可處理非線性關(guān)系的數(shù)據(jù)和大規(guī)模高維數(shù)據(jù)，并且在處理非平衡數(shù)據(jù)時(shí)也有比較好的效果。缺點(diǎn)：是較難解釋和可視化特征的重要性和決策過(guò)程，并且需要進(jìn)行超參數(shù)的調(diào)整和模型的訓(xùn)練，計(jì)算量也會(huì)比較大。 catboost梯度提升樹 （boosting方法）：catboost.CatBoostClassifier().fit(train_x,y_train,verbose=False)關(guān)聯(lián)規(guī)則：編碼 mlxtend.preprocessing.TransactionEncoder().fit(df).transform(df) -->關(guān)聯(lián)挖掘（支持度/置信度）mlxtend.frequent_patterns.apriori()/ association_rules()聚類分析：sklearn.cluster.KMean(n_clusters=, random_state=).fit(X) / DBSCAN(eps=, min_samples=).fit(X)

3 方案設(shè)計(jì)

產(chǎn)品設(shè)計(jì)方案的組成部分：產(chǎn)品形態(tài)、數(shù)據(jù)風(fēng)控、業(yè)務(wù)流程

3.1 一站式解決方案

3.1.1 業(yè)務(wù)落地

一體化智能信貸解決方案：（見(jiàn)下圖1-項(xiàng)目交付流程，下圖2-核心工作流）

1. 方案階段：前期準(zhǔn)備（項(xiàng)目啟動(dòng)、業(yè)務(wù)調(diào)研、系統(tǒng)調(diào)研）——方案框架設(shè)計(jì)——數(shù)據(jù)調(diào)研（接口、交互方式、時(shí)效、業(yè)務(wù)含義等）——數(shù)據(jù)接入（稅務(wù)、工商、司法、房產(chǎn)、其他政府和供應(yīng)鏈數(shù)據(jù)等）——數(shù)據(jù)解讀——風(fēng)控方案和流程設(shè)計(jì)

2. 交付階段：需求制作和審查——開發(fā)測(cè)試——系統(tǒng)部署（產(chǎn)品工廠+模型工廠+數(shù)據(jù)工廠）

3. 運(yùn)營(yíng)階段：優(yōu)化迭代——運(yùn)營(yíng)監(jiān)測(cè)（產(chǎn)品運(yùn)營(yíng)周期：準(zhǔn)備期——試運(yùn)行期——調(diào)優(yōu)期——增長(zhǎng)期——穩(wěn)定期）

3.1.2 系統(tǒng)交互

3.2 產(chǎn)品要素

信貸產(chǎn)品形態(tài)要素如：

貸款對(duì)象：小微企業(yè) /個(gè)體工商戶 /企業(yè)法定代表人或股東 /個(gè)人…貸款額度：?jiǎn)螒糇罡呦揞~20/100/300萬(wàn)…貸款期限：3/6/9/12/24/36個(gè)月…貸款利率：差異化定價(jià)，依據(jù)客戶分層、日均存款、額度、評(píng)級(jí)、行業(yè)等因素確定資金用途：企業(yè)流動(dòng)資金貸款 /個(gè)人經(jīng)營(yíng)性貸款 /個(gè)人消費(fèi)性貸款支付方式：自主支付 /受托支付 /限額支付 /超額定向支付擔(dān)保方式：保證 /信用 /抵押 /質(zhì)押貸款品種：循環(huán)額度 /單筆單批還款方式：先息后本 /等額本息 /等額本金 /不定期還款

3.3 業(yè)務(wù)流程

業(yè)務(wù)流程：（見(jiàn)下圖-信貸核心業(yè)務(wù)流程）

貸款申請(qǐng)：渠道申請(qǐng)（微信/手機(jī)銀行/網(wǎng)銀/H5，等）——稅務(wù)授權(quán)數(shù)據(jù)準(zhǔn)備：獲取數(shù)據(jù)（工商/司法/稅務(wù)/征信/行內(nèi)，等）——數(shù)據(jù)清洗——執(zhí)行指標(biāo)——計(jì)算模塊——計(jì)算模型風(fēng)控審批：身份交叉驗(yàn)證——準(zhǔn)入規(guī)則校驗(yàn)——反欺詐校驗(yàn)——評(píng)級(jí)模型結(jié)果——要素模型結(jié)果（額度、利率、期限、還款方式等）——綜合決策簽約放款：合同簽約——貸款支用審批——放款（核心系統(tǒng)）貸中管理：貸款首檢——貸中預(yù)警和信號(hào)處理——貸中調(diào)額（含凍結(jié)與解凍）貸后管理：正常還款（提前全額還款/提前部分還款/到期還款）——逾期催收

3.4 風(fēng)控設(shè)計(jì)

