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
1703655588
•催收结果；
1703655589
1703655590
1703655591
1703655592
•打破承诺次数。
1703655593
1703655594
1703655595
1703655596
M0-M1滚动率模型是对正常客户进行评分，和其他的滚动率模型有一定差异，M0-M1评分主要应用在提前催收和监控预警上。它的应用很广泛，如利用M0-M1评分将客户群分为高风险客户群和低风险客户群，其中高风险客户群未来逾期的可能性很高，金融机构对该部分高风险客户群建立回访机制，在了解客户的实际情况的同时确保客户的可联性，如果发现在其他机构有共债或已经逾期的情况则应采取限制客户交易、提前催收等措施。
1703655597
1703655598
M1-M2、M2-M3、M3-M4滚动率模型在催收策略制定上的出发点是一样的，通过评分来区分客户风险，对高风险客户采用强烈的催收手段，尽早挽回损失，对低风险客户采用缓和的催收策略，节约催收成本。
1703655599
1703655601
二、行为模型
1703655602
1703655603
行为模型在第四章中已经介绍过，主要是用来预测客户未来变坏的可能性，主要包括M0行为模型和M1行为模型。行为模型在存量客户管理阶段有着非常广泛的应用，在逾期催收方面也广泛使用。
1703655604
1703655605
行为模型主要利用客户的交易行为特征和还款行为特征去考察客户未来变坏的可能性，客户未来变坏有一定的表现期，行为模型反映的是客户可能变坏的长期表现，但对于下个月客户是否逾期预测性很弱，故行为模型可认为是客户资质的体现。逾期客户管理主要集中在资质差的客户身上，该部分客户是催收的工作重点，可以通过行为模型来识别。账龄滚动率模型主要体现客户的短期风险。行为模型通常和账龄滚动率模型结合使用，从长期和短期两方面的风险来划分客户群，对客户的评价更全面、更准确，在制定催收策略时也更加有针对性，可更有效地提升催收效果。
1703655606
[
上一页 ]
[ :1.703655557e+09 ]
[
下一页 ]