信贷业务风控指标体系
长文预警。
转载请私信联系作者,谢谢对原作者以及她的咖啡的尊重。
大多数人说起风险指标,就想到逾期率,也只能想到逾期率。但在一个专业的风险策略人员的眼里,要想经营好信贷业务的风险,看逾期率是远远不够的。
这篇文章最开始的初衷,是希望梳理信贷业务各个环节会用到的风险指标,作为一篇工具性的文章,放在手边参考。但在梳理工作开始之前,想和大家分享一个风险管理的理念:
以终为始。
这句话可以这样理解:所有的风险指标分析,都是为了信贷业务能够盈利这个最终目标而服务的。风控指标是现象,风控策略是手段;通过现象(风控指标)定位问题,并运用手段(风控策略)实现盈利(风控目标)。
因此,对于一个优秀的风险策略管理人员的期望,我认为是:
- 他清楚的明白,评估信贷业务的健康状况,需要监控哪些指标;
- 他能够通过这些指标展现出来的现象,拆解、分析和定位问题;
- 他能够基于分析结果针对性调整风控策略,或影响业务流程,以达到目标(也许是更好的资产质量、也许是提升通过率、也许是一个合理的客群结构)。
因此,除了了解各种逾期率的算法,更重要的是心中有地图,并知道想要从数据中找寻的是怎样的业务真相。我们现在谈论的风险指标,是风险监控的“术”;而知道如何以终为始,则是风险管理的“道”。
言归正传,回到风险监控指标体系的主题上来。
在一个典型的信贷业务周期中,客户需要经过申请、审批、还款等环节,直至结清。以这个流程为基础,我们就能够提炼出各环节所需的分析维度以及相应的风险监控指标。本文将主要专注于指标梳理,对于指标公式不做过于详细的解释。不过,我会附上一些参考链接供进一步理解。
一、申请
申请环节的分析目标:了解在风控干预还没有开始之前,业务吸引的客群是怎么样的。
这一个板块的指标比较易于理解,因此不做过多解释说明。
二、审批
审批环节的分析目标:监控风控审批是否有效和有效率地筛选出目标客群,并且提供了合理且足够的授信额度。
审批环节可以拆解为三个主要分析的维度:审批效度、审批效率及授信分析。
1. 审批效度,即应用的审批策略是否有效。我们需要评估在一定程度的准确率基础上,审批的拒绝率是否可接受。一般来说,想要抓住更多“坏客户“,就避免不了降低准确率,同时不得不拒绝更多的好客户。建议可以参考混淆矩阵的概念。它可以作为一个量化的工具,来比较不同策略的差异。而策略没有绝对的好坏,只有相对的选择。具体解释可见: 混淆矩阵
顺手贴一下混淆矩阵的几个指标:
- 准确率(Accuracy Rate)
- 召回率(TPR,True Positive Rate)
- 误报率(FPR,False Positive Rate)
- 查准率(Precision Rate)
2. 审批效率,一般主要关注人工运营审批效率(因为系统审批一般已经满足秒批)。在经过系统审批环节后,对于评分中段的客户,我们认为系统策略的判断不够精准时,一般会借助于人工审批。通常会关注的指标有:
- 人工审批率/系统审批率
- 人工审批通过率/拒绝率/复议率
- 系统审批通过率/拒绝率
- 人均审批件数/金额
- 审批时长
- 电核率
- 审批拒绝原因占比
这些指标非常建议结合客群结构进行分析。一方面,所审批客群的变化会造成相同策略下各环节审批率的变化;另一方面,不同的客群本身就应该有不同的审批要求,那么自然就会有不同的通过率和审批时长。因此,观察不同客群的审批情况是非常有必要的。
3.授信分析,即是否合理利用了授信资源。
额度相关常用指标有:
- 平均授信额度
- 额度使用率
- 提款率
- 复借率
- 提前还款率/结清率
客群相关常用指标有:
- 优质客群比例(如稳定职业、征信良好等,可自主定义)
- 风险客群比例(如资金紧张、模型低评分段、历史逾期客户等)
- 客群特征结构(同申请客群分析,含年龄、学历、婚姻等)
三、还款
还款环节的分析目标:监控业务风险表现,理解逾期率恶化或者变优的原因,以及监控业务表现和策略调整行为是否相匹配。
- 逾期金额/逾期笔数/逾期客户数。
首先,逾期金额需要明确是放款金额/在贷余额/是否包含利息等计算口径。另外,以金额为口径计算的逾期率会比较接近损失率,一般会比以笔数或者客户数为口径的逾期率大,金额和笔数口径的指标通常会一并计算和监控。
- 逾期天数/逾期期数
逾期天数是指客户还款日后未还的天数,逾期30天内称为M1,30~60天为M2,60~90天为M3,以此类推;M3+则是指常说的不良。由于常见的贷款产品都是按月还款,因此一般而言,逾期了N期就是指客户在N个月的还款日没有还款。