3.4.1 設(shè)計(jì)思路

策略搭建思路：

1. 熟悉產(chǎn)品要素和進(jìn)件流程 2. 明確審批對(duì)象，制定主體策略模塊

如：個(gè)人信息驗(yàn)證，準(zhǔn)入，欺詐，黑名單，人工，授信，交易風(fēng)險(xiǎn)判斷，等

3. 對(duì)應(yīng)主體策略模塊，尋找風(fēng)險(xiǎn)解決方法

第三方數(shù)據(jù)源 — 指標(biāo)（查得率，覆蓋率，準(zhǔn)確率，穩(wěn)定性，連續(xù)性），價(jià)格，可變性增加進(jìn)件要素獲取爬蟲獲取額外信息

4. 根據(jù)確認(rèn)策略模塊，設(shè)計(jì)審批流程

無(wú)費(fèi)用在前，有費(fèi)用在后強(qiáng)高風(fēng)險(xiǎn)在前，弱風(fēng)線在后盡可能存留信息

5. 確認(rèn)審批流程落地方案

常用系統(tǒng)：決策引擎，審批系統(tǒng)，征信平臺(tái)

綜上，策略搭建基本思路：準(zhǔn)入客群—確認(rèn)風(fēng)險(xiǎn)點(diǎn)—尋找對(duì)應(yīng)排除方法—合理組合解決方法。

【注意】銀行合規(guī)文化來(lái)自：中國(guó)銀行保險(xiǎn)監(jiān)督管理委員會(huì)、中國(guó)人民銀行、銀行內(nèi)控合規(guī)部門，產(chǎn)品核心是符合“三規(guī)”（銀監(jiān)規(guī)定、銀行規(guī)定、法律規(guī)定）。

3.4.2 準(zhǔn)入策略

準(zhǔn)入策略模塊根據(jù)業(yè)務(wù)應(yīng)用需要進(jìn)行設(shè)計(jì)，分為排黑類策略（原生黑名單+衍生黑名單）、基本信貸策略（合規(guī)授信+前置準(zhǔn)入）和產(chǎn)品類策略三類準(zhǔn)入指標(biāo)，排黑類策略與基本信貸策略為基礎(chǔ)準(zhǔn)入模塊，產(chǎn)品類策略為產(chǎn)品客群差異化配置。

準(zhǔn)入環(huán)節(jié)考察風(fēng)險(xiǎn)維度如：產(chǎn)品基本準(zhǔn)入、行內(nèi)合規(guī)/授信管理、緩釋風(fēng)險(xiǎn)、經(jīng)營(yíng)能力/經(jīng)營(yíng)穩(wěn)定性、融資負(fù)重/融資饑渴/融資能力、逾期/不良信用風(fēng)險(xiǎn)，等。

準(zhǔn)入策略指標(biāo)舉例如下：

（1）排黑類

1. 原生黑名單（行內(nèi)與第三方黑名單庫(kù)）：申請(qǐng)人/配偶/企業(yè)是否命中黑名單、是否通過(guò)“失信被執(zhí)行”/“限制消費(fèi)被執(zhí)行”/“刑事、破產(chǎn)、訴訟”校驗(yàn) 2. 衍生黑名單（嚴(yán)重違約與違法違規(guī)行為）：未結(jié)清不良類貸款/相關(guān)還款責(zé)任數(shù)量、近X月稅務(wù)嚴(yán)重違法違章/重要工商行政處罰次數(shù)、申請(qǐng)企業(yè)當(dāng)前是否存在股權(quán)凍結(jié)/是否通過(guò)司法校驗(yàn)

（2）基本信貸類

1. 合規(guī)管理：申請(qǐng)人/申請(qǐng)企業(yè)/配偶/關(guān)聯(lián)企業(yè)是否是本行關(guān)聯(lián)人、是否本產(chǎn)品存量/在途申請(qǐng)客戶 2. 授信管理：申請(qǐng)人/申請(qǐng)企業(yè)/配偶/關(guān)聯(lián)企業(yè)在本行是否存在當(dāng)前逾期貸款 3. 前置準(zhǔn)入：申請(qǐng)人是否是企業(yè)法定代表人或股東、持股比例、申請(qǐng)人年齡、是否本地戶籍；申請(qǐng)企業(yè)經(jīng)營(yíng)狀態(tài)、申請(qǐng)企業(yè)完整納稅月份數(shù)、納稅等級(jí)、是否禁入行業(yè)、企業(yè)劃型，等

（3）產(chǎn)品客群類

產(chǎn)品客群類策略主要設(shè)有與逾期相關(guān)性較強(qiáng)的風(fēng)險(xiǎn)類指標(biāo)，從信用風(fēng)險(xiǎn)、財(cái)務(wù)風(fēng)險(xiǎn)、經(jīng)營(yíng)情況等維度考察還款意愿、償債能力、資金饑渴度、融資能力、經(jīng)營(yíng)能力、經(jīng)營(yíng)風(fēng)險(xiǎn)等。

