个性化风控！消费贷客群分群模型应用实践

提出明确业务目标及业务定义，我们需要优化模型的主要方法有以下三个方面：特征工程、算法改进和模型框架。这三个方面在任何场景的模型中都是至关重要的，无论是针对ABC卡、策略调优、拒绝回捞、动支模型、营销响应模型还是流失模型等等，只要涉及到建模，都需要依赖于这三个模块。

▍模型建设思路

1、建立模型备用框架：为了适应各类数据源的需求，我们需要建立一个模型降级备用框架。这个框架可以根据实际情况，使用不同的子模型来进行建模。

2、分群模型：在消费金融场景下，我们可以使用串行和并行的模型来进行分群。对于有贷款客群和无贷款客群，入模变量可能存在显著差异。我们可以先运行退模型和动支预测模型，然后再运行评分卡。此外，针对不同的数据源，我们也可以使用不同的串行模型来进行额度策略的建模。

3、融合模型：针对建立A卡的情况，我们通常会有12期、9期、6期和3期等不同分期期数的客户。因此，我们需要建立相应的模型来预测不同期数的表现。同时，我们可以使用历史最大逾期天数的转移矩阵来定义好坏客户。此外，模型还可以根据不同的类别进行划分，例如资产类模型、收入推断类模型、逾期程度模型和多头模型等。通过将子模型的评分结果输入到XGB主模型中，我们可以有效提升整体模型的效果。

这种融合模型的方法可以提高KS值，但会降低模型的稳定性，所以更适用于利率相对较低的客群（例如24利率内）。因此，在资产余额较大的消费金融领域，我们的模型团队通常会监控和更新各个子模型，并相应调整主模型。

▍同类客群的模型分群

针对消费贷客群中的不同利率层级，我们可以进一步进行深入的模型分群。对于10%以下利率的客群，大多数银行会建立一个优质白名单企业名单，例如国有企业、上市公司和银行等，然后针对这些企业员工进行授信。主要依靠策略审批来进行决策。而对于12%至24%利率的消费贷客群，我们可以继续进行深入的模型分群。

分群模型成立的前提是：

1、两个分群之间的入模变量差异较大，不存在共线性。

2、相同入模变量的分箱在不同分群中有显著差异。

3、分群的业务逻辑符合实际策略经验。

验证分群效果的方法：

1、从训练集和测试集中分离出分群客群数据，建立相应的分群模型。然后从OOT集中提取出相应的分群客群数据，在分群模型中进行验证，得到KS、AUC和lift（按人头和金额计算）等指标。

2、从OOT集中提取出分群客群数据，在原先的通用模型上进行验证，得到KS、AUC和lift等指标。

3、对比分群模型和未分群通用模型在OOT分群客群上的模型指标，如果分群模型的效果显著优于未分群通用模型，则说明分群模型的效果更好。

这种深入模型分群的方法可以帮助我们更好地理解不同利率层级的消费贷客群，并提升模型的预测效果和精确度。

▍总结

消费贷客群分群模型：入模变量差异大，分箱显著差异。验证效果：KS、AUC、lift对比。优于通用模型，提升预测精度。也期待各位在学习时能够保持独立思考能力，脚踏实地的不断优化数据科学知识。