1703655539
互联网信贷风险与大数据：如何开始互联网金融实践 第二节 逾期催收计量模型体系
1703655540
1703655541
逾期催收的核心能力在于催收策略的设计，有效的催收策略不仅能降低金融机构的催收成本，还可以提高回款率。因逾期客户具有差异性，对于不同的客户应采取针对性的催收方式，如对临时忘记还款的客户只需要短信提醒，对失联客户应及时通过外部渠道进行信息修复并催收。差异化管理策略是精准化催收的基本思想，而差异化管理策略的基础是客户分群。
1703655542
1703655543
催收计量模型是逾期客户分群的重要依据，通过催收计量模型可以识别客户的风险情况，对不同风险的客户采取不同的催收手段。常见的催收计量模型包括账龄滚动率模型、行为模型和失联模型。
1703655544
1703655546
一、账龄滚动率模型
1703655547
1703655548
逾期账龄指客户未按约定时间点还款的违约时间长度，逾期账龄越高，客户的风险越高。逾期账龄是通过逾期天数来定义，例如：
1703655549
1703655550
M1客户：逾期1～29天的客户；
1703655551
1703655552
M2客户：逾期30～59天的客户；
1703655553
1703655554
M3客户：逾期60～89天的客户；
1703655555
1703655556
……
1703655557
1703655558
账龄滚动率模型是逾期催收中最常用的模型，用来预测每一账龄的客户迁徙到下一账龄的概率。评分越低的客户，迁移至下一个账龄的概率越高，客户的风险越高，在下个月内还钱的可能性越小。账龄滚动率模型包含M0-M1滚动率模型、M1-M2滚动率模型、M2-M3滚动率模型、M3-M4滚动率模型。账龄滚动模型通过历史特征数据分析，预测未来表现，常用的模型开发方法包括Logistic回归模型和决策树。
1703655559
1703655560
M0-M1模型：当前是正常客户，预测下个月会变成M1客户的可能性。
1703655561
1703655562
M1-M2模型：当前是M1客户，预测下个月会变成M2客户的可能性。
1703655563
1703655564
M2-M3模型：当前是M2客户，预测下个月会变成M3客户的可能性。
1703655565
1703655566
M3-M4模型：当前是M3客户，预测下个月会变成M4客户的可能性。
1703655567
1703655568
以上四个模型构成了账龄滚动率模型体系，也许有人会问：为什么没有M4-M5、M5-M6更高账龄的滚动率模型？当客户逾期90天及以上，还款的可能性急速下降，这时金融机构的主要目标是如何尽量挽回损失，通常对该部分客户需要采用最为严厉的催收方式，促使客户尽快回款。在这种情况下，催收策略的制定不太依赖于催收模型，故高账龄滚动率模型开发的意义显得并不重要。
1703655569
1703655570
账龄滚动率模型通常采用的信息包括客户的行为信息和催收信息，低账龄的滚动率模型行为信息的比重更高一些，中高账龄的滚动率模型则催收信息的比重更多，常用的预测变量包括：
1703655571
1703655572
•消费行为；
1703655573
1703655574
1703655575
1703655576
•取现行为；
1703655577
1703655578
1703655579
1703655580
•额度使用情况；
1703655581
1703655582
1703655583
1703655584
•还款情况；
1703655585
1703655586
1703655587
[
上一页 ]
[ :1.703655538e+09 ]
[
下一页 ]