1. 信用風(fēng)險(xiǎn)（當(dāng)前逾期/歷史逾期—還款意愿）：申請(qǐng)人及申請(qǐng)企業(yè)未結(jié)清貸款/信用卡/相關(guān)還款責(zé)任逾期余額、申請(qǐng)企業(yè)近X月欠稅記錄數(shù)/貸款累計(jì)逾期次數(shù)，等； 2. 財(cái)務(wù)風(fēng)險(xiǎn) （融資負(fù)重/融資需求/融資能力—還款能力）：申請(qǐng)人及申請(qǐng)企業(yè)未結(jié)清貸款/信用卡/相關(guān)還款責(zé)任筆數(shù)/機(jī)構(gòu)數(shù)/余額/占比、申請(qǐng)人近X月貸款/信用卡審批查詢次數(shù)/差值/機(jī)構(gòu)數(shù)、申請(qǐng)企業(yè)歷史最高授信金額、申請(qǐng)人當(dāng)前連續(xù)正常還款月份數(shù)，等； 3. 經(jīng)營(yíng)風(fēng)險(xiǎn)（經(jīng)營(yíng)能力/經(jīng)營(yíng)穩(wěn)定性）：申請(qǐng)企業(yè)近X月交易總額/增值稅納稅銷售收入/年均銷售收入/經(jīng)營(yíng)活動(dòng)凈流入/銷售收入環(huán)比增長(zhǎng)率，申請(qǐng)企業(yè)近X月增值稅納稅申報(bào)銷售收入為0月份數(shù)，等

3.4.3 反欺詐策略

在信貸領(lǐng)域有兩類風(fēng)險(xiǎn)，一類是信用風(fēng)險(xiǎn)，一類是欺詐風(fēng)險(xiǎn)。信用風(fēng)險(xiǎn)主要是對(duì)借款人還款能力和還款意愿進(jìn)行評(píng)估，而反欺詐則是對(duì)借款人的不正當(dāng)目的進(jìn)行判斷和預(yù)防。

欺詐風(fēng)險(xiǎn)常見(jiàn)的類型：

白戶風(fēng)險(xiǎn)：內(nèi)部白戶（新注冊(cè)用戶、無(wú)申貸歷史記錄）、外部白戶（央行征信、第三方民間征信無(wú)覆蓋）黑戶風(fēng)險(xiǎn)：內(nèi)部黑戶（歷史多筆訂單出現(xiàn)逾期、在途訂單催收失聯(lián)等）、外部黑戶（央行征信、第三方民間征信黑戶）——輿情監(jiān)控內(nèi)外勾結(jié)——數(shù)據(jù)脫敏身份冒用——信審、人臉識(shí)別、活體驗(yàn)證傳銷風(fēng)險(xiǎn)——關(guān)聯(lián)圖譜中介風(fēng)險(xiǎn)偽造風(fēng)險(xiǎn)以貸養(yǎng)貸

反欺詐分為廣義反欺詐和狹義反欺詐，廣義反欺詐旨在識(shí)別“無(wú)還款能力”或“無(wú)還款意愿”的嚴(yán)重欺詐客戶，狹義反欺詐旨在識(shí)別“數(shù)據(jù)造假”、“還款能力有瑕疵”或“還款意愿略有瑕疵”的輕微欺詐客戶，通過(guò)客戶欺詐得分最終映射狹義欺詐等級(jí)高/中/低風(fēng)險(xiǎn)檔位。

反欺詐監(jiān)測(cè)指標(biāo)如： 1. 身份欺詐：

企業(yè)身份欺詐（空殼企業(yè)/停工企業(yè)/批量新設(shè)關(guān)聯(lián)公司）：同一注冊(cè)地址不同申請(qǐng)企業(yè)和關(guān)聯(lián)企業(yè)數(shù)、貸前連續(xù)X月新設(shè)關(guān)聯(lián)企業(yè)數(shù)、借款人投資/任職/擔(dān)任法定代表人的企業(yè)吊銷數(shù)個(gè)人身份欺詐：同一設(shè)備不同申請(qǐng)人數(shù)、作為緊急聯(lián)系人人次

2. 行為欺詐：

異常申請(qǐng)行為：申請(qǐng)人/申請(qǐng)企業(yè)及關(guān)聯(lián)企業(yè)近X月累計(jì)申請(qǐng)本產(chǎn)品的次數(shù)、申請(qǐng)企業(yè)距離最近一次被拒絕的月份數(shù)異常特征表現(xiàn)：未結(jié)清貸款是否存在首期逾期、申請(qǐng)人是否存在犯有欺詐類罪前科、近X月經(jīng)營(yíng)地址變更次數(shù)、近X月騙稅次數(shù)

