读懂现金贷产品的客群风险标签维度

互联网领域做客户细分是为了做不同客群的营销，常规上分为有资产的、无资产的；授薪的、自雇的；一线城市用户、非一线城市用户…客群细分分得越细，相关的推荐越需要做得精准，这个内容在营销适用，在金融产品的定价也适用。客户细分的目的就是为了选择适合企业发展目标和资源条件的目标市场。

一个好的细分模型，首先是要满足细分深度的要求，不同的使用者对客户细分的深度也有不同的要求，这就要求模型划分的结果能满足不同使用者的需要。
其次是对数据的处理能力和容错能力，现代数据库的存储容量越来越大，数据结构也趋于多样性，误差数据也会随之增多，这就要求模型能适应数据在量和样上的膨胀，对误差数据能做出判别和处理。
最后是模型要有很强的适用能力，无论是个人消费者还是消费群体，数据都是在随时变动，这就要求模型要不断迭代跟优化，趋势数据更是必不可少的重要维度。

在对客户进行细分的方法中，除了传统的按照客户基本属性进行分类的方法以外，还有其他多种客户细分模型，如基于客户价值贡献度的细分模型、基于不同需求偏好的细分模型和基于消费行为的细分模型。基于消费者消费行为的客户细分模型研究，主要是以消费者的购买频率、消费金额等为细分变量，如RFM 模型和客户价值矩阵模型。

（1）RFM模型。
RFM细分模型是根据消费者消费的间隔、频率和金额三个变量来识别重点客户的细分模型。
R－Recency指客户上次消费行为发生至今的间隔，间隔越短则R越大；
F—Frequency指在一段时期内消费行为的频率；
M—Monetary指在某一时期内消费的金额。
研究发现，R值越大、F值越大的客户越有可能与企业达成新的交易，M越大的客户越有可能再次响应企业的产品和服务。

（2）客户价值矩阵模型。
客户价值矩阵模型是在对传统的RFM 模型修正的基础上提出的改进模型。比如在电商平台中的用户，一般会用购买次数F和平均购买额A构成客户价值矩阵，用平均购买额替代了RFM 模型中存在多重共线性的两个变量，消除了RFM模型中购买次数和总购买额的多重共线性的影响。

在客户价值矩阵中，确定购买次数F和平均购买额A的基准是各自的平均值，一旦确定了坐标轴的划分，客户就被定位在客户价值矩阵的某一象限区间内。依据客户购买次数的高低和平均购买额的多少，客户价值矩阵将客户划分成四种类型，即乐于消费型客户、优质型客户、经常客户和不确定客户，如图所示。

客户细分并没有统一的模式，企业往往根据自身的需要进行客户细分，研究目的不同，用于客户细分的方法也不同。总的来讲，客户细分的方法主要有四类，

一、基于客户统计学特征的客户细分；
二、基于客户行为的客户细分；
三、基于客户生命周期的客户细分；
四、基于客户价值相关指标的客户细分。

一.客户细分模型的基本流程

客户细分有5个流程：
1.了解业务需求。
在未来的业务中，知道谁是客户是个非常好的起始点，客户细分就是根据其特征将相似的客户归组到一起，这是了解客户和针对特定客户组进行市场定向所不可缺少的。在使用数据挖掘开发客户细分时，最重要的部分是其结果应当在业务远景中意义深远，并且能够在实际业务环境中进一步得到应用。需要记住的一点是：由于市场环境是动态变化的，细分建模过程应当是重复性的，且模型应随着市场的变化而不断革新。但第一步必须是了解业务需求。
2.选择市场合适维度(变量)。
由于变量选择的优劣对细分结果质量的影响非常显著，所以变量选择应该建立在理解业务需求的基础之上，以需求为前提，在消费者行为和心理的基础上，根据需求选择变量。此外，变量的选择还应该有一定的数量，多了不好，少了也不好。
3.清洗数据及其预处理。
为创建数据模型，必须使用收集到的原始数据，并将其转换成数据模型所支持的格式。我们称这个过程中的这个阶段为初始化和预处理。在金融业中进行客户行为细分通常需要行为数据和人口统计数据等类型的数据。行为数据是客户行为，可通过客户的账户信息、购买产品的信息等捕获。人口统计数据(如年龄、性别、工作等)可根据客户办理业务时，提供给金融机构的信息获得。这在识别或描述客户组的特征时很有用。
4.对不同的内容选择差异化算法。
目前，通常采用聚了技术来进行客户细分。常用的聚类算法有K-means、两步聚类、Kohonen网络等，可以根据不同的数据情况和需要选择不同聚类算法来进行客户细分。
5.评估模型的有效性
在对用户群进行细分之后，会得到多个细分的客户群体，但是，并不是得到的每个细分都是有效的。细分的结果应该通过下面几条规则来测试：与业务目标相关的程度；可理解性和是否容易特征化；基数是否足够大，以便保证一个特别的宣传活动；是否容易开发独特的宣传活

二.细分方法介绍
在数据挖掘中，往往通过聚类分析的方法来实现细分。聚类分析方法至少有以下几类：

（1）K-Means聚类法。
使用者需要首先确定数据分为K群，该方法会自动确定K个群的中心位置，继而计算每条记录距离这K个中心位置的距离，按照距离最近的原则把各个记录都加入到K个群，重新计算K个群的中心位置，再次计算每条记录距离这K个中心位置的距离，并把所有记录重新归类，再次调整中心位置，依次类推……，当达到一定标准时，结束上述步骤。这种方法运算速度快，适合于大数据量。

（2）N步聚类法。
这种方法首先需要确定一个最大群数（比如说n），并把数据按照一定的规则分为n个群，这是该方法的第一步。接着按照一定的规则把n个群中最接近的群进行归并，当达到一定的标准时，这种归并停止，这就是该种方法最终确定的聚类群数（比如说m），这是第二步。两步聚类法的一个显著优点是可以不指定聚类群数，它可以根据据结构本身自动确定应该把数据分为多少群。

三.实操案例
在以上的客群分层的方法中，最常用的当属K-Means方法，通常的K-Means方法，需要我们一次次重复这样的选择数据中心-计算距离-分组-通过均值再次选择数据中心的流程，直到我们分组之后所有的数据都不会再变化了，也就得到了最终的聚合结果。通常情况下，一组数据，需要分成几类，一种方式是直接确定类别数，一种是通过给定一些k值，探索最终的效果从而确定最佳k值。最佳k值的确定的方法有：拐点法，轮廓系数法，间隔统计量法。
以某现金贷的业务而言，通过客群细分的方法，选择了以下较为显著的特征有，希望能给各位做风险客户画像的同学，带来一些启发，具体的维度如下：

PBOC信用标签
信用属性标签
工作属性
单位属性
房产属性
车贷属性
信用卡均额
贷款笔均
贷款属性
大数据多头标签
个税收入
航旅属性
手机号价值标签
手机在网时长
婚姻状况标签
贷中审核
贷后管理

变量细则有：

以上更详细内容参考——【番茄风控大数据】，更详版excel资料请至社区查收。

…
~end