发帖
雷达卡
目前风控的特点，模型也好，策略也罢，对于以上两者，由于数据的关系都有一些天然的滞后性。特别是对分析资产的同事来说，时间更是宝贵，巴不得放款的下一秒就能掌握资产的情况。这时候，有没有特别好的方法和技巧能技能提前判断呢？本文给各位读者分享目前提前预测坏账的技巧。
在风控中来评判在一波资产的好坏，我们有vintage和M1+、M2+、M3+等这样的指标的来判定资产的情况。如果以上的资产指标全部都能评估到，最少必须走完的时间的跨度为30+90=120天，对，120天。这里M1=30, M2=60, M3=90。
然而120天，一家公司来评定资产来讲，实在是有些长。公司的领导，放款的老板，恨不得放款的第一天就想知道这波资产的情况。当然如果能对某批客户在放款前就进行精准的风险界定，拍着胸口说，老板，这批客户尽管放，坏账了我兜底。
你敢拍胸口，老板也未必都愿意把所有的家底都交给你。因为这年头，投资已经趋于理性。而且这样的未卜先知的事情不可能发生。生意场上的事情，风险与收益总是并存，谁能打包票。商业态势更是瞬息万变，但在资产市场里，不变的依旧是风险跟收益绝对是成正比的。
回归风险本身，人类总是喜爱在杂乱无章的数据跟历史事件中找固有的规律，风控人也不例外，想提前预测未知的风险。比如预测性的风险东西，目前虽然有模型可以辅助。但模型要好用，前提必须是现有的情况跟之前的情况有相似性，方能适用。也即是客户的状态不会迁徙。但模型也只是对客户分层有较好的使用场景。在做资产的分析这块，其实模型还不是强项，所以我们今天介绍另外更实用的方法:提前预估法跟客户画像。
一：提前预估法
提前预估法，是当客户在出现首逾的时候，并且已经有fpd1-30这些情况的时候，我们就会将其具体的量拎出来，之后我们会算出来一个在对应状态下滚动到dpd90+的概率，再将两者相乘即可直接得到具体的资产坏账预估值。
如：fpd15*Rate(fpd15_to_dpd90+),再具体些的例子为假设客户已经有fpd1、fpd7、fpd15、fpd30的，那将客户历史状态的对应数值滚动到dpd90+，即可得到相应的预估坏账情况：
目前业内常用的数值的主要有fpd1+，fpd7+，fpd15+，fpd30，所以对应表格中:A1、H1 、I1 、G1。
但使用这个方式来算迁徙率有几个方面是需要注意的，
1：是需要挑选的产品是比较稳定的老产品，尽量用之前的老产品去算。因为新产品没有相关的数据，所以在没有数据的情况下，也必须使用老产品去做相应的预估，之后可以设置一些调整系数。
这里的调整系数，需要跟较有经验的同事交流，一般需要结合产品的定位和风险属性等方面综合考虑。如果实在不会设置，我建议去一个极端值，用这个值去评估下是否在你可接受的范围内，进行调整。
2：尽量选择近期的产品，网贷款的行业变化太快，政策每年都有一些变动。哪怕同一个渠道，也不一定能够用到当前的情况来，由于网贷行业的属性，建议选时间距离目前较近的数据。
二．客户画像法
客户画像，在许多推荐类跟营销类的场景里，是经常会遇到的一个数据需求。在基于历史的客户数据的基础上，我们需要寻找跟目前客户最吻合的特征进行画像。
常用的客户的画像的特征有性别、收入、贷款类型、消费喜好、是否命中某些黑名单…这些都是常用的客户画像的变量。
不过做这个客户画像，比较繁琐，如果想要简便写，可以直接跟拿评分卡的变量来套用。
在常见的客户画像里，依旧有以下几个方面需要注意：
1．客户画像，前提的假设还是相同的客户画像跟历史的表现是一致；
2．尽可能区分到同一类渠道，或者具体到同一种产品里，做客户画像，不然做出来的画像匹配度的确很低。
因为网贷行业属性，产品的平均的周期在1年左右。因为紧跟政策，不像银行类的客户或者信用卡的客户，已经非常成熟跟稳定。所以在做上面的一些尝试后，各位还是要紧盯监控报表，必要时做一些调整。
像上文所提及那样的两种方法，都是我们对模型跟策略无法兼顾的情况下使用的技巧，在实战都会真切使用的技巧方法。策略模型都是工具，均为保障我们的资产服务。所谓资产放中间，模型策略两边支撑。
最后是关于文章中，提到的客户画像的具体类型，我们会将此表上传到知识星球上，请有需要学习的了解的同学上去查收，谢谢。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