3. 數(shù)據(jù)欺詐：

突擊性分析：增值稅申報(bào)應(yīng)納稅額同比增長(zhǎng)率、近X月增值稅應(yīng)納稅額比例異常交易行為：貸款前連續(xù)X月新設(shè)關(guān)聯(lián)企業(yè)數(shù)，申請(qǐng)企業(yè)近X月上游交易中關(guān)聯(lián)企業(yè)交易總額占比變動(dòng)不可匹配性：一般納稅人開票金額占銷售收入比例（發(fā)票數(shù)據(jù)）、對(duì)公銷售收入流入金額占銷售收入比例（流水?dāng)?shù)據(jù)）、近X月增值稅零負(fù)申報(bào)比例（稅務(wù)數(shù)據(jù)）

4. 白名單（欺詐排除，反向驗(yàn)證機(jī)制）：

當(dāng)前未結(jié)清正常類貸款金額、是否行內(nèi)存量客戶、當(dāng)前房貸余額

3.4.4 評(píng)級(jí)模型

（1）信用評(píng)分卡分類

信用評(píng)分卡是通過(guò)用數(shù)據(jù)對(duì)客戶還款能力和還款意愿進(jìn)行定量評(píng)估的系統(tǒng)，目前應(yīng)用最廣泛的主要分為以下四種：

申請(qǐng)?jiān)u分卡（ApplicationCard）：通常用于貸前客戶的進(jìn)件審批。在沒(méi)有歷史平臺(tái)表現(xiàn)的客群中，外部征信數(shù)據(jù)及用戶的資產(chǎn)質(zhì)量數(shù)據(jù)通常是影響客戶申請(qǐng)?jiān)u分的主要因素；行為評(píng)分卡（BehaviorCard）：通常用于貸中客戶的升降額度管理，主要目的是預(yù)測(cè)客戶的動(dòng)態(tài)風(fēng)險(xiǎn)。由于客戶在平臺(tái)上已有歷史數(shù)據(jù)，通?？蛻粼谠撈脚_(tái)的歷史表現(xiàn)對(duì)行為評(píng)分卡的影響最大；催收評(píng)分卡（CollectionCard）：通常用于貸后管理，主要使用催收記錄作為數(shù)據(jù)進(jìn)行建模。通過(guò)催收評(píng)分對(duì)用戶制定不同的貸后管理策略，從而實(shí)現(xiàn)催收人員的合理配置；反欺詐評(píng)分卡（Anti-fraudCard）：通常用于貸前新客戶可能存在的欺詐行為的預(yù)測(cè)管理，適用于個(gè)人和機(jī)構(gòu)融資主體。

其中，前三種就是我們俗稱的“ABC”卡，其中最重要的就是申請(qǐng)?jiān)u分卡，目的是把風(fēng)險(xiǎn)控制在貸前的狀態(tài)，減少交易對(duì)手未能履行約定契約中的義務(wù)而造成經(jīng)濟(jì)損失的風(fēng)險(xiǎn)，下文圍繞申請(qǐng)?jiān)u分卡A卡建模展開。

（2）評(píng)分卡開發(fā)流程

評(píng)分卡建模完整流程（見(jiàn)下圖-評(píng)分卡開發(fā)流程）：

1. 模型定義：目標(biāo)產(chǎn)品客群——模型選擇（評(píng)分卡/集成模型）——樣本定義（觀察期/表現(xiàn)期，好/壞/灰定義） 2. 數(shù)據(jù)采集：數(shù)據(jù)獲取——指標(biāo)計(jì)算（特征X）——樣本構(gòu)建（好壞灰樣本標(biāo)簽Y） 3. 數(shù)據(jù)預(yù)處理：缺失值，異常值，重復(fù)值，類別變量，亂碼處理，標(biāo)準(zhǔn)化，離散化 4. 特征工程：特征清單——特征降維——特征衍生——特征分箱——特征WOE編碼——特征篩選——特征轉(zhuǎn)換

無(wú)監(jiān)督分箱：kmeans，等頻分箱，等距分箱

有監(jiān)督分箱：決策樹，卡方，best-ks分箱

5. 模型訓(xùn)練：數(shù)據(jù)集劃分——算法選擇（如邏輯回歸）——訓(xùn)練集擬合模型——參數(shù)調(diào)優(yōu)——模型集成（特征聚類—子模型集群—子模型集成）——評(píng)分卡拉伸（尺度變換公式：score=A-B*log(odds)）

【尺度變換】由于邏輯回歸具有良好的校準(zhǔn)度，其輸出概率與真實(shí)概率之間存在良好的一致性，可以直接把概率分?jǐn)?shù)線性映射為整數(shù)分?jǐn)?shù)，因此常用邏輯回歸作為分?jǐn)?shù)校準(zhǔn)，評(píng)分卡分?jǐn)?shù)校準(zhǔn)/尺度變換公式：

