信贷模型域——客户管理阶段模型（贷中模型）

摘要

本文主要探讨了信贷模型域中的客户管理阶段模型，重点聚焦于交叉销售模型。交叉销售模型不仅应用于贷中阶段，还贯穿于贷前、贷中、贷后全过程，其核心作用在于提升客户价值、增强客户粘性、降低流失率以及实现风险与收益的平衡。文中通过具体案例展示了交叉销售模型在现实业务中的应用，并指出其在贷中阶段的主要任务是提升存量客户价值、增加产品使用率，同时有效控制风险。

1. 行为评分模型(B卡)

1.1. 行为评分模型(B卡)定义

行为评分模型（Behavior Scorecard，简称 B卡） 是金融机构在存量客户管理 中常用的信用风险管理工具。它主要基于客户已经发生的 账户行为、交易记录、还款表现、额度使用情况 等动态数据，预测客户未来一段时间（如未来 6~12 个月）的违约风险。通俗地说：

• A卡（申请评分）解决的是“能不能批”；
• B卡（行为评分）解决的是“批了之后，还能不能继续用、要不要提额/降额”。

1.2. B卡核心作用

1. 风险管理

• • 识别高风险客户，提前预警
  • 辅助催收策略（提前介入 vs 延迟催收）

1. 额度管理

• • 优质客户提额（增加黏性和收益）
  • 高风险客户降额或冻结

1. 运营营销

• • 识别优质客户，精准营销新产品
  • 对中低风险客户，进行分层运营

1.3. 模型输入（典型变量）

输入特征主要来源于 内部账户行为数据，常见维度包括：

1. 账户还款行为

• • 最近 6 个月逾期次数
  • 最长连续逾期天数
  • M1/M2/M3+ 发生率
  • 最近 6 个月最低还款额支付比例

1. 额度使用情况

• • 信用额度使用率（余额/总额度）
  • 最近 3 个月的额度波动率
  • 现金提取比例（取现/总交易额）

1. 交易行为特征

• • 月均消费笔数、金额
  • 高频小额 vs 大额交易比例
  • 消费类型（线上/线下、大额分期）

1. 客户生命周期特征

• • MOB（月龄，Months on Book）
  • 账户年龄与还款表现关系

1. 外部数据（可选）

• • 外部征信的动态更新信息
  • 负债水平变化情况

1.4. 模型输出

• 一个 行为评分（Behavior Score），通常为 300–900 分区间
• 评分越高，表示客户未来违约概率越低
• 可转化为 PD（Probability of Default，违约概率）

1.5. B卡的建模思路

1. 样本选择

• • 人群：存量授信客户（信用卡用户、贷款用户）
  • 观察窗口：过去 6 个月的行为数据
  • 预测窗口：未来 6 个月是否会违约

1. 特征变量

• • 还款行为：是否按时还款、逾期天数、逾期频率
  • 额度使用：额度使用率、现金透支率
  • 交易行为：月均消费金额、交易频率、波动率
  • 账户管理：联系方式是否频繁变更、是否提前还款
  • 衍生变量：还款金额/账单金额比值、消费集中度

1. 建模方法

• • 传统方法：Logistic 回归（可解释性强，监管认可）
  • 机器学习：GBDT、XGBoost、随机森林（提升预测精度）

1. 模型评估

• • KS 值、AUC（区分能力）
  • PSI（稳定性）
  • Lift（提升度）

1.6. 决策方式

基于评分结果，银行/消金公司会设置不同的 策略分层：

• 高分群体（低风险）

• • 提额、优惠利率、交叉销售、重点营销

• 中分群体（中等风险）

• • 保持额度不变，正常使用

• 低分群体（高风险）

• • 降额、冻结部分额度、重点监控
  • 提前预警，进入催收名单

1.7. B卡的应用案例

贷中管理

• 定期（如每月/每季度）对存量客户重新评分
• 动态调整客户额度与利率

贷后管理

• 早期风险预警（提前识别潜在违约人群）
• 催收优先级排序（资源集中在高回收率人群）

客户价值运营

• 识别优质客户 → 提额、交叉销售（如保险、理财）
• 风险客户 → 控制敞口，减少损失

银行信用卡：

• 高分客户 → 提额、推荐新产品
• 中分客户 → 维持额度、定期监测
• 低分客户 → 降额、冻结、纳入催收名单

消费金融：

• • 根据 B卡分数决定是否允许客户再次借款、借款额度多少

2. 交易欺诈模型

2.1. 交易欺诈模型定义

交易欺诈模型是指通过对交易行为进行实时或准实时的建模和评分，识别可疑、异常或潜在欺诈的交易，进而辅助风控系统在交易发生时做出 拦截、放行、人工复核或风险加权 的决策。交易欺诈模型是 贷中/支付环节的实时风控工具，通过多维度数据建模，输出欺诈风险评分与拦截策略，目标是 最大限度拦截风险、最小化对正常交易的干扰。常见场景：信用卡刷卡、网贷提现、支付转账、电商支付等。

