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
1703655632
•最近一次联系客户时间；
1703655633
1703655634
1703655635
1703655636
•联系方式变更情况；
1703655637
1703655638
1703655639
1703655640
•户籍信息；
1703655641
1703655642
1703655643
1703655644
•工作家庭情况；
1703655645
1703655646
1703655647
1703655648
•历史催收结果。
1703655649
1703655650
1703655651
1703655652
失联模型主要应用于催收策略的制定，另外在存量客户管理阶段也常和行为模型结合使用，对于风险较高、失联概率较高的客户，需要及时了解客户的实际情况。如果发现客户已失联，则需及时采取措施修复客户信息，降低失联率，尽量确保客户可联；甚至可采取限额等措施提前将金融机构的损失降到最低。
1703655653
1703655654
1703655655
1703655656
1703655658
互联网信贷风险与大数据：如何开始互联网金融实践 第三节 逾期催收管理策略
1703655659
1703655660
两个催收主管在聊天，A主管在向B主管抱怨。
1703655661
[
上一页 ]
[ :1.703655612e+09 ]
[
下一页 ]