**score=A-B*log(odds)**

其中：

odds：賠率

A：好壞客戶信用分臨界點(diǎn)(offset)

B：刻度因子(factor)

t0：壞好客戶比

PO：基準(zhǔn)分=A-B*n(t0)

PDO：odds翻一倍時(shí)改變的分?jǐn)?shù)

6. 模型評(píng)估：測(cè)試集集評(píng)估模型（AUC，AR，KS，PSI） 7. 模型驗(yàn)證：交叉驗(yàn)證/壓力測(cè)試以評(píng)估模型泛化能力及穩(wěn)定性 8. 模型部署：規(guī)則化部署/標(biāo)準(zhǔn)化部署 9. 模型監(jiān)控：前端監(jiān)控（模型評(píng)級(jí)/評(píng)分/風(fēng)險(xiǎn)維度/單變量分布穩(wěn)定性）、后端監(jiān)控（模型區(qū)分力/穩(wěn)定性/排序性） 10. 模型迭代：重新擬合/重新構(gòu)建

（3）專家vs量化評(píng)級(jí)

專家評(píng)級(jí)模型 vs 量化評(píng)級(jí)模型：

（4）模型設(shè)計(jì)框架

智能評(píng)級(jí)模型評(píng)價(jià)一定時(shí)間內(nèi)（通常設(shè)定為一年）客戶違約的可能性或概率，其評(píng)級(jí)結(jié)果可有多層次的表述，包括評(píng)分、評(píng)級(jí)和違約概率。

申請(qǐng)?jiān)u分卡建模可從以下9個(gè)風(fēng)險(xiǎn)維度考察：融資需求、負(fù)債水平、違約歷史、非銀融資、信貸規(guī)模、資產(chǎn)積累、經(jīng)營(yíng)穩(wěn)定性、經(jīng)營(yíng)能力以及基本特征 。（見(jiàn)下圖-評(píng)級(jí)模型結(jié)構(gòu)設(shè)計(jì)）

（5）建模常見(jiàn)問(wèn)題

Q1：可以通過(guò)哪些角度篩選變量？

缺失率集中度對(duì)好壞樣本區(qū)分能力——IV，AR穩(wěn)定性——訓(xùn)練/驗(yàn)證/測(cè)試樣本間的PSI共線性——VIF顯著性——p值分箱趨勢(shì)是否符合業(yè)務(wù)邏輯逐步回歸

Q2：做分箱和WOE轉(zhuǎn)換的目的是什么？

處理極端值，可以直接將極端值合并到最大或最小的分箱中使模型更加穩(wěn)定，變量微小的變化不一定改變?cè)u(píng)分結(jié)果使自變量和目標(biāo)變量呈正相關(guān)的關(guān)系，符合邏輯回歸的假設(shè)

Q3：建模過(guò)程中如何保證模型的穩(wěn)定性？

樣本量要足夠大，還需具有代表性。如果模型專用性，則需要使用近期的樣本進(jìn)行建模，并保證抽取到近期表現(xiàn)穩(wěn)定的樣本由于一般使用有監(jiān)督的算法，因此定義目標(biāo)變量非常重要保證特征時(shí)間序列上的穩(wěn)定性、慎重選擇區(qū)分度過(guò)強(qiáng)的特征、特征分箱處理、保證入模特征多樣性選擇穩(wěn)定性數(shù)據(jù)源選擇穩(wěn)定性較好的模型，例如LR、隨機(jī)森林、xgboost這類泛化能力較好的模型

3.4.5 額度策略

額度策略設(shè)計(jì)要點(diǎn)：

與全行統(tǒng)一客戶額度管控聯(lián)動(dòng)：客戶統(tǒng)一授信額度管理、客戶統(tǒng)一信用額度管理；符合授信評(píng)審行業(yè)規(guī)則與經(jīng)驗(yàn)規(guī)則；針對(duì)高風(fēng)險(xiǎn)客群的群體限額，模型評(píng)分結(jié)果、貸款乘數(shù)、負(fù)債率有機(jī)整合；運(yùn)用構(gòu)建行業(yè)等級(jí)運(yùn)用、精準(zhǔn)度至國(guó)標(biāo)第4類的高危行業(yè)、高危關(guān)聯(lián)行業(yè)；