2.2. 模型作用

• 实时识别风险交易：判断交易是否存在盗刷、冒用、套现、洗钱等欺诈行为。
• 降低损失：在交易发生前/发生中进行拦截，避免资金损失。
• 提高用户体验：在保障安全的同时尽量减少误杀率，保证正常交易通过。
• 辅助合规：满足反洗钱（AML）、反欺诈相关监管要求。

2.3. 模型输入

交易欺诈模型的输入维度非常广，主要分为以下几类：

• 交易基本信息：交易时间、金额、商户、交易渠道、交易类型（POS、APP、网页）、设备信息。
• 用户账户特征：账户注册时间、绑定信息、账户等级、是否高危客户。
• 行为特征：交易频率、交易金额分布、交易时间规律、商户类别分布。
• 设备与环境：IP地址、MAC、IMEI、GPS定位、设备指纹、代理/VPN信息。
• 历史数据：客户过往欺诈记录、账户被盗历史、黑名单命中情况。
• 外部数据：反欺诈联盟数据、行业共享黑名单、地理风险数据。

2.4. 模型输出

• 欺诈风险评分（0-1000，或0-1 概率）。
• 风险等级标签（低风险、中风险、高风险）。
• 决策建议：放行、拦截、人工复核、限额。

2.5. 建模方案

• 传统建模方法

• • 逻辑回归（LR）：可解释性强，适合线性特征关系。
  • 评分卡模型：常用于早期反欺诈，与风控规则结合使用。

• 机器学习方法

• • 随机森林、GBDT（XGBoost、LightGBM）：适合处理非线性特征与高维数据。
  • 深度学习模型：LSTM（捕捉交易序列行为）、图神经网络（关系网络，发现团伙欺诈）。

• 实时风控体系

• • 建立 规则引擎 + 机器学习模型 的双层防控体系：

• • • 规则引擎：硬性黑名单、国家限制、商户白名单。
    • 模型：识别复杂模式，输出风险概率。

2.6. 决策方式

• 硬拦截：高风险交易直接拒绝。
• 限额处理：限制交易金额或次数。
• 人工复核：进入人工审核队列。
• 动态加权：风险评分与额度、利率、费用挂钩。
• 多层次响应：结合用户历史信誉，灵活处置。

2.7. 应用场景

• 银行信用卡交易：盗刷识别、套现识别。
• 互联网支付：第三方支付平台识别异常转账、羊毛党。
• 电商场景：识别虚假订单、刷单、盗号。
• 消费金融：贷款提现、分期付款的欺诈检测。
• 跨境支付：识别跨国黑产、洗钱活动。

3. 额度/价格调整策略

在信贷和消费金融场景里，通常是指对 客户的授信额度（Credit Limit） 和 贷款利率/价格（Pricing） 的动态管理与优化策略。这个属于 贷中/贷后管理 的核心环节，兼顾风险控制和收益最大化。

3.1. 额度调整策略定义

额度调整策略是指在客户生命周期中，根据其风险水平、还款表现、交易行为等因素，动态地对客户授信额度进行上调或下调的策略。

3.2. 额度调整策略作用

• 风险管理：降低违约风险，防止过度授信。
• 客户经营：对优质客户增加额度，提高使用率与粘性。
• 资源配置：优化资金占用，提升资金使用效率。

3.3. 额度调整策略输入

• 客户基本信息（年龄、职业、地区）
• 信用评分模型（A卡、B卡、C卡结果）
• 交易行为（消费频率、活跃度、异常交易）
• 还款表现（是否逾期、逾期次数、逾期金额）
• 外部征信（人行征信、三方数据）

3.4. 额度调整策略输出

• 调整后的额度值（上调/下调/维持不变）
• 调整建议（提升 20%、降低 50%、冻结额度等）

3.5. 额度调整策略建模/决策方式

• 规则引擎：基于阈值和条件，如 “近 6 个月无逾期 + 高活跃 → 上调额度”。
• 评分卡模型：额度提升申请通过风险评分卡评估。
• 机器学习模型：预测客户未来违约概率和资金需求，辅助额度决策。

