风险监控报表体系
風險監控報表體系與核心監控指標詳解:
1.風險監控報表體系概述
一、審批監控:
常見指標:審批時效、拒絕原因分布、通過率、放款件均、進件量、審批量、通過量、放款量、放款金額。
報表意義:
1)進件量浮動較大時,需與前端銷售同事溝通,尋找浮動原因
2)審批通過率較大時,需與政策同事溝通,看是否做策略調整有關,可抽查部分訂單
3)批核件均及放款件均一般會在產品授信范圍內波動
4)批核金額與放款金額差距較大時,需了解是客戶主動放棄借款、系統放款異常或其他原因,必要時可開發轉化率模型,刺激客戶借款
拒絕原因分布:
報表意義:
1.當審批通過率發生波動時首先就是應該查看拒絕原因分布表,判斷是否由政策改變所影響
2.某項拒絕原因占比較大改變時需檢查規則引擎的配置
3.可給政策放寬或者縮緊時一些參考,如某項拒絕原因復議客戶過多時可參考調整政策
4.查看各個拒絕原因出現評率,監控政策實施情況,便于后期政策優化
二、貸中監控
常見指標:vintage、Flow Rate、CPI、API、FSTQPD、在貸賬戶數、結清賬戶數、可觀測賬戶數、逾期天數、逾期區間、在貸余額
報表意義:
1.可查看截止某一天的時刻數據,通過連續一周、一月的時刻數據可了解逾期變化是否跟業務萎縮或快速增長有關,因為逾期率都是跟在貸余額有關;
2.同一產品不同期限的放款、逾期情況對比,不同產品之間也可比較,有助于調整運營方向。
貸中監控中常見的報表:資產質量報表
報表意義:
1.可查看公司總體資產分布,幫助大領導們制定公司戰略,在對其他公司盡調時也是必看的報表之一
2.可提現公司催收績效,流轉率發生變化尤其是變高可及時查找原因
注:可分產品、期限等屬性分別操作
三:特征監控
報表意義:
1.特征指標結合逾期指標可為策略、授信提供有效參考意義
2.結合客戶特征、產品特征、地域、時段等,了解什么類型的客戶適合怎樣的產品
3.掌握客群的穩定性,當某類客群突增時需重點關注,防止團伙欺詐
在風控報表體系中還有兩塊常見的報表:模型監控(評分卡監控)和催收監控
風控各個環節會涉及到多個模型,每個模型使用的指標都是需要監控的,建模指標原則上是要求穩定性較強的,若模型上線后指標的分布與建模時指標分布情況有較大差異則需要考慮模型迭代。
催收監控主要有催收業績表和催收效率表:
催收業績表:區分不同區間(M1,M2,M3…)、組別查看回收指標(回收金額、回收率)月度及每日變化,出現異常可及時調整派單方案
催收效率表:一般包含撥打電話數、客戶數、電話接通率、有效通話時長、承諾還款數、回款數、履約率等,用于查看催收人員效率及主要問題,及時發現催收人員的弱項,針對性培訓,幫助提高催收績效
2.風險監控核心指標詳解
逾期率和FSTPD
常用的逾期指標有逾期天數和逾期區間兩塊,統計時可分合同筆數和合同金額
逾期天數:實際還款日(一直未換的話即為統計日期)與客戶應還款日的相差天數
逾期區間:客戶的逾期期數或者逾期月數,用C和Mn表示。C表示正常,Mn表示逾期n個月,逾期一期就是M1(1-30天),兩期M2(31-60天),以此類推;
FSTQPD:FPD首逾、SPD首二逾、TPD首三逾、QPD首四逾,即客戶首次逾期發生在第幾期 計算公式為:首逾 = 第一期逾期客戶剩余本金/第一期可觀測客戶放款總額。
這個指標需要特別注意的就是這個“首”字,在計算首二逾的時候,要把首逾客戶排除,因為 在首逾中出現過的客戶不可能在第二期?是首次逾期。同理,計算首三逾時要把在首逾和首二 逾的客戶排除。
問:大家可能會想首逾、首二逾、首三逾、首四逾有什么用途呢?
答:若首逾較高需考慮客群是否存在惡意欺詐情況,提醒政策同事?時調整策略;若后幾期增 高明顯需考慮客群是否存在多頭借貸、負債較高等情況,可借助外部數據源加強貸中監控
Flow Rate
流轉率體現的是余額在不同逾期區間的變化,目的是觀察前期逾期金額經歷一番催收后落入 下一區間的比率,所以既可以作為風控指標也可以作為催收指標。
問:為什么都說C-M2很重要呢?它的意義到底是什么?
答:C-M2表達的是客戶由正常狀態轉為逾期M2區間的比例。選擇M2區間是因為經歷了前面30 多天的催收后仍不回款的客戶后續的回款可能性就比較低了,我們就可以用C-M2當作整體正 常客戶轉為壞賬客戶的一個指標,它可以用于直接評價風控能力的好壞
Vintage
Vintage 是以賬齡MOB(month on book)為軸,觀察貸后每個月的后續質量情況,分母為 對應月份的放款本金,分子是截止期末時點逾期Mn+客戶的所有剩余未還本金,可觀測一 個多期產品的風險全貌.
問:為什么Vintage表后面就不增長了?
答:客戶借款時會有一個借款期限,假如客戶均為12期,那么12個月之后客戶貸款全部到 期,此時仍有余額的客戶就只能是逾期客戶,分子是不會繼續增加的。
總結
- 上一篇: 多因子探索分析
- 下一篇: pandas中关于DataFrame计算