額度策略方案：（核心因素：收入和負(fù)債）

初始額度 = 年均收入* 定額系數(shù)X * 評(píng)級(jí)乘數(shù)X （評(píng)級(jí)矩陣配置參數(shù)）初始修訂額度 = 初始額度 *(1+修訂變量序列比例X) 【修訂變量如：納稅等級(jí)，收入增長(zhǎng)率，行業(yè)等級(jí)，等）單戶貸款額度上限 = 年均收入* 配置參數(shù)X - sum(產(chǎn)品維度信用負(fù)債/全量負(fù)債扣減項(xiàng) + 配偶信用負(fù)債余額)客戶可用統(tǒng)一授信/信用額度 = 客戶統(tǒng)一授信/信用額度上限 - sum(客戶維度信用負(fù)債/全量負(fù)債扣減項(xiàng)）本地特殊客群審批額度調(diào)整：白名單客戶、政府采購(gòu)合作客戶、存款理財(cái)客戶增額等最終額度 = min(額度1 ,額度2 ,…)

3.4.6 貸中預(yù)警

預(yù)警簡(jiǎn)介：貸中預(yù)警模型用于貸款發(fā)放后，對(duì)貸款客戶及企業(yè)的信用、財(cái)務(wù)、經(jīng)營(yíng)等情況進(jìn)行定期跟蹤和監(jiān)控，評(píng)估和預(yù)測(cè)預(yù)警對(duì)象是否有不還款跡象，并在滿足約定條件時(shí)提供紅/橙/黃預(yù)警信號(hào)，以及預(yù)警信號(hào)的管理。（見(jiàn)下圖-貸中預(yù)警流程） 預(yù)警應(yīng)用：額度管理，貸中風(fēng)險(xiǎn)管理和營(yíng)銷 預(yù)警指標(biāo)類型：當(dāng)期型、與基期比較型、與上期比較型 模型監(jiān)測(cè)指標(biāo)：預(yù)警率/命中率、誤報(bào)率、準(zhǔn)確率、召回率、精確率，等

貸中預(yù)警指標(biāo)主要監(jiān)測(cè)風(fēng)險(xiǎn)如：

綜合：貸后評(píng)級(jí)下降；工商：企業(yè)名稱變更，法定代表人變更，持股比例下降，工商處罰，股權(quán)凍結(jié)，經(jīng)營(yíng)狀態(tài)異常；征信：逾期或壞賬，對(duì)外擔(dān)保非正常，新增小貸公司貸款，婚姻狀態(tài)變更司法：失信/被執(zhí)行，借款人/配偶/關(guān)聯(lián)企業(yè)被列入黑名單稅務(wù)：稅務(wù)嚴(yán)重違法違章，納稅狀態(tài)異常，信用等級(jí)下降，申報(bào)異常，收入下降，納稅額/銷售收入同比增長(zhǎng)率

3.5 指標(biāo)設(shè)計(jì)

3.5.1 設(shè)計(jì)思路

指標(biāo)類型分為原生指標(biāo)和衍生指標(biāo)，其中，衍生指標(biāo)一般考慮時(shí)間切片&維度切片，指標(biāo)設(shè)計(jì)如：增長(zhǎng)率、占比、集中度、變異系數(shù)、均值、計(jì)數(shù)、求和、差值（變化次數(shù)、間隔時(shí)長(zhǎng)等）。

3.5.2 指標(biāo)示例

以下從各數(shù)據(jù)源展開，舉例說(shuō)明指標(biāo)設(shè)計(jì)：

（1）個(gè)人征信

1. 基本信息：個(gè)人婚姻狀況、信貸歷史年數(shù)、學(xué)歷、年齡，等 2. 貸款：個(gè)人未結(jié)清貸款筆數(shù)/機(jī)構(gòu)數(shù)/余額/比例

不同維度考察如：業(yè)務(wù)種類（房貸/經(jīng)營(yíng)性貸款/消費(fèi)類貸款，等）、業(yè)務(wù)管理機(jī)構(gòu)（商業(yè)銀行/汽車金融/消費(fèi)金融/小額貸款，等）、資產(chǎn)質(zhì)量分類（正常/關(guān)注/不良）

3. 信用卡：近X月信用卡支用比例、審批查詢次數(shù)、發(fā)放賬戶數(shù)/機(jī)構(gòu)數(shù)/金額、逾期最長(zhǎng)期數(shù)/逾期金額

異常情況考察如：無(wú)效申請(qǐng)、凍結(jié)、止付、呆賬、司法追償、資產(chǎn)處置，等

4. 相關(guān)還款責(zé)任：個(gè)人未結(jié)清對(duì)外擔(dān)保筆數(shù)/賬戶數(shù)/機(jī)構(gòu)數(shù)/余額/比例

（2）企業(yè)征信

1. 借貸/擔(dān)保交易：企業(yè)未結(jié)清（正常/關(guān)注/不良/…）貸款筆數(shù)/機(jī)構(gòu)數(shù)/余額/比例 2. 相關(guān)還款責(zé)任：企業(yè)對(duì)外擔(dān)保筆數(shù) /賬戶數(shù)/ 機(jī)構(gòu)數(shù)/欠息金額/余額/比例

（3）行內(nèi)

