客户画像分析用于贷中监控的案例

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。