失联模型

之前介绍过失联模型、账龄滚动率（迁徙率）模型和还款率模型，这三大模型统称为催收系统的三大模型。网上对催收模的介绍真是少之又少，很多粉丝来到这里，也是因为看到我分享网上原创文章才关注我的。今天再分享点干货，介绍失联模型。

简单来说，开发一张失联评分卡的目的有：
一是为了提前委外
二是为了信息修复

但是难点是：
客户是否失联的信息通常来源于催收结果，但准确定义失联客户是一个难题。

因为：单次催收联系上客户通常不能判断客户是否失联，比如客户手机信号弱而没有接听，导致催收人员跟客户联系不上的情况经常发生。

故对于是否失联需要综合一定的时间的催收结果进行判断，若该段时间内催收人员拨打多次电话，且在一天之内的不同时段反复拨打电话，均无法联系客户，才能判断为失联。

失联模型是基于历史数据，预测客户发生失联的可能性，希望将失联由事后发生编程提前预知。

但是失联模型的开发对于机构是一项重大的挑战，失联模型的预测变量变量通常需要结合金融机构内部的客户信息、交易信息催收信息、营销信息等，同时结合第三方信息来提供模型的预测能力，主要关注客户以下信息：
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

一般的书籍介绍到这里就ending了………前面讲了一大堆套话，水份太多了，如果只到这里大家是不是都要转身离开，有爱说不出来啊下面我们直接来挤水分吧…

一是目前一般的公司里对失联的定义
二是真正开发好能进入失联评分卡的变量
（话说能直接跟你们分享变量的都是真爱啊………. 有愿意和你分享具体的变量的这种公号，真要好好的点击关注一波）

失联的种类
当然失联的定义跟一个公司的对客户的定义相关，你家大概允许客户在多长的时间窗口内失联。

一般公司会根据失联的情况，把失联种类称为失联完全失联，1-7天失联, TPC失联….

解释下这几个名词：
完全失联指的是客户完全联系不上
1-7天失联也就是客户在dual-day7天内联系不上
TPC失联指的是拨打客户有关系第三方的联系人也联系不上

当然你可以根据公司具体的业务需求开发相关的失联时间窗口变量，思路已经提给给各位。

当然对应于实际的业务场景以下都是造成我们无法跟客户联系上具体场景：
无法接通
停机空号
拒绝关机
…等

下面再来上一个例子，比如一个公司是需要开发一个客户完全失联的评分卡模型，完全失联就是跟客户怎么样联系不上。比如那我们跟客户联系了100个号码，前面99个都联系不上客户，只有最后一个才联系上了客户，对不起这样的场景还不能算完全失联。这个样本也就不能采纳了。

失联变量
介绍失联变量前，可先具体到一个具体的失联评分卡的开发案例。

具体的业务场景：
我们以一个线下消费贷的场景为例具体说明下，当一个客户处于dpd10天时候（思考为什么是预测dpd10天后的失联情况为客户经过前面9天的催收，已经有了9天的催收数据，相对会准一些），我们再预测未来5天后是否失联，也即预测客户在dpd16天是否会失联的概率。以下是敲黑板，划重点的时刻：

（有些变量在贷前的评分卡里，完全没想到）

是否BP
这个变量输出的是—客户承诺还款但是实际没有还的情况，这个比较好理解，无论在哪种催收卡评分卡里都是区分能力不错的变量。该变量只要1跟0两个取值

当前与上次联络时间差
这个变量入模，解释下很强，能联系上的时间越短显然越不容易失联

委外标识
客群是否有提前被委外催收的情况，这个可在公司的对应的其他产品里能关联上

与客户上次进入失联的时间差
rt,距离上次失联的情况怎样

年龄
没想到这个变量也能入模吧，年龄的变量也是有一定的区分能力，贷款的年龄

最大的贷款期数
这个变量获取比较容易，主要是客户的贷款的时长

联系人RPC数量
有效联系人（一般指客户本人、父母、配偶、直系亲属）的数量

RPC是否有父亲，是否有母亲，是否有配偶
有效联系人里是否有直系亲属这些信息，可见在患难时刻都是亲人能站出来啊

客户填写移动的电话量
注意这里是移动电话而不是固话，因为在我这个数据里的表现来看，固话一般都比较容易掺杂着不太准确的电话，客户也比较从网络获取这些信息。

有同学会问，这个变量怎么能在线上的产品获取到吗家请注意，我们的命题已经假设了这个是一个线下消费贷的产品，填写的资料比线上的产品维度会丰富一些

近一天本人电话催收次数
这个催收人员跟客户联系的次数，证明客户被催的越多，接下来越可能消失

居住城市与银行卡城市是否一致
这个变量是个说透了也比较好理解的变量，在这里想卖一下关子，看大家是否有兴趣读这类文章，如果想知道答案在公众号后台回复下：变量
…
…

最后分析下客户失联的原因是多种多样的，如提供虚假材料才得以贷款，因抵触催收故意不接电话、信息更新不及时等都可能造成客户失联，失联原因的复杂性和多样性给模型带来了很大困难。

目前越来越多的金融机构，引入外部数据来增加模型的预测能力。比如我知道的X_bang好像在提供失联修复这块做得还不错。如果你还知道有哪些做得不错的信修产品，能在后台跟我们分享下吗/p>

十年职场生涯，这个长期混迹在风控界和科技界，摸爬滚打的大叔，曾经就职于全国最大的固网运营商平台、国内最大的ERP软件公司和一家老牌的互金公司，如果你想了解他，欢迎加入” 番茄风控大数据”一起学习一起聊！

来源：番茄风控