3.6. 额度调整策略应用场景

• 提升额度（额度分期、临时额度、提额活动）
• 下调额度（发现高风险信号、黑名单预警）
• 定期额度评估（半年或一年进行批量调整）

3.7. 价格调整策略定义

价格调整策略是指在贷款存续期内，根据客户风险变化、市场利率、资金成本等因素，对客户贷款利率或手续费进行动态调整的策略。

3.8. 价格调整策略作用

• 风险补偿：对高风险客户提高价格，覆盖潜在损失。
• 竞争力提升：对低风险客户降低价格，增加市场吸引力。
• 收益优化：在风险可控的前提下最大化利差。

3.9. 价格调整策略输入

• 客户风险等级（违约概率 PD、损失率 LGD）
• 市场利率（LPR、Shibor 等）
• 资金成本（融资成本、资金池成本）
• 客户交易行为（使用频率、提前还款情况）
• 市场竞争情况（同类机构价格区间）

3.10. 价格调整策略输出

• 动态利率（如年化利率 12% → 调整为 10% 或 15%）
• 手续费率调整
• 差异化定价方案（新客优惠、老客加价）

3.11. 价格调整策略建模/决策方式

• 初始定价模型（基于 A 卡、资金成本、目标收益率）
• 风险定价模型（基于 PD、LGD、EAD → RAROC 定价）
• 动态调价策略（客户行为/风险变动触发价格调整）

3.12. 价格调整策略应用场景

• 首贷定价（根据信用评分和资金成本）
• 复贷定价（客户行为表现良好 → 降价留存）
• 风险加价（客户风险升高 → 提高利率）
• 竞争对标（市场利率下行 → 跟随下调价格）

3.13. 额度与价格调整策略的关系

• 额度与价格 相辅相成：

• • 优质客户 → 提升额度 + 降低价格（留存&增加收益）
  • 高风险客户 → 降低额度 + 提高价格（控制风险&补偿损失）

• 在实际风控系统里，经常会把两者结合为额度+定价联合策略，通过一个策略引擎/决策引擎统一管理。

3.14. 额度与价格调整策略示例

• 客户A：近 12 个月无逾期，活跃度高，评分提升 → 授信额度从 2 万调至 3 万，利率从 12% 调整至 10%。
• 客户B：出现连续 30 天逾期，评分下降 → 授信额度从 1 万调至 5 千，利率从 12% 提升至 15%。

4. 客户流失模型

在金融、信贷、电商、运营等场景里，是用来预测哪些客户有可能停止使用产品或服务的模型。它属于典型的 预测性建模，目标是通过数据分析预防客户流失、提升客户留存和盈利能力。

4.1. 客户流失模型定义

客户流失模型是指利用客户的行为数据、交易数据、互动记录等，通过统计或机器学习方法预测客户在未来一定时间内流失的概率。流失定义因业务不同而不同：

• 信贷/消费金融：连续 N 个月未使用贷款或未还款
• 电商/会员制：一定周期内未消费或未登录
• 通信/订阅：主动退订或停止续费

4.2. 客户流失模型作用

• 预防客户流失：提前识别高风险客户，进行挽留
• 优化营销策略：针对高风险客户推送优惠、活动或增值服务
• 资源优化：集中资源在最有价值的客户群
• 提高收益：减少流失带来的收入损失

4.3. 客户流失模型输入（特征变量）

客户流失模型主要依赖以下几类数据：

1. 客户特征：年龄、性别、地区、职业、注册时长等
2. 行为特征：登录频次、交易频次、交易金额、消费类别、活跃天数
3. 交易特征：贷款使用记录、还款情况、逾期记录
4. 互动特征：客服沟通记录、投诉次数、活动参与度
5. 外部数据：信用评分、社交行为、经济环境数据

4.4. 客户流失模型输出

• 客户流失概率（Churn Probability）

• • 如客户 A 流失概率 0.8 → 高风险
  • 客户 B 流失概率 0.1 → 低风险

• 流失风险等级（低/中/高）
• 推荐策略（针对高风险客户的干预措施）

4.5. 客户流失模型建模方法

1. 统计方法

• • 逻辑回归（Logistic Regression）
  • 判别分析（Discriminant Analysis）
  • 生存分析（Survival Analysis，预测流失时间）

1. 机器学习方法

• • 决策树 / 随机森林
  • XGBoost / LightGBM / CatBoost
  • 神经网络（深度学习）
  • 集成模型（提升预测准确性）

1. 评价指标

• • AUC/ROC：模型区分能力
  • 准确率/召回率/F1
  • KS 值：风控常用指标
  • Lift / Gain：营销效果衡量

4.6. 客户流失模型决策与应用

• 高风险客户挽留策略

• • 个性化优惠券
  • 提前提醒、客服主动联系
  • 提供更灵活的额度或利率

• 客户分群管理

• • 流失概率高 + 高价值客户 → 核心挽留对象
  • 流失概率高 + 低价值客户 → 资源有限，可选择性挽留

• 产品优化

• • 流失原因分析 → 产品迭代优化

5. 交叉销售模型

交叉销售模型（Cross-Selling Model），在金融、信贷、电商、保险等场景非常常用，主要目标是 提高客户价值和销售效率。

5.1. 交叉销售模型定义

交叉销售模型是指基于客户历史行为、偏好和风险特征，预测客户对其他产品或服务的潜在需求，从而进行针对性推荐和销售的模型。简单来说，就是“你已有产品，我预测你可能还会买什么”。

