郑伟东 - 基于沉淀数据的尾部流量建模方法

风控建模四板斧

1. 尾部流量及沉淀数据的特点

• 尾部流量：

  • 构成：管制禁申、低额新户授信拒量、睡眠户、交易拒绝户。
  • 特点：风险高、费用高、件均偏低、数据缺失。
  • 经营目的：增加新户、激活老户。
  • 潜在风险：高风险、多头借贷。

• 沉淀数据：

  • 问题：资信数据昂贵，需尽量减少费用。
  • 目标：最大化挖掘有效信息。
  • 阶段：
    • 授信申请阶段：客户基本信息、ID关联信息、客户授权数据、客户行为数据、三方资信调用。
    • 交易申请阶段：用户提交借款信息、三方资信调用、App/H5内操作事件信息、贷中客户行为数据、未完结订单数据。
    • 贷中调额阶段：调额用户输入信息、历史调额后借贷行为表现、贷中客户行为数据。
    • 贷后阶段：贷前数据变化、贷中数据变化、贷后客户行为数据、贷后跟进记录、贷后扣款还款信息。

2. 扩容-低通过率下的样本扩容

• 方法：
  • 共生融合风险标签：拓宽样本量、有效拒绝推断。
  • 放松坏人定义：0-1二分类模型难以界定好坏边界。
  • 长短期指标选择：长期指标建模效果优于短期。

3. 分群-沉淀数据时效性分群

• 根据用户在子产品授信节点前，在其他产品发起最近一笔动支申请的时间分组，发现：
  • 整体而言：trade1 > trade2 > trade3。
  • 统一使用沉淀数据建模的模型在几个客群上的效果：
    • Trade2 > Trade3 > Trade1。

4. 头部优质客户排序优化

• 方案一：Ensemble模型

  • Step1：全量样本建模。
  • Step2：基于Step1排序，对头部样本单独建模。
  • Step3：将Step1与Step2结果进行Ensemble。
  • Step4：试验验证。

• 方案二：加权法

  • Step1：全量样本建模。
  • Step2：基于Step1排序，对头部样本进行加权。
  • Step3：基于加权后的全量样本再建模。
  • Step4：获得最终模型。

• 方案三：算法优化

  • 修改目标函数和评价函数，加大头部错判坏样本的惩罚，使头部坏用户打低分，好用户打高分。
  • 使用Focal Loss算法。