某月,某助贷产品的递延逾期率出现了一个近2个百分点的跳增。次月递延逾期率也是如此。显然,该产品此前较为稳定的vintage表现出现了劣化苗头。
与此同时,连续2个月的审批通过率也出现了几个百分点的下降。在风控模型没有明显调整的情形下。逾期率和通过率的双双下降,表明助贷产品的资产端可能出现了问题。
但我们需要更直接的证据来坐实我们的判断,同时也为风控模型的迭代做准备,这时候,客户画像分析就派上用场了。
我们选取该产品近2月和此前2个月的客户样本,从客户的基本信息、征信信息、外数信息等维度进行客户画像分析。
从基本信息来看,近2月的客户要更年轻,表现为低年龄段客户占比大幅提升,高年龄段客户比占大幅下降;近2月的客户学历更高,表现为大专及以上的客户占比大幅提升;同时未婚、无工作年限的客户占比均大幅提高。
从征信信息看,近2月客户的债务负担明显加重,一是信审查询机构数大幅增加,二是贷款负担大幅加重,包括贷款总账户数、未结清贷款余额、平均应还款这些指标均大幅上升,三是信用卡债务也大幅增加,包括贷记卡发卡机构数、贷记卡已用总额度等指标也大幅上升。
同时,近2月客户的逾期表现恶化,无论是贷记卡还是循环贷、非循环贷,客户的逾期账户数、月份数、逾期(透支)总额均有大幅升高。
从外数信息来看,近2月客户的多头共债行为更为明显,在更多的平台机构申请线上小额现金贷款,实际放款机构数量也大幅上升;同时近2月客户命中执行公开信息、限制高消费名单、民商事裁判文书的比例也大幅上升。
显然,该资产方的近2月客群的客户画像分析,表明了:
资产方接入了更多的超前消费的年轻人;
从而导致了资产方的客群整体质量水平下降了。
申请评分卡结果也验证了上述客户画像结论,近2月客户的评分卡分值分布中,最高得分层次的客户比例下降了,而其他层级的客户占比都上升了。