- 年份
- 2021—2022
- 行业
- 金融
- 方向
- 风控建模
- 状态
- 已交付
案例 01 · 招商银行
小额贷款催收风控模型
为招商银行小额贷款业务研发并部署催收模型，与客户数据流全面对接。
用数据挖掘算法构建特征，采用评分卡模型，并在大规模样本上结合机器学习方法，兼顾模型的稳定性和泛化能力。上线后违约率降低 8%，需要人工审核的量降至部署前的 32%。
8%违约率降低
32%人工审核量为部署前的
业务难点
催收资源有限，但不同客户的风险并不相同。业务记录不能直接作为稳定的风险依据；模型还要兼顾风险识别、审核成本与上线后的表现。
- 01
业务数据
- 客户业务数据流
形成可用于建模的样本
- 02
特征构建
- 数据挖掘
- 业务特征构建
提取可重复计算的风险信号
- 03
风险建模
- 评分卡模型
- 大规模样本机器学习
把客户差异转为风险分层
- 04
业务接入
- 模型部署
- 审核分流
支持审核资源分配
架构沿用现有项目技术路线；下文展开各环节的技术作用与验证方法。
关键技术：解决什么，为什么有效
特征工程：把原始记录转成风险信号
- 难点
- 业务记录粒度不一，直接输入模型容易混入噪声，甚至包含预测时点之后的信息。
- 技术路径
- 项目以数据挖掘构建特征。技术设计重点是先界定观察窗口与风险标签，再形成可重复计算的业务变量；例如频次、间隔和变化趋势都必须以预测时点为界。
- 作用与验证
- 让模型比较的是当时可获得的风险信号，减少离线效果很好、上线失效的偏差。
评分卡与机器学习：连接预测与审核策略
- 难点
- 风险分数只有转成业务可执行的分流规则，才能改变审核效率。
- 技术路径
- 既有路线采用评分卡，并结合大规模样本上的机器学习方法。评分卡便于组织稳定的风险分层，机器学习用于学习更复杂的变量关系；具体组合方式应随样本与业务约束验证。
- 作用与验证
- 按风险分层配置人工审核资源，同时检查分流阈值下的风险覆盖与误判成本。
交付与成效
已研发部署并对接客户数据流。现有项目记录：上线后违约率降低 8%，人工审核量降至部署前的 32%。这两个指标描述整体项目成效，不等同于某一模型单独带来的收益。
查看评估与验收要点
先定义预测时点
评估这类模型时，先明确要预测的事件和时间范围；特征只能使用当时已经知道的信息，避免把事后结果带入训练。
用业务成本选择阈值
模型评分还要转成审核规则。验证时同时看风险识别、误判和人工审核量，再按业务可接受的损失确定分流阈值。