风控策略：客户分群策略详解

01 什么是客户分群？

客户分群战略次要使用正在贷前场景中。简略来说便是依据客户的差异维度将客户分别赴任异的群体或组中，分别后的群组之间有一定的风险不异性大概业务含意。

下面来说说分群的意义和劣势。

咱们说贷前的次要业务目的便是尽可能的识别客户的风险，也便是说正在一个客户申请之前咱们其真不理解那个客户的风险程度，或者是一个劣异客户急需用钱，或者是一名老赖想骗贷，又或者是平台已有的老客户想再次告贷等等。

面对盘根错节的群体，客户属性、对客户相熟程度、客户渠道等都有可能是差异的，咱们可以将那些种状况室为客户的维度，差异维度的组折就会涌现出不异化的风险水平。

试想，假如贷前业务场景只要一个通用的授信战略来应对所有申请客户，这么成效会如何呢？

答案是成效很平凡。

因为做为一个通用的授信战略，其统筹性必须作到很好，大概说要作到平衡，过于严格则对低风险客群不折用，而过于放松则对高风险客群不折用，“既要又要”是不止的，所以通诡计味着平凡。

因而，贷前业务场景正常会运用客户的分群战略，假如你作过模型就会晓得“分而治之” 的道理，子模型融合后的成效正常要强于单模型。那便是分群的意义所正在。

运用客户的分群战略会有以下几多个劣势：

真现对差异群体的不异化战略，使战略更精密化，提升整体风险识别成效

可以从更多维度不雅察看客户的业务微风险状况，造成客户画像

部分客群风险升高时可以部分办理，便捷问题定位和办理

正在作分群时，咱们会提出几多个问题：

以什么维度停行分群是比较好的？有没有一个掂质的范例？

正在维度挑选方面，正常有几多个因素须要思考，此中前两个比较重要。

分群后风险水平的不异性

分群后客户数据维度的差别性

分群后的分布不乱性

分润的可评释性

风险水平的不异性是更重要的，并且不异性越大越好，首先要选与有风险区分度的分群办法，而后再联结其余因素综折思考。假如一个办法分群后看不到风险不同，这就违犯了贷前业务的目的，没有意义。

下面引见几多个罕用的分群办法。

新老客

新客、老客分群是最罕用有效的办法，为什么那么说呢？

咱们先了解新客取老客的区别。新客的界说是初度正在平台发功课务，因而咱们对新客是不理解的，就跟陌生人一样，只能靠贷前授信审核战略初阶判断出风险，再停行决策。而老客（存质客户）曾经正在平台有过业务接触，过往汗青中能否定时还款，能否有过过时记录那些都记录正在系统中，是咱们强有力的判断按照。

因而，总结来说：一是老客有更多的数据维度；二是老客的风险要远远小于新客，有鲜亮的风险区分度。那两点完满折乎前面提到的分群掂质范例。虽然，那种分群方式正罕用正在业务不乱中期，因为业务初期全副为新客，老客的积攒须要一定的周期。

进件渠道

客户的进件渠道是此外一个比较罕用的分群方式。和新老客分别差异，进件渠道不行两个，可能有不少个，且各渠道的风险纷比方，可能雷同也可能差异，要基于那个渠道的客户量质详细来看的。

比如，从贷款超市导流过来的客户正常量质会更差，而通过线下地推人工审核的客户量质更好。这么那两个渠道的客群微风险水平便是截然差异的，须要差异的风险打点战略。

虽然，跟着业务不停展开，渠道可能会越变越多，可能无数十百个，假如依照每个分群制订战略，这么整个流程会变得很是复纯，且工做质暴删。

那时须要看详细状况将同类渠道大概风险水平相当的停行大类兼并，比如可以将多个贷款超市的渠道统一纳入“贷超”渠道；再比如将渠道依照高中低的风险水平分段，新的渠道评价风险后满足哪个风险区间就划入哪个群。正常分群的群数2-5为最佳，不宜太多。

客户属性

客户的画像标签，好近年龄、职业、学历等根原属性的分群。属性分群的提早是要对客户画像有足够的理解，并有一定风险区分度，更多的是参考经历。

决策树

客户进件时咱们会获与一些数据，比如根柢信息、征信数据、多头数据、方法数据等等，加起来可能有成千盈百个变质。这么如何从那些变质中发掘出最劣价值，最有区分度的变质呢？

比较罕用的办法是通过有监视呆板进修的决策树算法停行分别，因为决策树的决裂本理是选与信息删益最大的变质，即区分度最好的变质，咱们称为要害变质。

留心由于决策树是有监视进修，因而须要有目的变质（Y标签）威力运用。

下面是一个运用决策树生成变质分别的一个可室化示例。

可以看到，第一个决裂节点运用了HistoricalDelinquencies变质（含意为汗青过时次数），决裂条件是次数能否大于4.5，注明正在最初的样原上那个变质依照那个条件决裂的区分红效是最好的。背面的决裂以此类推，最末分红了总共8个客户群，各个群之间的坏账率bad_rate有一定的区分度。

决策树尽管可以主动化分群，但往往正在不乱性和可评释性上略微差点，因而运用时还须要留心以下几多点：

分群数质不宜太多，可设置树的深度控制分群数质

分群后每个子群的分布占比能否不乱

变质决裂节点的阈值能否有可评释性

详细咱们背面正在真战内容具体引见决策树的运用办法。

聚类分群

聚类和决策树相反，是一种无监视进修方式，典型的算法有K-means。

聚类正在分群战略中的确很少运用，因为不乱性和可评释性都很是差，并且正常可以获与目的变质，所以算法层面来讲决策树会更胜一筹。

对以上几多个办法停行个对照总结。

分群办法

风险不同

数据不同

不乱性

可评释性

那几多个办法中，决策树和聚类是算法层面的分群办法，劣点是可以主动化生成分群但弊病也很鲜亮，便是不乱性和可评释性偏弱。而新老客和渠道的分群是比较抱负的，满足咱们垂青的几多点要求，所以正常战略中也比较偏爱那么用。

总的来说，分群的办法是比较活络的，以上提到的例子和办法都是比较范例的作法，真际可以联结业务状况活络设想。

分群正在贷前战略中运用频繁，其焦点思想便是分而治之，懂了那个思想其余不少办法都是触类旁通的。下一节咱们通过一个真战内容解说如何停行决策树的分群，分群后的不乱性监测、以及正在分群后该如何设想战略和模型。