1. 黑名單：個(gè)人 /配偶 /企業(yè)/關(guān)聯(lián)企業(yè)是否命中黑名單、當(dāng)前逾期等情況 2. 產(chǎn)品互斥：個(gè)人 /配偶 /企業(yè)是否為行內(nèi)其他貸款產(chǎn)品的存量/ 在途申請(qǐng) /在途授信/產(chǎn)品互斥客戶 3. 行內(nèi)業(yè)務(wù)：日均存款和理財(cái)額度、信貸關(guān)系年數(shù)

（4）司法

企業(yè)失信信息、被執(zhí)行校驗(yàn)、作為被告涉及司法案件數(shù)量

（5）工商

1. 基本信息：企業(yè)法定代表人股權(quán)占比、經(jīng)營(yíng)年限、注冊(cè)資本 2. 負(fù)面信息：企業(yè)法定代表人變更次數(shù)、工商行政處罰次數(shù)等

（6）稅務(wù)

1. 基本信息：行業(yè)、納稅等級(jí)、納稅人類型 2. 負(fù)面信息： 稅務(wù)嚴(yán)重違法違章次數(shù)、欠稅次數(shù) 3. 納稅信息：申請(qǐng)企業(yè)完整納稅月份數(shù)、首次申報(bào)距今時(shí)長(zhǎng)、納稅額/銷售收入、利潤(rùn)率/增長(zhǎng)率/占比

（7）發(fā)票

1. 經(jīng)營(yíng)情況：近X月銷售收入/收入占比/開票金額環(huán)比、企業(yè)連續(xù)開票月份數(shù)、最大開票時(shí)間間隔 2. 開票行為：近X月紅廢票張數(shù)/金額占比等、開票金額/銷項(xiàng)金額 3. 上下游交易：發(fā)票下游企業(yè)所處行業(yè)是否高風(fēng)險(xiǎn)行業(yè)、高風(fēng)險(xiǎn)行業(yè)客戶交易金額占比等

（8）流水

1. 流水進(jìn)出賬：近X月經(jīng)營(yíng)活動(dòng)凈流入/水電氣支出/原材料支出/納稅支出/工資支出交易金額/金額占比/變異系數(shù)、最大連續(xù)交易為0的月份數(shù) 2. 償債能力：對(duì)公賬戶日均存款余額均值、月均凈流入

（9）銀聯(lián)

銀聯(lián)交易總金額/金額增長(zhǎng)率/金額占比、交易次數(shù)、非正常狀態(tài)終端個(gè)數(shù)、開戶時(shí)長(zhǎng)

4 產(chǎn)品分析

4.1 數(shù)字化運(yùn)營(yíng)

監(jiān)測(cè)維度：客戶、產(chǎn)品、渠道、行業(yè)、地區(qū)，等 監(jiān)測(cè)方法：時(shí)間序列、漏斗分析、對(duì)比分析、矩陣分析，等 數(shù)字化運(yùn)營(yíng)閉環(huán)：監(jiān)控、預(yù)警、預(yù)測(cè) 報(bào)表平臺(tái)配置：

控件：通用控件、常用控件、定制控件統(tǒng)計(jì)表：字段取數(shù)源、計(jì)算邏輯和業(yè)務(wù)解讀統(tǒng)計(jì)圖：X軸、Y軸、圖類型功能需求：排序、顯示格式、自定義導(dǎo)出、鏈接跳轉(zhuǎn)、篩選框類型、層級(jí)篩選、輸入聯(lián)想、下拉欄、分頁(yè)，等

數(shù)字化運(yùn)營(yíng)報(bào)表監(jiān)測(cè)框架：

趨勢(shì)分析：業(yè)務(wù)運(yùn)營(yíng)趨勢(shì)，余額增長(zhǎng)，續(xù)貸留存和遷移，逾期不良，貸款投放和回收漏斗分析：業(yè)務(wù)流程，策略拒絕風(fēng)控策略：觸碰情況，分布情況，穩(wěn)定性，區(qū)分力，貸中變化客戶畫像：企業(yè)主信息，企業(yè)信息，經(jīng)營(yíng)情況，信用情況，負(fù)債信息（分布和還款表現(xiàn)對(duì)比）授信清冊(cè)：拒絕原因查詢，逾期跟蹤分析，未簽約或到期營(yíng)銷，質(zhì)量變化預(yù)警，等

4.2 數(shù)據(jù)分析

分析能力要求： 數(shù)據(jù)分析能力（編程語(yǔ)言、數(shù)理基礎(chǔ)）+業(yè)務(wù)能力（產(chǎn)品流程和設(shè)計(jì)、業(yè)務(wù)方案、信貸業(yè)務(wù)）+主動(dòng)管理（時(shí)間規(guī)劃）+溝通解決問(wèn)題（匯報(bào)、溝通）+創(chuàng)新能力（復(fù)用性）

