找出贷款组合中的高风险分群
导入申请记录及其属性和结果。工具按单个属性或两个属性组合划分分群,比较坏样本率,并将高于整体水平且难以由随机波动解释的分群排在前面。
申请文件
结果明确的 3,860 笔申请中,坏客户有 207 笔,好客户有 3,653 笔。另有 140 笔结果未知,不纳入分析。
文件只在当前浏览器中读取,不会上传。只有您要求通过邮件发送结果时,才会发送汇总数量。
用于分析的属性列:store, region, product, channel, age, loan_amount。数值会按样本量大致均分为五档。
application_id 未纳入分析,因为几乎每笔申请的取值都不同(如 ID),或超出了前十个属性的范围。
小分群可能因为少数坏样本而出现很高的坏样本率,因此不检验低于此申请数的分群。
检验的分群越多,随机波动造成高坏样本率的情况就越多,因此每个分群都需要更强的证据。置信度越高,被标记的分群越少。
以下是来自一家门店放贷机构的 4,000 笔模拟申请,其中预设了几个高风险分群。
已标记分群
有 10 个分群的坏样本率高于整体水平,且在置信度为 95% 时,差异无法用随机波动解释。排名前 10 的分群包含全部坏客户中的 69.1%,涉及 45.4% 的申请。分群用于定位排查对象,不代表问题成因。
排名靠前分群的坏样本率
红色柱表示已标记分群,虚线表示整体坏样本率。
按超额坏样本数排序的分群
| 排名 | 分群 | 申请数 | 坏样本数 | 坏样本率 | 坏样本率倍数 | 超额坏样本数 | 标记 |
|---|---|---|---|---|---|---|---|
| 1 | age = <24 | 745 | 71 | 9.53% | 1.8× | 31 | 是 |
| 2 | product = Phone · channel = online | 360 | 50 | 13.89% | 2.6× | 31 | 是 |
| 3 | channel = online | 1,164 | 89 | 7.65% | 1.4× | 27 | 是 |
| 4 | store = S07 | 178 | 30 | 16.85% | 3.1× | 20 | 是 |
| 5 | product = Phone | 1,171 | 80 | 6.83% | 1.3× | 17 | 未见显著异常 |
| 6 | channel = online · age = <24 | 240 | 30 | 12.50% | 2.3× | 17 | 是 |
| 7 | product = Phone · age = <24 | 239 | 29 | 12.13% | 2.3× | 16 | 是 |
| 8 | region = East · age = <24 | 180 | 25 | 13.89% | 2.6× | 15 | 是 |
| 9 | region = East | 1,005 | 69 | 6.87% | 1.3× | 15 | 未见显著异常 |
| 10 | age = <24 · loan_amount = <540 | 136 | 20 | 14.71% | 2.7× | 13 | 是 |
| 11 | store = S07 · product = Phone | 54 | 15 | 27.78% | 5.2× | 12 | 是 |
| 12 | region = East · product = Phone | 321 | 29 | 9.03% | 1.7× | 12 | 未见显著异常 |
| 13 | channel = online · loan_amount = [710,870) | 220 | 23 | 10.45% | 1.9× | 11 | 未见显著异常 |
| 14 | channel = online · loan_amount = <540 | 244 | 24 | 9.84% | 1.8× | 11 | 未见显著异常 |
| 15 | region = North · age = <24 | 208 | 21 | 10.10% | 1.9× | 10 | 未见显著异常 |
| 16 | region = East · channel = online | 303 | 26 | 8.58% | 1.6× | 10 | 未见显著异常 |
| 17 | age = <24 · loan_amount = [540,710) | 159 | 18 | 11.32% | 2.1× | 9 | 未见显著异常 |
| 18 | loan_amount = <540 | 738 | 49 | 6.64% | 1.2× | 9 | 未见显著异常 |
| 19 | loan_amount = [710,870) | 776 | 51 | 6.57% | 1.2× | 9 | 未见显著异常 |
| 20 | store = S07 · channel = online | 69 | 13 | 18.84% | 3.5× | 9 | 是 |
| 21 | store = S13 | 220 | 20 | 9.09% | 1.7× | 8 | 未见显著异常 |
| 22 | region = East · loan_amount = [710,870) | 187 | 18 | 9.63% | 1.8× | 8 | 未见显著异常 |
| 23 | product = Phone · loan_amount = <540 | 470 | 33 | 7.02% | 1.3× | 8 | 未见显著异常 |
| 24 | product = Appliance · age = <24 | 136 | 15 | 11.03% | 2.1× | 8 | 未见显著异常 |
| 25 | age = [34,46) · loan_amount = [710,870) | 158 | 16 | 10.13% | 1.9× | 8 | 未见显著异常 |
另有 46 个分群可在下载文件中查看。
通过邮件获取结果
可根据结果,用历史申请数据测试在授信决策中对某个细分组采用更严格审核或转人工处理的效果。开始试用
分群检验方法
坏样本率 = 坏样本数 ÷ 申请数 坏样本率倍数 = 坏样本率 ÷ 整体坏样本率 超额坏样本数 = 坏样本数 − 申请数 × 整体坏样本率 z = (坏样本率 − 其余贷款组合) ÷ √(p × (1 − p) × (1 ÷ n + 1 ÷ (N − n))) 标记 = p ≤ (1 − 置信水平) ÷ 受检分群
每个分群都与贷款组合的其余部分进行比较。置信度门槛会按受检分群总数调整,避免分群数量增加时仅因随机波动而标记更多分群。只有当双属性组合的坏样本率同时高于两个单属性分群的坏样本率时,才显示该组合。
找出贷款组合中的高风险分群
分群坏样本率指某类申请中坏结果所占的比例,例如来自某家门店、某个渠道或某种产品的申请。工具会将各分群的坏样本率与整体坏样本率比较,并检验差异是否可能由随机波动造成。
坏客户可能集中在某些门店、渠道或客群中,整体贷款组合的坏账率未必能反映这些情况。可将通过显著性检验的分群作为排查方向,再用历史申请数据测试更严格的审核或转人工处理。
常见问题
如何找出贷款组合中的高风险分群?
比较各分群的坏账率和整体贷款组合的坏账率。工具会检验差异是否超出随机波动,并按超额坏客户数排序。
如何比较不同门店或渠道的坏账率?
将门店或渠道作为属性,比较各组的坏账率和整体贷款组合的坏账率。工具还会显示每个分群的申请数、坏客户数、Lift 和超额坏客户数。
风险分群中的 Lift 是什么意思?
Lift 是分群的坏账率除以整体贷款组合的坏账率,用来比较该分群和整体组合的坏账率。
如何区分高风险分群和随机波动?
工具会将每个分群与其余贷款组合进行检验,并根据检验的分群数量调整判断标准。通过显著性检验的分群,其坏账率高于整体贷款组合,且在设定的置信水平下,差异不能用随机波动解释。
为什么坏客户会集中在少数门店或渠道?
整体贷款组合的坏账率可能掩盖不同群体之间的差异。按属性比较坏账率,可以看出坏客户集中在哪些群体,但分群只是排查方向,并不代表原因。