失联模型小结

适应新环境，工作繁忙，又想笔耕不辍，因此果断水一篇。

贷后一般有三类模型，失联模型、账龄滚动率（迁徙率）模型和还款率模型。

失联模型的目的在于，信息修复、提前委外，难点在于如何准确定义失联。这让我想到了之前部门搞的反欺诈模型，由于标签定义的问题，上线后性能下降非常快，可能对于反欺诈问题，异常检测算法更加适用。

一、失联类型与定义

失联的类型可分为如下几类：

完全失联，指客户完全联系不上。

1-7天失联，指客户在dual-day7天内联系不上。

TPC失联，指拨打客户有关系第三方的联系人也联系不上。

失联的定义一般来自具体业务场景的定义，包括：无法接通、停机空号、拒绝关机等。

二、模型的数据源

交易情况、贷款余额情况、额度占有情况、最近一次联系客户的情况、户籍信息、工作家庭情况、历史催收情况等，具体点的变量可以查阅参考资料1，做了不错的分享，选取某个变量在下方截图示例。

个人认为，比较强的变量主要是外呼类数据、上次联系到距今的时间差、跳票情况，作者提到的联系人信息中（TPC）是否有父母等也蛮有意思的，但估计不会是太强的变量。

三、模型应用

这部分直接摘自参考资料1，与之前给部门做的方案思路一致。实际上，去观察M0-M1、M1-M2模型的交叉风险矩阵，会发现一个很有意思的现象，对于M0-M1评分很高的优质客户，一旦进入M1，那么M1-M2的评分是很低的，彻底坏掉的风险极高，业务上有时未必意识的到。

附，参考资料：

1、金融风控干货篇：失联模型，https://mp.weixin.qq.com/s/elGDKSn1U_XE2vdMB8QMKw

2、失联用户画像分析--续，https://mp.weixin.qq.com/s?__biz=MzU3MzcwMTMwNA==&mid=2247483990&idx=1&sn=721c8cbe7f77d197661fb35c6d3effc3&chksm=fd3cef81ca4b6697ab85471d27e26198f38e00b26104977c5c0d90f9c98d57b4d220d60d4b5d&mpshare=1&scene=24&srcid=#rd