现阶段传统的信贷获客模式开始遭遇瓶颈,部分市场已趋于饱和。以信用卡为例,其作为商业银行开展消费金融业务的主要载体,近年来全行业发卡量、资产规模呈现明显放缓趋势,增速见顶。
除了信用卡之外,包括360金融、 乐信、信也科技、嘉银金科等在内的主流信贷机构均在缩减新客户获取,盘活优质存量客户就成了各家机构眼下最重要的事。
在目前的数据统计中,获客成本有多高,目前有大概的统计数据如下:
• 银行机构的获客成本在:70→500元/人
• 非银机构的获客成本在:400-2000元/人
而且受此次疫情波及,互联网金融行业的逾期风险、欺诈风险持续攀升。 疫情期间,中小企业严峻的生存压力将会传导至微观个体,部分客户将出现还款能力下降问题,特别是资质相对更差的次级客群,其受到的影响更大。而为了应对疫情,防范金融风险,金融机构收缩业务成为必然。
而对于共债风险本身就高的次级人群而言,信贷需求未减的情况下,供给却大幅萎缩,因此他们中的一部分人转而通过欺诈手段,突破金融机构风控防线、获得贷款的动力更充足。另外,由于疫情的影响,个人消费减少,资质相对较好的客户借贷需求降低,客观上减少了总体人群中优质客户的数量,导致欺诈客户的占比相对上升。
于是对存量客户转化策略中就成为了目前最有用的效果,存量客户的转换中最有用的,就是开放一个贷中营销响应模型。如何开放一个贷中营销响应模型?本文从4个方面展开阐述:
1.响应模型的目标变量定义
2.模型开发所涉及变量
3.响应模型与策略的结合分析
4.响应模型的效果评估
一. 响应模型的目标变量定义
其中我们需要对响应率有个最清楚的定义:比如拨打100个电话,有5个成功办理,响应率为5%。
Y=1为成功营销客群
Y=0为拒绝办理客群
当然在客群的分类上,在测试电销外拨数据,在整个名单中,我们将分为四个类型的客户:
营销成功/营销失败/不确定/号码无效
在这里面我们需要剔除掉灰色客群,即没有明确意愿客群或号码无效的客群。
二.响应模型开发所涉及变量
响应率模型涉及的的变量有以下内容,分别有客户基本数据、行为数据、人行数据、社交数据等,其中最相关的就是客户的行为数据:
确定了大致变量情况后,后续模型需要定期开发优化。
三.响应模型与策略的结合分析(附有案例展示)
响应模型开发的逻辑跟风控模型类似,现在所使用的逻辑回归,XGB等算法都是适用的:
按照目前响应模型与策略的结合分析内容,策略跟模型可以从以下两种强相关维度结合。
3.1.基于模型评分的策略分析
基于响应模型的评分分段、授信额度、客群细分标签等维度的细分客群的响应率及条均收入,来划分客群外拨优先级。(需要弄明白什么为条均收入?)
3.2.案例展示
本次案例中,将客户的按照风险维度划分为高风险1客群/高风险2客群/网发客群/正常客群,风险值依次是高风险1客群>高风险2客群>网发客群>正常客群。
以高风险客群为例,我们基于响应率模型与额度、评分卡和条均收入所划分的二维矩阵表如下:
梳理好以上的四个客群的二维矩阵后,我们需要整理的是将以上三个维度梳理成以条均收入以响应率结合的一个客群等级划分表:
四.响应模型的效果评估
响应率模型是用来做营销使用的,所以在最终的使用的效果上,我们仍需要将响应率跟营销转化率上进行匹配。
以某产品在实际上的使用营销与转化率的评估上,我们可以判断在响应率较高的等级上,其客户的转化也相对其他区间高得多: