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
1703655608
三、失联模型
1703655609
1703655610
失联对催收产生了非常大的阻碍，尽早了解客户是否失联对催收有很重要的意义。客户是否失联的信息通常来源于催收结果，但准确定义失联客户是一个难题。单次催收无法触达通常不能判断客户是否失联，客户因为手机信号弱而没有接听导致催收人员无法触达客户的情况时常出现。故对于是否失联需要综合一段时间的催收结果进行判断，若该段时间内催收人员拨打过多次电话，且在一天之内的不同时段反复拨打电话，均无法联系客户，才能判断为失联。
1703655611
1703655612
失联模型是基于历史数据，预测客户发生失联的可能性，希望将失联由事后发现变成提前预知。但是，失联模型的开发对于金融机构是一项重大的挑战，客户失联的原因很多，提供虚假材料、恶意贷款、因抵触催收故意不接电话、信息更新不及时等都可能造成客户失联，失联原因的复杂性和多样性给模型开发带来很大的困难。
1703655613
1703655614
此外，金融机构除在申请时点收集客户信息外，在后续的客户管理中，积累的数据更多的是客户的行为数据和逾期数据。实践表明，该部分数据对于客户的风险预测很有帮助，但是很难反映客户失联的可能性，对失联模型的开发贡献较小。
1703655615
1703655616
内部数据的不足造成的模型预测能力不足，因此需要更多地引入外部数据来增强模型的预测能力。例如，通过社保数据增加客户工作的稳定性评估，用互联网数据增加居住地的稳定性评估，以电信运营商数据增加联系方式的稳定性评估等，同时结合金融机构内部的用户信息、交易信息，共同提高失联模型的预测能力。
1703655617
1703655618
失联模型的预测变量通常需要结合金融机构内部的客户信息、交易信息、催收信息、营销信息等，同时结合第三方信息来提高模型的预测能力，主要关注客户以下信息。
1703655619
1703655620
•交易情况；
1703655621
1703655622
1703655623
1703655624
•贷款余额情况；
1703655625
1703655626
1703655627
1703655628
•额度占用情况；
1703655629
1703655630
1703655631
[
上一页 ]
[ :1.703655582e+09 ]
[
下一页 ]