他用幾個公式解釋了現金貸業務的風控與運營 （下）

2017-09-18 22:04風控/運營/違約

“金額如此小的業務，成本極度敏感，剛開始的時候我們在數據成本和壞賬成本之間特別糾結。”

以上是許多朋友現金貸業務的真實感受。在這一章中，我不打算像上一章那樣做很多計算，我們聊聊關于a%（新貸客戶損失率）及它的影響因素還有風控上如何掐頭去尾取中間的事兒。

我們先來看下損失率是什么和如何界定，然后我們再探討影響因素都有哪些。

一、關于新貸客戶違約率

先看張圖：

這是筆者截取的一份數據，內容是某個業務月的應還款新貸、續貸及匯總客戶的逾期變化趨勢、截取至逾期60天、續貸客戶占比為60%。

在實際業務中我們會發現，新貸客戶逾期率高、續貸客戶逾期率低、匯總值居于兩者之間、這個圖更直觀的解釋了我們的公式一。

再來統一下關于逾期率損失率的口徑：

簡單來說，我們的業務面臨的損失率實際上是在某業務月過完后，一批應還款客戶中達到我們界定為損失的逾期天數的賬戶數或者金額，在這段還款周期內所占的比率。根據業務口徑不同，可以是30、60、90或者更長，最粗暴的認定方法是在哪個時間點開始你基本催不回來了，那高于這個時間點的你就算成損失好了。

對逾期率、損失率的算法視角如圖：

上述表格中的即期跟延期算法都可以看出，在業務平穩增長的階段內，我們會發現即期指標跟延期指標是接近的，但是在每月業務大幅增長的時候，即期指標會顯得過小，延期指標的算法這時則更容易反映業務“質量”，所以本文探討這些指標時所說的逾期30天以上，一般是以逾期30天以上的賬戶數為分子、30天前對應的應還款賬戶數為分母統計的。

影響新貸客戶損失率的指標（這里我胡寫了個公式……）：

P(新貸客戶損失率)=[P(欺詐)+P(過度多頭借貸)+P(不想還)+P(看起來可以不還)]*P(系統抽風的概率)*P(規則懵了的概率)

但是意思是對的，其實一群新貸客戶的違約率取決于這個人群的違約率本身與現金貸系統識別能力的相互作用。

除了這里列明的，現金貸新貸客戶的損失率跟申請及放款后的還款教育、短信提醒、還款前的早期提醒、用戶對于還款后再借的“口子穩定程度”的心理預期、客服態度、催收壓力等也有不小的關系。

欺詐受產品欺詐成本的影響，比如我們使用人臉識別或者在申請過程中強制實名或銀行卡鑒權，都會在形式上提高欺詐成本，在業務早期我們需要通過細致的反欺詐規則來實現，在業務中期數據豐富后我們需要補充關系反欺詐，如共用設備、共用申請手機等簡單規則，以及通過圖算法實現一些風險標簽傳播。

二、簡單的幾個示例

1.三個人共用設備

2.多個人共用手機號

3.典型團貸風險

過度多頭借貸并不是一個無法識別到的信息，過度的多頭借貸一定會導致用戶最終的償還能力出現問題，但是客戶能跟其他家借到錢有的時候是“利于”拆東補西的，這里我們也會發現一個問題----現金貸客戶中那些跟固定的幾家機構借錢的用戶的違約率和最終徹底陷入惡性債務螺旋的比例要比那些無節制的擼口子的用戶小的多。

看起來可以不還這個事情其實對于我們的產品來說有時候不受關注但又很重要，我個人一直認為借款應該是有門檻，并且讓客戶切實“感覺”是有一定的難度和壓力的事情，過度的考慮客戶的體驗，反而讓客戶感覺借到錢太容易，而“看起來可以不還”，跟多家機構的溝通和對比后我們發現，提示和一些強制措施并沒有嚴重降低用戶發起借款申請的轉化率。或許，借得到錢才是最好的體驗。

三、關于掐頭去尾取中間

其實現金貸業務針對新貸客戶主要的風控動作可以歸結為“掐頭去尾取中間”。

①?去尾的能力是業務早期啟動及隔離風險的核心能力，0-1必須做好

②?掐頭的能力是決定業務如何快速走通和迭代的核心能力，0-1-30階段必須做好

③?取中間的能力是業務發展過程中的核心能力，往往是30-60階段才要花大精力做好的的事情

去尾的能力在業務風控中最典型的做法是通過“規則”實現，如反欺詐規則、風險評判規則、黑名單規則。掐頭的能力在風控中早期往往通過“人”來實現，也有機構是規則拒絕后就通過的，會在積累了一定的用戶表現后通過機器學習等方法訓練模型來獲得提升。當通過模型訓練完成建模后，我們就可以通過不斷的迭代模型和調整cutoff的節點來解決取中間的問題。

文章來源：公眾號“放得出去收得回來”

總結

以上是生活随笔為你收集整理的他用几个公式解释了现金贷业务的风控与运营 （下） 2017-09-18 22:04 风控/运营/违约 “金额如此小的业务，成本极度敏感，刚开始的时候我们在数据成本和坏账成本之间特别纠结。” 以上是许的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。