客群分层怎区分，贷中风控来划分

回顾2020年~2021年，众多行业都在困难模式中一路咬牙坚持，金融行业也不例外，新冠病毒的突然袭击，全国多城市封闭，居家式管理，企业暂停运转，资金无法回收，负债无法偿还，最终导致破产倒闭，员工失业。无论是个人还是企业都面临着无收入可偿还贷款，使得金融行业的坏账率整体呈上涨趋势。

疫情得到控制后国家大力推进经济复苏，金融行业也逐渐开始回温。银行业开始针对小微企业放宽授信政策开始，迎来了贷款小高潮。从人民银行2021年1月29日公布的《2020年金融机构贷款投向统计报告》可见，2020年末，金融机构人民币各项贷款余额172.75万亿元，同比增长12.8%；全年增加19.63万亿元，同比多增2.82万亿元。（详情可参考：2020年金融机构贷款投向统计报告）
其中普惠金融领域贷款余额21.53万亿元，同比增长24.2%，增速比上年末高1.1个百分点；全年增加4.24万亿元，同比多增1.75万亿元。即使在困难模式下，普惠金融仍然保持着极速发展的趋势不断增长。互联网的普及，普惠金融的推广，使得在疫情下更多人得到了帮助。

回顾人民银行金融科技委员会召开会议研究部署2021年重点工作。会议认为，打开金融科技高质量发展的新局面，从推动金融数字化转型，健全金融科技监管基本规则和标准、出台金融业数据能力指引、实施金融科技赋能乡村振兴示范工程、深化监管科技应用、强化金融科技基础理论、重点领域及关键技术研究等六方面内容作为2021年的重点工作。（新闻全文内容请参考：人民银行金融科技委员会召开会议研究部署2021年重点工作）

根据会议内容，我们能发现“金融技术”、“数据”、“监管”作为2021年的工作重点，互联网金融一直在监管之下，致力于金融技术及数据的发展。未来由人民银行于介入对数据进行管理，将会使得个人信用数据得到完善，对于数据的应用、客群的分级处理、客群的挖掘、客群质量的评估、客户资质的评估也成为了工作中重要的内容。

什么样的客户会是好客户？

通常我们认为有房有车有资产，那肯定是好客户，那这类客户全部都有借款需求吗？大部分还是会。借款可以增加自身资金成本，可以做进一步的资金扩张。但是他们会来互联网公司借款吗？不一定。这类客户基本都被银行所覆盖，银行额度高，利息低，周期长，有保障，不乱收费等，那客户去银行借款是第一选项。

那什么样的客群会选择非银机构借款呢？

借款的主体他们会考虑，但借款的产品他们应该更关注：低息的、期限长一些的、明码标价无乱收费。而很多非银机构基于资金等各项成本，其实无法做到银行那么低息产品。客户会选择什么样的贷款产品，什么样的产品决定什么样的客群，客群也反过来决定了产品的风险。这些都是循环作用着的

常规上选择非银行的都是被银行筛剩的客群。这个在传统模式就是这样。看看小贷公司、P2P公司，基本都是这类客群。但随着金融的覆盖，越来越多的银行下沉到之前非银机构的客群中，比如现在很多信用随着发卡量剧增，产品的覆盖度基本朝着普惠金融方向发展。一个字，放。难怪2019年，某银行单单一年的发卡量就达到上亿规模。银行跟互金的客户的交界越来越多，也越来越模糊。
回头来思考下，互金机构中的客群一般又是什么类型的客群呢？我们需要对互联网金融的客群有一个较为清晰的认知，才能做好客群的分级处理以及评估，什么样的客群会选择互联网金融？大多数的客户集中于这几类，第一个是前面提到的银行无法批核的客户，客户有资产，但是资产空间不足，或个人信用情况无法达到银行批核条件；第二个是已经在银行有较大额的负债且已无信贷额度的客户；第三个是达不到银行的申请资格的客户，银行申请要求普遍较高，较多人无法达到银行的申请标准。

综上几类客群可以发现，基本都是银行“不要”的客群，但这类客群就是坏客户吗？不见得。银行可承受的坏账风险是极低的，并不是客户是坏客户，而是这类客群银行无法对其进行抽丝剥茧，从中寻找客群质量好的部分客群，且风险性较高，所以银行会选择舍弃这部分客户。而这些银行舍弃的客群，才让互联网金融得以发展。银行是保守的稳健的，要调整比较难。但互金天然没有这个屏障。
以互联网信息获取的特点，无论是客户互联网的交易数据、信用数据、反欺诈数据、设备数据等均可以作为客群分级的信息，如通过客户每月消费数据反推客户收入情况，利用客户信用数据知晓客户的负债情况，再例如客户的标签数据，推断客户所在的行业、岗位、收入等信息，不同的数据组合不同的字段组合将会刻画出不同的客群。

以上我们都是在做区分客群的工作？回头来思考下区分客群有什么用？

客群的分类不仅仅能让我们发现现在业务发展情况是否处于良好的状态，更多的是帮助我们在策略规则部署时有侧重点之分，帮助我们在额度策略中对高风险客户提高额度从而提升资产质量，对低风险的客户拒绝或者降低额度处理，以保证资产质量不会下滑。

客群要怎么区分？

客群可以根据客户个人信息、行为数据、信用数据、三方数据等信息进行聚类分类，并不是每个特征变量都可以有区分度，需要根据实际业务不同情况进行分析，寻找贴合实际业务的实际特征变量。例如高学历客群月收入水平较于低学历客群月收入水平高，一线城市客群月收入水平较于四五线城市客群月收入水平高，客群的分类对于额度策略而言，是重要的特征因素。

那额度策略该怎么制定？

首先我们需要知道产品还款方式及授信模式，是等额本息还是先息后本，是循环授信还是单次授信，额度最高最低范围等信息，不同还款方式不同授信模式会有不同的额度制定方式，初始额度或是业务/项目启动时，可以采用较为简单的额度制定方式，例如可以先确定基础额度，基础额度可以是最低额度，根据客群单一特征分类制定额度系数，则最终额度=基础额度*额度系数。
单一特征分类有可能存在额度偏差性较大，资产质量失衡难以调整，未实际考虑客群风险情况，为加强资产质量平衡性，后面可以再采用额度矩阵采用双维度进行额度系数确认，可以保证灵活性的同时也结合信用风险维度及非信用风险维度，降低单一特征变量而导致的额度差异。

额度策略制定完就结束了吗？当然不是，额度策略并不是一成不变的，制定额度时的特征变量也并非长期有效，在项目上线一段时间后，需要知道现在额度分布情况是怎么样的、是否存在额度分布失衡的情况，同时也根据现有客群重新审视原额度特征变量在逾期维度是否有区分度、区分度是否明显、是否可覆盖风险、原制定额度的方式是否调整等问题，额度矩阵是最基础的额度策略，结合模型、策略、风险、收益才是额度策略的最高境界。这一系列到操作都是环环相扣，系统调整组合到。实操起来还有些难度。

想更清楚这个系统性调整的难点，可回顾第一期《智能数字风控训练营》，在关于贷中的客群的风险分层，番茄学院也将从浅入深，从基础到进阶，多维度剖析风控逻辑，梳理整个风控的逻辑流程，帮助大家从0到1，教会大家贷前授信，贷中客群分层调额。里面还涉及监控，预警等实操内容。该训练营全程33个工作实操案例，非理论教科书式的内容，看完一定会让您有所收获。

~原创文章
…
end