一般分析思路： 1. 營(yíng)銷管理：渠道、區(qū)域、行業(yè)的營(yíng)銷力度和維護(hù)管理； 2. 客群分析：客群差異（收入負(fù)債，經(jīng)營(yíng)穩(wěn)定性，融資規(guī)模，還款表現(xiàn)等）和遷移變化趨勢(shì)（授信額度，模型、模塊及指標(biāo)評(píng)分變化趨勢(shì)等）； 3. 產(chǎn)品分析：產(chǎn)品要素分析、業(yè)務(wù)流程漏斗分析； 4. 風(fēng)控分析：模型拒絕漏斗分析、規(guī)則觸碰/扣分情況、評(píng)分/額度分布情況、貸前特征分析、貸中變化特征挖掘、貸中后管理和維護(hù)。

常用分析方法： 1. 漏斗分析：業(yè)務(wù)漏斗、模型漏斗； 2. 趨勢(shì)分析：營(yíng)銷和管理力度變化，市場(chǎng)環(huán)境影響，客群質(zhì)量變化，策略調(diào)整變更，新產(chǎn)品上線（如續(xù)貸），數(shù)據(jù)BUG，等； 3. 對(duì)比分析：橫縱向?qū)Ρ确治觥⒕仃嚪治?、相關(guān)性分析； 4. 賬齡分析：確定產(chǎn)品成熟周期、分析變化趨勢(shì)和影響因素。

4.3 策略優(yōu)化

策略優(yōu)化一般思路：

1. 明確分析目的：確認(rèn)調(diào)整貸前/貸中/貸后策略，以及調(diào)優(yōu)目的（A類提升通過(guò)率 / D類降低逾期率）； 2. 數(shù)據(jù)定義和采集：時(shí)間范圍，樣本選取，好壞標(biāo)簽定義； 3. 數(shù)據(jù)預(yù)處理：數(shù)據(jù)清洗映射和特征計(jì)算，重點(diǎn)檢查是否存在重復(fù)值、異常值、數(shù)據(jù)亂碼、缺失率，等；

4. 策略規(guī)則分析：（剔除黑名單校驗(yàn)、合規(guī)授信管理、缺失率高的指標(biāo)）

A類調(diào)優(yōu)：放松觸碰率高指標(biāo)閾值，降低扣分率高指標(biāo)權(quán)重，弱化低風(fēng)險(xiǎn)的限制條件D類調(diào)優(yōu)：?jiǎn)巫兞糠治觥馄谔卣魍诰颍ㄓ行孕ｒ?yàn)：分布集中度、業(yè)務(wù)趨勢(shì)、相關(guān)性、IV、AR、交換比）——特征篩選和建模

5. 影響分析和優(yōu)化：策略放松或收緊后綜合授信影響分析（平衡授信規(guī)模和逾期風(fēng)險(xiǎn)）——預(yù)測(cè)還款能力和還款意愿——貸中貸前聯(lián)動(dòng)調(diào)整（準(zhǔn)入、額度、反欺詐）

4.4 模型優(yōu)化

評(píng)級(jí)模型優(yōu)化一般思路：

1. 數(shù)據(jù)定義和采集：時(shí)間范圍，樣本選取，好壞標(biāo)簽定義（結(jié)合滾動(dòng)率分析確定）； 2. 數(shù)據(jù)預(yù)處理：重點(diǎn)檢查是否存在重復(fù)值、異常值、數(shù)據(jù)亂碼、缺失率，等； 3. 數(shù)據(jù)分析：模型整體穩(wěn)定性、區(qū)分度、分布集中情況 4. 數(shù)據(jù)劃分：訓(xùn)練集/測(cè)試集； 5. 特征工程：?jiǎn)巫兞糠治觥卣骱Y選（方差、共線性、IV、AR、排序性、業(yè)務(wù)含義）——指標(biāo)分檔； 6. 模型訓(xùn)練：模塊權(quán)重、指標(biāo)權(quán)重、指標(biāo)分檔、評(píng)級(jí)映射、評(píng)分分?jǐn)?shù)校準(zhǔn)； 7. 模型評(píng)估：授信影響、逾期風(fēng)險(xiǎn)控制、模型分布穩(wěn)定性（PSI）和區(qū)分力（AR/AUC/ROC/KS）； 8. 壓力測(cè)試

5 特別鳴謝

文中內(nèi)容主要來(lái)源于工作經(jīng)驗(yàn)中所得，部分內(nèi)容描述參考公眾號(hào)“金科應(yīng)用研院FAL”。

柚子快報(bào)邀請(qǐng)碼778899分享：信貸產(chǎn)品設(shè)計(jì)和風(fēng)控分析

http://yzkb.51969.com/

參考閱讀