金融风控项目完分析!!!

day06问题小结

对于历史逾期天数和当前逾期天数有些模糊

• 比如有一笔欠款9.10日要还，但是9.12号才还完，这个就是历史逾期了2天，

• 再比如还是9.10日要还，到今天都还没还，这个就是当前逾期天数10天。

多说一下场景下为什么要这么处理，处理的结果表示什么意思

掌握如何设计AB测试

掌握AB测试效果解读方法

知道常见信贷产品

1 信贷业务逻辑

1.1 信贷业务如何运行

市场部门/风控部门/催收部门

市场部门→获客

风控部门→筛选用户

资金回收(催收部门)

精细化运营

• 市场, 风控, 催收各个环节添加运营手段

1.2 信贷业务行为路径与转化漏斗

• 首贷、复贷概念：

  • 第一次借款成功称为首贷

  • 借完一次之后， 再次借款称为复贷

• 首贷业务逻辑

  • 客户 一对多

  • 申请 一对一

  • 借款 一对多

  • 期数 一对多

  • 还款

• 在我们的数据库中，数据表大致分为两种形式，状态表和log表（日志表）

  • 状态表

    • 记录当前时刻,或者当天的状态,覆盖历史的状态

  • log表

    • 记录从开始到现在所有的数据, 有一次操作或者更新就记录一条

  • 漏斗转化

    • 数据表中数据条数对应关系

2 业务报表介绍

2.1 注册表

• 注册表 u_user

  • 一个手机号:对应注册表的一个id

  • 一个手机号: 注册完成后, 对应一个user_id , 手机号和人

  • 上表中不包含注册未完成的用户

2.2 用户信息表

• 用户信息(personal_info)

• 可以通过user_id 字段 与注册表进行关联

• personal_info之外还有work_info 关于用户不同维度的信息这里在不同的表中保存

2.3 借款表

• 借款表 loan_list

• 每次申请都会有一条记录

• borrower_id 可以与注册表里的user_id进行关联

2.4 放款表

• loan_debt, 放款表, 也可以看做是还款计划表

• 这张表是一个状态表, 还款信息只会记录最新的状态

2.5 还款表

• 还款表记录了每一笔还款的情况

• 同一个订单可能会有多次还款

3 风控报表指标

• 市场部门的指标

  • 各个阶段转化率

  • 注册→申请→通过→放款(首贷)

  • 复贷还款→申请→通过→放款(复贷)

• 市场部门业务报表

  • 转化率漏斗表

  • 各个渠道花费及效率

  • 每个页面的留存率

• 风控部门的指标

  • 通过率, 放款, 件均

  • 逾期率:

    • 单期产品: 整笔逾期, 金额逾期

    • 多期产品: 整笔逾期, 金额逾期, 单期笔数,金额逾期

• 风控部门的业务报表

  • 通过率表

  • 放款统计表

  • 规则命中率

  • 客群分布

  • vintage表

• 催收的指标

  • 催回率

  • 不同催收阶段

  • 不同催收员的催回

• 催收部门的业务报表

  • 不同员工不同阶段催回情况表

  • 接通率表, 接通时长表

• 运营部门

  • 指标提升

4 风控基础报表介绍

4.1 各阶段转化率表

需要确定

• 统计每天注册的客户中，有多少人进行了申请， 多少人通过， 有多少人放款， 有多少人还款

• 涉及到多张表， 用哪张表做主表

• 这些表怎么合并

  • 用到哪些表, 怎么join

    • 用户的详细信息在personal_info表中, 用表中的user_id与主表的id相连

    • loan_list 借款申请表 borrower_id 对应注册表中的 id

    • loan_debt 放款表 list_id对应loan_list中的id

    • 合并时时left join 如果没走到下一个阶段，则在合并表对应位置时NULL，

• 按照日期进行分组，分别统计出每个阶段的数量，进而每个阶段相对于前一个阶段的转化率

4.2 通过率表

• 统计每天申请的客户有多少人, 有多少人申请通过

  • user_type 新客老客, 如何区分

• 主表：统计申请的情况, 所以主表肯定是申请表

• 定义新客,老客

  • 放过款的客户, 再来申请, 就是老客

  • 没放过款的客户, 就是新客, 可能是第一次来, 也可能是之前的申请被拒接了

  • 所以先计算第一次成功借款时间

  • 当前申请时间与第一次成功放款时间比较, 得出新老客定义

4.3 放款统计表

1 获取第一次成功放款日期

2 根据这个日期判断是新客还是老客

3 合并loan_debt loan_list u_type

4.4 Vintage报表

• 举例来说，今天是2021年6月25日，我们取今天贷款第一期到期的客户作为观察群体，观察他们今后29天的还款情况。如果你将将今天所有贷款到期的客户作为观察群体（里面有第一期到期的，也有第二期到期的，也有第三期到期的，等等），那么这个群体里面的客户就不是位于同一层面上了。

• 到了下个月，7月25号，我们取7月25号贷款第一期到期的客户作为观察群体，观察他们之后29天的还款情况。这样你就可以比较6月25号的群体和7月25号的群体的还款情况差异

• 如果8月25号的群体还款质量有显著性降低，那么你可能会审视一下你这一个月来的营销策略是否变宽松了，或者这一个月来国家政策有什么改动等等

• vintage将不同时期的数据拉平到同一时期比较，可以很直观地比较和反思不同时期公司的营销策略的效果。

• 每天到期的贷款的逾期情况，不是按照到期是哪天来看，按照逾期第几天来看，比较放贷的质量随时间的变化情况

4.5 催收报表

• 定义分案归属, 当天最后一次分案算作最终分案归属

• 主表: 分案表, 计算逾期天数还需要loan_debt

• 催收人员可能换组, 利用人名做限制

思路

① 拉宽表

• 数据可能是在不同的表中保存, 取数的时候, 是不是要考虑一些边界条件

• 考虑如何去JOIN 哪张表是主表, 如何JOIN 不会丢信息

② 在宽表的基础上算指标

加减乘除, 在算之前, 每一个指标的计算方法一定要搞清楚

③ 整理结果

5 风控建模概述

5.1 互联网金融风控体系介绍

四要素认证：银行卡持有人的姓名、身份证号、银行卡号、手机号

互联网金融风控体系主要由三大部分组成：

• 用户数据：用户基本信息、用户行为信息、用户授权信息、外部接入信息。

• 策略体系：反欺诈规则、准入规则、运营商规则、风险名单、网贷规则

• 机器学习模型：欺诈检测模型、准入模型、授信模型、风险定价、额度管理、流失预警、失联修复。

5.2 风控建模流程

2.1 评分卡简介

风控模型其中包含了A/B/C卡。模型可以采用相同算法，一般以逾期天数来区分正负样本，也就是目标值Y的取值（0或1）

• 贷前 申请评分卡 Application score card

• 贷中 行为评分卡 Behavior score card

• 贷后 催收评分卡 Collection score card

2.2 机器学习模型的完整工程流程

准备

• 明确需求

• 模型设计

• 样本设计

特征工程

模型

上线运营

2.3 项目准备期

明确需求

模型设计

• 业务抽象成分类/回归问题

Y标签定义

15天为正负样本的标记阈值，Y = 1的客户均是逾期超过15天的客户

将逾期<5天和没有逾期的人作为正样本

逾期5～15天的数据（灰样本）会从样本中去掉

“灰样本”通常放入测试集中，用于确保模型在训练结束后，对该部分样本也有区分能力。

样本选取