- 即期(coincidental)/递延(lagged)
假设以月底为统计时间点观测,“逾期客户数/在贷客户数”就是即期口径的逾期客户率。但实际上,我们在统计当月月末时点的逾期率时,当月放款的客户并没有到还款日,所以即期指标会对逾期率起到”稀释“的作用,且受放款量增速影响较大。引入递延指标后,可在分母里剔除未满足统计条件的客户,更客观的反映还款情况。
- 截面逾期率 VS Vintage逾期率
如果用一把刀将时间按月切成小段,那么在每个横截面上的时点数据就可以用来统计截面逾期率。一般长成这样:
但如果想要监控不同放款月的资产表现,比如说调整审批策略后,需要对比当前月和上月的风险水平,则推荐使用Vintage口径计算逾期率,一般长这样:
Vintage口径的数据非常好用,因为它能够帮助我们观察策略调整、市场变化、催收效果等。以上图为例,2018年10月的放款的风险表现显著优于2018年11月以及12月;同时,三条曲线在最后一期都出现了翘尾,因此应该关注这个时期的还款是不是出现了异常,比如说节假日影响了客户还款以及催收作业。
关于Vintage,可参考阅读本专栏的另外一篇文章:
- 逾期率分析
在进行逾期率的分析时,不同的指标能够帮助我们从不同的层次解读资产的情况。就像在用投影法画一个苹果,从不同的角度去看,才能有一个立体的感知。
1 )短期指标:如3天、7天、15天逾期率,可根据贷款产品形态和还款方式设置监控值。一些还款习惯不好、还款通道不畅的客户,会在这个阶段消化掉。
2)中期指标:常见的30天、60天、90天以上逾期率等。对于大多数按月还款产品而言,30天以上已经可以认为是比较严重的逾期,可以结合不同程度逾期率的回收率(即逾期后催回的比例)设置贷后管理和催收策略。
3)长期指标:不良率(逾期180+以上的比例)、核销率(核销指的是把认定为无法收回的贷款计入损失后,不再计入当前逾期)等。
4)疑似欺诈指标:如首逾率、首3期还款逾期率和从未还款客户率(non-starter%),能够作为恶意贷款或欺诈客户的参考指标。
5)迁移指标:滚动率、迁移率等,用来分析客户的逾期状态的变化。这里引用一本我十分推荐的书中关于这个指标的介绍:
同样的,以上逾期率分析推荐结合实际情况进行拆分。只有拆分不同客群特征、产品类型及业务渠道,才能够定位逾期率的升高或者降低是具体由于什么原因导致。有的时候,即使整体的逾期率没有什么变化,实际业务可能也已经发生了变化。比如,当整体逾期率与上月保持一致的时候,我们很容易认为风险水平没有什么变化。但实际上很可能是由于客群结构变化叠加了不同客群的逾期率的变化,所以整体看上去不变。
四、催收
催收环节的分析目标:管理催收效能,最大程度利用好催收资源
与信审环节一样,催收管理本质上也是运营管理,都是通过人去实现管理目标。常见的催收运营指标有:
1)入催笔数、入催金额以及入催率。入催是指客户进入了某个阶段的催收队列,也就成为某一阶段催收团队的目标催收客户。当客户从正常还款变为逾期客户,或者当M1逾期的客户变为M2逾期的客户的那一刻起,都可以称为“入催”。一旦“入催”,那么就会成为该催收团队的目标催收客户。
2)系统/人工拨打量、拨打率。即通过催收机器人或者人工拨打电话的笔数以及比例。一般在逾期前期使用催收机器人,节省人力成本。
3)接通量、接通率。电话拨打能够正常接通的比例;有条件可进一步计算完整接通率。
4)出催笔数、出催金额以及出催率。用以衡量催收效果。客户入催后逾期程度减轻,则可称为出催。
5)催收结果分析。根据实际催收情况,可统计不同催收结果的占比,如无人接听、停机关机、客户承诺还款等。
同样的,催收的效果与不同贷款产品的特性以及客群特点息息相关,永远不要脱离客群谈风险指标。强烈建议拆分客群和产品进行催收效果的分析。其中,你会获得催收策略的更多灵感。
五、One More Thing——损失预测和盈利管理
综合对以上各类指标的统计和理解,我们对于整个资产质量应该说心里有数了。但是我们往往还需要回答,到底最终会有多少客户的贷款无法回收,最终变成损失?
同时,由于不同客群在整个信贷周期的行为决定了最终带来的盈利,我们需要怎么样做,才能提高这部分客群在整体客群结构的占比,压缩非盈利客群在资产包中的占比?
这些问题,就是在最基础的风险指标监控和业务分析之上,进一步进行损失预测和盈利管理。也就回到了我们文章最开始所讨论到的,所有的风控指标分析,都是为了背后的目标服务。
作者:雪小梨
互联网金融风控 @深圳,请私信勾搭。专栏: 小菜鸟的『互联网金融』笔记