1703654695
1703654696
申请风险模型主要在申请阶段应用，用于客户准入。客户准入申请评分的高低采取不同的策略。申请评分低的客户，风险较高，直接拒绝；申请评分在准入评分阈值附近的客户可以通过二次审批决定客户去留；评分较高的客户可直接通过。
1703654697
1703654698
大数据与传统数据结合建模
1703654699
1703654700
在申请阶段，客户还未与金融机构建立直接的业务往来，因此申请风险模型参与使用的变量很多属于静态的始点信息。静态信息在客户的风险预测方面所起到的作用，不如行为数据更为有效，这也影响了申请风险模型对好坏客户的区分能力。但大数据的引入改变了这一情况。由于大数据的引入，在申请阶段，金融机构就能够获知申请人的行为信息，从而可以部分地将这些行为数据纳入评分卡或准入策略中，提高申请风险模型的预测能力。
1703654701
1703654702
1703654703
1703654704
例如，在对供应链系统的下游经销商进行小微贷款风险评估的过程中，由于供应链系统已经记录了经销商的进货、付款、物流等多方面的信息，通过对这些行为数据的分析，构造具有风险辨识能力的变量，结合传统信贷数据构建预测模型，对商户未来的违约概率进行预测。金融机构所能够获取的行为数据已经突破了其自有的数据积累范畴，在申请阶段引入更多的客户行为信息，能够显著提高申请风险模型的预测能力。
1703654705
1703654706
1703654707
1703654708
当然，很多数据具有稀疏性的特点，并且相对比传统的金融信贷数据没有很强的风险区分能力。因此，传统的金融信贷数据仍是模型不可或缺的组成部分，只有将传统信贷数据与大数据结合应用，方能更好地实现预测目标。另外，大数据所提供的信息如何进入模型，与传统结构化数据一起应用，对风险计量技术也提出了更大挑战。
1703654709
1703654710
1703654711
1703654713
二、初始额度模型
1703654714
1703654715
对于通过利率定价类的贷款，金融机构在制定授信策略时主要是控制风险，防止出现过度授信，客户授信策略主要依赖于申请模型和客户收入负债的分析。对于信用卡产品而言，由于是循环授信产品，金融机构资源会向收益高的客户进行倾斜。因此信用卡的初始额度授信在考虑最接近客户需求和还款能力的同时，还会考虑客户的收益情况，额度资源向收益高的客户倾斜，从而提高金融机构的收益水平。故初始额度模型也可以认为是申请收益模型，反映客户的收益情况。
1703654716
1703654717
初始额度模型主要衡量客户的收益情况，由于信用卡的收益主要源于客户的循环利息、逾期利息、分期手续费，以下行为和特征可在一定程度上反映客户的收益。
1703654718
1703654719
•客户属性；
1703654720
1703654721
1703654722
1703654723
•逾期行为；
1703654724
1703654725
1703654726
1703654727
•还款行为；
1703654728
1703654729
1703654730
1703654731
•透支情况；
1703654732
1703654733
1703654734
1703654735
•额度占用情况。
1703654736
1703654737
1703654738
1703654739
此外电商中的购买行为、分期行为，客户在互联网上的浏览行为、点击行为对于客户价值的判断也非常有帮助，习惯分期或是循环的客户一般收益率比较高。
1703654740
1703654741
初始额度模型主要用于解决客户的授信问题，通常和申请模型一起使用，它们分别反映了客户风险和收益，通过风险和收益的二维矩阵确定客户的授信。风险低、收益高的客户额度授信高，风险高、收益低的客户额度授信低，从而使金融机构的资源得到合理配置，提高金融机构的收益率。另外，额度授信策略还需要考虑另一个问题，即过度授信问题，初始额度在考虑风险和收益的同时，需结合客户的收入、负债情况，防止出现客户过度授信。
1703654742
1703654743
大数据对额度策略的影响
1703654744
[
上一页 ]
[ :1.703654695e+09 ]
[
下一页 ]