他用几个公式解释了现金贷业务的风控与运营 (下) 2017-09-18 22:04 风控/运营/违约 “金额如此小的业务,成本极度敏感,刚开始的时候我们在数据成本和坏账成本之间特别纠结。” 以上是许

本文主要是介绍他用几个公式解释了现金贷业务的风控与运营 (下) 2017-09-18 22:04 风控/运营/违约 “金额如此小的业务,成本极度敏感,刚开始的时候我们在数据成本和坏账成本之间特别纠结。” 以上是许,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

他用几个公式解释了现金贷业务的风控与运营 (下)

“金额如此小的业务,成本极度敏感,刚开始的时候我们在数据成本和坏账成本之间特别纠结。”

以上是许多朋友现金贷业务的真实感受。在这一章中,我不打算像上一章那样做很多计算,我们聊聊关于a%(新贷客户损失率)及它的影响因素还有风控上如何掐头去尾取中间的事儿。

我们先来看下损失率是什么和如何界定,然后我们再探讨影响因素都有哪些。

一、关于新贷客户违约率

先看张图:

这是笔者截取的一份数据,内容是某个业务月的应还款新贷、续贷及汇总客户的逾期变化趋势、截取至逾期60天、续贷客户占比为60%。

在实际业务中我们会发现,新贷客户逾期率高、续贷客户逾期率低、汇总值居于两者之间、这个图更直观的解释了我们的公式一。

再来统一下关于逾期率损失率的口径:

简单来说,我们的业务面临的损失率实际上是在某业务月过完后,一批应还款客户中达到我们界定为损失的逾期天数的账户数或者金额,在这段还款周期内所占的比率。根据业务口径不同,可以是30、60、90或者更长,最粗暴的认定方法是在哪个时间点开始你基本催不回来了,那高于这个时间点的你就算成损失好了。

对逾期率、损失率的算法视角如图:

上述表格中的即期跟延期算法都可以看出,在业务平稳增长的阶段内,我们会发现即期指标跟延期指标是接近的,但是在每月业务大幅增长的时候,即期指标会显得过小,延期指标的算法这时则更容易反映业务“质量”,所以本文探讨这些指标时所说的逾期30天以上,一般是以逾期30天以上的账户数为分子、30天前对应的应还款账户数为分母统计的。

影响新贷客户损失率的指标(这里我胡写了个公式……):

P(新贷客户损失率)=[P(欺诈)+P(过度多头借贷)+P(不想还)+P(看起来可以不还)]*P(系统抽风的概率)*P(规则懵了的概率)

但是意思是对的,其实一群新贷客户的违约率取决于这个人群的违约率本身与现金贷系统识别能力的相互作用。

除了这里列明的,现金贷新贷客户的损失率跟申请及放款后的还款教育、短信提醒、还款前的早期提醒、用户对于还款后再借的“口子稳定程度”的心理预期、客服态度、催收压力等也有不小的关系。

欺诈受产品欺诈成本的影响,比如我们使用人脸识别或者在申请过程中强制实名或银行卡鉴权,都会在形式上提高欺诈成本,在业务早期我们需要通过细致的反欺诈规则来实现,在业务中期数据丰富后我们需要补充关系反欺诈,如共用设备、共用申请手机等简单规则,以及通过图算法实现一些风险标签传播。

二、简单的几个示例

1.三个人共用设备

2.多个人共用手机号

3.典型团贷风险

过度多头借贷并不是一个无法识别到的信息,过度的多头借贷一定会导致用户最终的偿还能力出现问题,但是客户能跟其他家借到钱有的时候是“利于”拆东补西的,这里我们也会发现一个问题----现金贷客户中那些跟固定的几家机构借钱的用户的违约率和最终彻底陷入恶性债务螺旋的比例要比那些无节制的撸口子的用户小的多。

看起来可以不还这个事情其实对于我们的产品来说有时候不受关注但又很重要,我个人一直认为借款应该是有门槛,并且让客户切实“感觉”是有一定的难度和压力的事情,过度的考虑客户的体验,反而让客户感觉借到钱太容易,而“看起来可以不还”,跟多家机构的沟通和对比后我们发现,提示和一些强制措施并没有严重降低用户发起借款申请的转化率。或许,借得到钱才是最好的体验。

三、关于掐头去尾取中间

其实现金贷业务针对新贷客户主要的风控动作可以归结为“掐头去尾取中间”。

① 去尾的能力是业务早期启动及隔离风险的核心能力,0-1必须做好

② 掐头的能力是决定业务如何快速走通和迭代的核心能力,0-1-30阶段必须做好

③ 取中间的能力是业务发展过程中的核心能力,往往是30-60阶段才要花大精力做好的的事情

去尾的能力在业务风控中最典型的做法是通过“规则”实现,如反欺诈规则、风险评判规则、黑名单规则。掐头的能力在风控中早期往往通过“人”来实现,也有机构是规则拒绝后就通过的,会在积累了一定的用户表现后通过机器学习等方法训练模型来获得提升。当通过模型训练完成建模后,我们就可以通过不断的迭代模型和调整cutoff的节点来解决取中间的问题。

文章来源:公众号“放得出去收得回来”

这篇关于他用几个公式解释了现金贷业务的风控与运营 (下) 2017-09-18 22:04 风控/运营/违约 “金额如此小的业务,成本极度敏感,刚开始的时候我们在数据成本和坏账成本之间特别纠结。” 以上是许的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/670815

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

每天认识几个maven依赖(ActiveMQ+activemq-jaxb+activesoap+activespace+adarwin)

八、ActiveMQ 1、是什么? ActiveMQ 是一个开源的消息中间件(Message Broker),由 Apache 软件基金会开发和维护。它实现了 Java 消息服务(Java Message Service, JMS)规范,并支持多种消息传递协议,包括 AMQP、MQTT 和 OpenWire 等。 2、有什么用? 可靠性:ActiveMQ 提供了消息持久性和事务支持,确保消

wolfSSL参数设置或配置项解释

1. wolfCrypt Only 解释:wolfCrypt是一个开源的、轻量级的、可移植的加密库,支持多种加密算法和协议。选择“wolfCrypt Only”意味着系统或应用将仅使用wolfCrypt库进行加密操作,而不依赖其他加密库。 2. DTLS Support 解释:DTLS(Datagram Transport Layer Security)是一种基于UDP的安全协议,提供类似于

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

uva 10061 How many zero's and how many digits ?(不同进制阶乘末尾几个0)+poj 1401

题意是求在base进制下的 n!的结果有几位数,末尾有几个0。 想起刚开始的时候做的一道10进制下的n阶乘末尾有几个零,以及之前有做过的一道n阶乘的位数。 当时都是在10进制下的。 10进制下的做法是: 1. n阶位数:直接 lg(n!)就是得数的位数。 2. n阶末尾0的个数:由于2 * 5 将会在得数中以0的形式存在,所以计算2或者计算5,由于因子中出现5必然出现2,所以直接一