5分鐘修煉“額度授予模型”內功
在信貸行業，風控技術人員 TOP5 頭疼事件排行榜上，額度授予模型一定榜上有名；今天我就借這個機會，好好說說額度授予模型。
金大師筆下的江湖暫告一段落，金融風控的修行卻永遠在路上。
俗話說的好：
- 產品有三寶：彈窗，浮層加引導。
- 設計有三寶：透明，陰影加圓角。
- 運營有三寶：簡訊，push加紅包。技術有一寶，這個做不了。
在信貸行業，風控技術人員TOP5頭疼事件排行榜上，額度授予模型一定榜上有名。
今天我就借這個機會，抖抖額度授予模型的寶。
額度授予模型的難度主要來源於模型的驗證過程：
1. 驗證額度模型需要大量資料
風險預測模型中，模型的輸出可以和客戶的實際違約情況進行對比，從而一較高下；但是對於額度模型，每一個客戶都是獨特的，且只有一次被額度授予的機會，所以無法監督哪一個額度模型的表現更好。
2. 驗證額度模型需要較長時間
額度模型的好壞，最常用的一把尺子是客戶帶來的利潤，為了觀測到客戶帶來的利潤，常常要追蹤客戶1到2年。在國內瞬息萬變的信貸市場，等到這個時候可能黃花菜都涼了。
雖然驗證不易，但是在沒有足夠的資料和驗證時間的情況下， 還是有一些基本原則可以助我們逆風翻盤：
一、初級階段
額度矩陣理解起來很簡單，就是 選取合適的指標區分客群來授予額度 。
我們用風險作為唯一決策因子舉一個例子：
- 確定額度範圍：通過分析產品想要針對的客群，從而找到一個適當的額度範圍。比如說藍領貸款額度在3000到1萬之間；白領的貸款額度在5000到3萬之間；
- 確定風險因子：選擇一個評估客戶風險程度的指標，比如說使用融慧提供的多頭分；
- 有了上面兩步，就可以快速地確定額度授予了（以藍領為例）：
在單因子的基礎上加入更多的考慮因子，比如說收入，就可以組成一個更多元的額度矩陣。
這樣的額度矩陣非常適合剛剛開始貸款業務的機構，例如如下矩陣:
因為客戶自己填寫的收入往往難以驗證，也可以考慮使用其他的指標代替，比如說居住小區房價、職業、生活習慣等畫像類指標代替。這些維度的引入可以使額度矩陣更加複雜，也更加準確。
不過，到哪裡去找這些變數呢？
上面提到的風險和客戶畫像，是融慧金科最擅長的領域；歡迎後臺留言垂詢。
二、中級階段
當機構在積累了一定的資料之後，可以通過建模來更科學地進行額度授予。具體的指導思想則是 以利潤為衡量的標尺，找尋利潤最大化的點 。
現金貸的利潤 = 收入 – 損失 = 貸款金額 x 利率 – 違約金額
在授信額度比較低的時候，額度增高，客戶可借款增加，收入增長的速度快。但是當授予額度超過好人可以償還的範圍的時候，好人的額度使用率會下降，導致借款增長緩慢，收入放緩。
與此同時，壞人的額度使用率仍然會維持在100%左右，於是損失迅速增長。 模型的目標就是模擬每一個客戶的收入和損失，找到使利潤一階導為0，利潤最大化的額度； 這個就是我們的最優額度。
舉一個簡單的例子：
我們假設今天是Mate20手機（價值5000元）發售的日子。所有好人的借款目的都是購買Mate20。當授信額度低於5000塊，好人一定會取完授信額度。但是當授信額度超過5000塊錢以後，好人不會多取。與此同時，壞人一定會取現完所有授信額度。
假設客群的利息為18%，逾期概率為10%，那麼：
這個客群的最優的額度授予應該為5000，每位客人的最大利潤為 5000 x (0.18-0.1) = 400元。
這個例子看上去是不是特別簡單？
但是實際運用中可能牽扯到上百種變數和數十個模型。於是引出了接下來我們要介紹的機器學習模型。
三、高階階段
我們為什麼需要機器學習模型？
原因就在於中級階段預測利潤的模型有兩個缺點：
- 邏輯迴歸模型不能抓住非線性的關係；
- 實際運用中，預測利潤往往牽扯到數十個模型疊加，所以更新模型十分耗時。
機器學習模型中，KNN模型適合用於額度模型，可以解決邏輯迴歸模型的以上兩個缺點。
KNN模型，也叫最近鄰居法，它的思路如下：
- 給大量客戶（客戶群體A）隨機進行額度授予，並追蹤他們的表現；
- 利用最近鄰居法在群體A中找到和申請人B相似的客群子集（子集C）；
- 子集C裡面的客戶群體因為被隨機分配了不同的額度，同時不同的額度帶來了不同的客戶表現，我們可以直接給申請人B授予子集C中使客戶利潤最大化的額度。
看到這裡，大家一定 敬 (雲) 佩 (裡) 不 (霧) 已 (裡)，所以我們特別做了一個圖：
從上面的介紹可以看出： KNN模型最大的困難就是積累足夠多的隨機樣本來進行建模 。這也呼應了我們一開始提出的額度授予模型的難題。不過基於以上的分享，我相信每個階段的公司，都可以找到適合自己現階段發展情況的額度方法，進行額度授予。
以上就是今天的5分鐘。
上面的例子看上去簡單，但額度模型的構建其實是複雜困難的，不過獅子座屬虎的女明星曾經給我們端上一碗雞湯。
本文由 @融慧金科 原創釋出於人人都是產品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基於CC0協議。