客户画像最早在互联网电商中应用，在刻画目标群体时，数据分析师会将用户数据进行分析并形成合适的客户画像标签，涉及常见字段包括有姓名，性别，年龄，收货地址，手机号，银行卡，身份证号，邮箱等基础属性信息，还有浏览分类，点击偏好，购买习惯，登录设备类型等特殊属性。然后通过分析总结这类信息，分析了解目标用户的需求。
客户画像是客群划分最基础的一个方法。客群划分是区分出具有某种共性的群体，使得同一客户群体内具有最大的同质性和相似性，不同客户群体间具有最大的差异性。做客户画像的最终目的是为不同客群定制化营销策略或风险规则策略。
客户画像可以将用户人群进行分类，最终目的是为客户打上各类标签，如为客户打上诸如高收入人群、多头借贷受众等标签，之后风控人员可以对各类标签客户提供精准营销和风险拦截。而在风控领域中构建用户画像的目的是：给好坏客群的画像打上不同的画像标签，提炼出有效的风险策略。
▍风控客群画像数据字段
客户信息：证件号、手机号、银行卡、性别、年龄、学历、婚姻状况、有无子女、居住状况、工作性质、工作单位，工作职务，收入水平、资产水平，居住地址、家乡地址、工作地址，身份（党员/团员/群众），家庭情况（家庭人数），目前手机号使用时长、兴趣爱好。
征信信息：多平台借贷情况，历史征信借贷记录，历史还款履约行为，多头借贷倾向、贷款或贷记卡的使用情况及负债。
其他客户信息：运营商数据、公安数据、人行征信数据、百行征信数据、公积金信息、设备信息、社保信息（金保信）、工作信息、司法诉讼信息、设备指纹数据、黑名单数据（网贷机构黑名单、暴力催收、欠费逾期、多头借贷、恶意骗贷、偷税漏税等）、银联数据、电商消费数据（京东、淘宝、拼多多等）、交通出行数据（12306、航空出行、打车记录）、餐饮消费数据（美团、饿了么）、生活水电缴费数据、工作信息、旅游数据（携程、飞猪等）、学历信息（学信网）、社交数据（QQ/微信）等。
根据上述的数据信息表，对这个客户进行综合评估维度如下：
1.个人资质评估：客户消费水平、收入水平、资产水平、职业等信息，对用户消费等级、消费偏好、收入稳定性、职业稳定性等信息进行评估。
2.稳定性评估：收入稳定性、家庭稳定性、位置稳定性等。
3.综合信用评估：查询用户消费、收入、资产、职业等信息，对用户消费等级、消费偏好、收入稳定性、职业等信息进行评估。
▍风控客群画像标签
人口属性：性别、年龄、职业、学历、收入、房车等；人生阶段：在校、工作、备婚、备孕等。
家庭属性：农业或非农业 五保户 低保户 复员退伍军人 独生子女家庭 特困户 企改下岗人员。
位置属性：常驻地地址、家乡地址、工作地址、地点偏好、差旅目的地等。
社会属性：党员/团员。
资产属性：有无车标识、有无房产等。
消费属性：消费水平、消费品级、购买方式、购物行为、消费偏好等。
行为属性：生活行为、金融行为、旅游行为、社交行为等。
兴趣属性：金融偏好，上网目的等。
工作属性：白领/蓝领。
行业属性：金融行业、教育行业、教育培训、旅游行业、汽车行业等。
设备属性：设备类型、设备价格、应用偏好，设备安装、卸载、打开、活跃，设备价格、关联手机号个数等。
身份信息画像：身份证、银行卡、手机卡、学历、职业、社会身份（党员、群众、团员）、工作及性质；
资产负债收入画像：资产信息（车、房、手机）、负债信息（征信贷款等）、收入信息（社保、公积金）；
工作学历画像：简历信息、社保、公积金、学信网信息；
家庭关系画像：家庭成员信息；
借贷行为画像：注册信息、申请信息、多头共债信息、历史及当前逾期信息；
消费行为画像：POS刷卡消费、保险消费、各大电商消费、各大外卖平台消费；
兴趣行为画像：APP使用偏好、浏览偏好、消费类型偏好；
出行信息：常出没区域(工作地址、户籍地址、居住地址)、航旅出行、铁路出行、滴滴出行等；
公检法画像：失信被执行、曝光台、限制高消费、被执行人、涉诉、在逃、黄赌毒；
黑名单风险画像：航空铁路黑名单、支付欺诈、恶意骗贷、不良骗贷名单；
设备指纹风险画像：GPS信息、通讯录、通话记录、短信记录、安装APP列表、设备号、IP地址、操作系统、设备类型、设备型号、openUDID、是否越狱、是否root。设备标签、设备品牌、设备类型、Android ID、设备序列号、IMEI、IMSI、设备MAC地址、设备硬件名称、设备主机地址、设备固件版本号、蓝牙mac地址；
朋友圈风险画像：微信好友、QQ好友情况及数量；
总结：由客户基本信息、征信报告信息、外部数据信息等表构成客户属性标签，由客群属性字段标签来构建客户风险画像，客户画像可以应用在反欺诈、信用风险评估和风险定价阶段。我们以新客户申请阶段中的信用风险评估和风险定价的应用为例进行介绍。是否对客户放款和放款额度时，我们主要考虑客户的偿还能力、守约概率、偿还意愿、工作家庭收入的稳定性。这些需要考虑的信息可以从客户基本收入情况、自有资产情况、历史借贷情况、社交关系和行为习惯上的数据体现，也是客户画像主要依赖的数据维度。例如下图:
参考文献：
1804
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