5.2. 交叉销售模型作用

• 提升客户价值（Customer Lifetime Value, CLV）：增加客户在企业的总消费。
• 提高营销精准度：避免盲目推销，提高转化率。
• 降低获客成本：通过现有客户进行销售，比新客户成本低。
• 客户关系管理：通过个性化推荐增强客户黏性。

5.3. 交叉销售模型输入（特征变量）

1. 客户基本信息：年龄、性别、职业、地区、注册时长等
2. 交易行为特征：历史购买产品类型、金额、频次、消费渠道偏好（线上/线下、APP/柜面）
3. 风险特征（金融/信贷场景）：信用评分、逾期记录、还款行为
4. 互动与偏好特征：客服沟通记录、点击行为、活动参与情况
5. 产品特征：产品类别、价格、收益率、组合性

5.4. 交叉销售模型输出

• 客户购买概率预测

• • 客户 A 对产品 X 的购买概率 0.7 → 高推荐
  • 客户 B 对产品 Y 的购买概率 0.2 → 低推荐

• 推荐产品列表

• • 按潜在价值或购买概率排序

• 客户分群

• • 高潜力客户（可重点营销）
  • 低潜力客户（可定期维护）

5.5. 交叉销售模型建模方法

1. 传统统计方法

• • 逻辑回归（Logistic Regression）
  • 关联规则挖掘（Apriori、FP-Growth）

1. 机器学习方法

• • 决策树 / 随机森林
  • 梯度提升树（XGBoost、LightGBM）
  • 神经网络（MLP、深度推荐系统）

1. 推荐系统方法

• • 协同过滤（用户-产品矩阵预测）
  • 基于内容的推荐（Content-based）
  • 混合推荐（Hybrid Recommender）

5.6. 交叉销售模型应用场景

• 银行/信贷

• • 已有信用卡 → 推荐贷款、理财、保险
  • 已有贷款 → 推荐附加保障产品

• 电商

• • 已买商品 → 推荐搭配商品、升级套餐

• 保险

• • 已有车险 → 推荐家庭保险、意外险

• 通信/订阅服务

• • 已有流量包 → 推荐视频会员或增值服务

5.7. 交叉销售模型示例

6. 贷中模型思考

6.1. 交叉销售模型是不是“贷中”？

严格意义上，交叉销售模型不单纯属于“贷中”，它的应用范围更广，覆盖 贷前 + 贷中 + 贷后 各环节：

因此，贷中是应用交叉销售模型的重点场景之一，但它并不仅限于贷中。

6.1.1. 现实业务中的具体作用

在现实金融机构里，交叉销售模型主要有三大作用：

1. 提升客户价值（CLV，Customer Lifetime Value）

• 已经获客的客户往往获客成本很高，通过交叉销售把 单一产品客户 → 多产品客户，提升整体盈利能力。
• 例子：客户有一张信用卡 → 推荐分期付款 → 再推荐消费贷款 → 再推荐理财或保险。

1. 增强客户粘性 & 降低流失

• 多产品绑定的客户更不容易流失，因为迁移成本高。
• 例子：客户同时持有信用卡 + 贷款 + 理财，就算信用卡积分优惠下降，也不容易流失到其他银行。

1. 风险与收益平衡

• 在贷中管理里，交叉销售模型可以：

• • 对 低风险客户 推荐更多产品，增加授信额度，推高收益。
  • 对 高风险客户 限制交叉销售，避免风险积累。

• 例子：稳定还款客户 → 推荐追加贷款或大额分期；逾期风险客户 → 不推荐、甚至削减交叉产品。

6.1.2. 现实业务中典型落地场景

• 信用卡 + 消费分期：客户用卡活跃度高 → 模型预测分期接受概率高 → 推荐账单分期。
• 贷款 + 保险：客户申请消费贷款 → 推荐附加意外险/还款保障险。
• 贷款 + 理财：客户资金周转充裕，风险等级低 → 推荐理财产品。
• 对公业务：企业已有流动资金贷款 → 推荐结算账户、供应链融资、理财。

交叉销售模型在金融业务中不是单纯的“贷中管理工具”，而是覆盖客户全生命周期的营销模型。在贷中阶段，它的现实作用是提升存量客户价值、增加产品使用率，同时控制风险。

博文参考