非风险|互联网金融中可做的17个模型( 二 )_互联网金融

8）借款可能性预测模型
预测客户未来一段时间内发生借款行为的概率。客户借还一次，带来的利润是不够的，实际上，因为获客的成本不断增加，优质客户多次借款才能覆盖成本。对借款可能性的预估，可以帮助你更好地服务这些稀客。如遇到资金储备不足，也可以限制对这些人的营销，防止集中借款导致资金缺乏。
9）客户流失模型
预测客户未来一段时间内会不会流失，和借款可能性大致相反。对于高流失可能的客户，应该尽早地想办法挽留，因为一旦流失，重新唤醒的难度不亚于一个纯新户的获客。
10）甚至是，模型分的有效性预测模型
模型预测的高分段好用户多，低分段坏用户多，但并不都是好用户或坏用户。评分的效用是群体有效，而非个体有效。那预测结果和真实表现差别大的群体，就是模型分有效性不足的群体，这部分客群如果能有效地被识别出来，就不应该采用这个评分工具。
03量化增长一般较少考虑风险，增长和风险分开能够使得效率最大化。还有一些非风险模型应用场景不限于信贷的。
11）收入模型
预测客户的收入情况。收入模型可能是应用场景最多元化的模型之一了。在风险层，高收人群至少避免了因还款能力不足导致逾期的可能。在非风险层，高收人群尤其是营销获客的香饽饽，甚至很多增长运营团队的核心指标就是此类客户的数量。
12）负债模型
预测客户的负债情况。收入的另一面就是负债，客户显然更愿意支付房贷、车贷等大件物品的每月账单，剩下的才是用户的可用流水。负债收入比过高，贷款逾期风险往往就很高。
13）破产模型
预测具有破产可能性的客户或者企业。相比之下，企业的同质样本比个人的同质样本少得多，而且企业的财务数据容易被高管们操纵，导致企业破产模型的预测效果一般不如个人的模型效果好。
14）职业模型
预测客户的职业。挖掘一个人属于什么工作单位或岗位，可以进一步评估工作稳定性。在风控领域，职业的预测并没有收入负债的预测应用的那么直接，至少可以理解为，职业可以进一步评估个人收入水平和收入稳定性。
15）有孩模型
预测客户是否有子女。有稳定家庭的客户，风险表现一般就更好。甚至你的信贷产品可以为此类客群定制一套借还款策略。其他场景的应用就不用提了，母婴品是一个大类，针对这些人去营销吧。
16）有房模型
预测客户是否有房产。有房的客户除了相对更高收外，也大概率有房贷，存在两面性。有房可以确保的一点是更稳定。一般客群质量是自住>与父母同住>合租。
04有一个贯彻营销场景、信贷场景、支付场景等几乎所有场景的模型，那就是反欺诈模型。
17）反欺诈模型
识别欺诈用户。欺诈主要可分为一方欺诈和三方欺诈。一方欺诈是指申请人自身的欺诈行为；三方欺诈是第三方盗用、冒用他人身份进行欺诈，申请者本人并不知情，比如团伙利用非法收集的身份证进行欺诈。
其实还有两方欺诈，是内部人员勾结的欺诈，一般不在考虑范围。
营销中，有刷单、套现、黄牛等风险，这些就可以定义为欺诈。信贷中，有撸口子大军摩拳擦掌，他们借到了多少钱就是挣了多少钱，对于骗贷的人来说任何催收劝还都是无效的。支付中，又存在盗刷、洗钱等风险。还有电信诈骗等等。
05我们额外说一说大家都知道的信用评分，芝麻信用分、微信支付分和小白守约分。
无论是天猫淘宝的消费还是花呗支付的海量交易数据，都可以用来评价个人的还款能力和意愿。结合着马斯洛需求理论，也就是生理、安全、情感、尊重、自我实现依次升级，越能体现高级需求的数据越可以给更高的权重。也就是说重要的不是单次购买行为，而是消费习惯。