信贷模型域——信贷获客模型（获客模型）

摘要

本文深入探讨了信贷模型域中的信贷获客模型，包括风险预筛选模型、响应模型和渠道分析模型。风险预筛选模型在用户进入完整风控流程前快速拦截高风险申请，降低成本、提升效率并降低风险敞口。响应模型预测潜在用户对营销触达的积极响应概率，优化营销资源分配，提高转化率并降低成本。渠道分析模型衡量不同获客渠道的质量、成本、转化率和风险表现，帮助信贷公司找到高质量、低风险、成本可控的渠道，并对投放和流量分配进行优化。

1. 风险预筛选模型

风险预筛选模型（有时也叫“准入模型 / Pre-screening Model”），在金融信贷和支付风控里是一个非常常见的环节，主要作用是在用户进入完整风控流程前，先快速拦截掉明显高风险的申请，减少后续模型和人工审核的压力。

1.1. 风险预筛选模型定义

风险预筛选模型是指：在信贷申请、支付交易、开户流程的前置环节，基于 少量关键字段和高风险指标，快速判断用户是否存在明显欺诈或违约风险，并进行 拒绝、通过、或进入后续复杂评估的分流。

1.2. 预筛选模型的作用

• 降低成本：完整的评分模型（如 PD 模型、反欺诈模型）计算复杂，调用外部三方数据成本高。预筛选能快速过滤明显风险，减少无效消耗。
• 提升效率：让系统把计算资源和人工审核资源集中在“可能有价值的申请”上。
• 降低风险敞口：一些明显的欺诈用户、黑名单用户，如果进入完整风控体系，可能已经消耗了额度或攻击资源，预筛选能提前拦截。

1.3. 风险预筛选模型模型输入

预筛选模型通常使用少量、高区分度的数据，比如：

• 基础身份信息：身份证号、手机号、设备号、IP、邮箱等。
• 名单类特征：是否命中黑名单、灰名单、行业共享名单。
• 基本行为特征：注册时长、申请时间分布、设备绑定数量、历史拒绝次数。
• 地理位置特征：是否在高风险地区、IP 与归属地是否一致。

1.4. 风险预筛选模型形式

风险预筛选模型一般比主模型更轻量化，常见有：

• 规则引擎：简单的黑白名单、阈值判断（如“近 3 个月命中多次欺诈名单 → 直接拒绝”）。
• 逻辑回归 / 评分卡：提前定义一些基础特征，做成一个“小分卡”，如手机号稳定性、申请频率分。
• 机器学习模型（轻量版）：使用少量变量训练二分类模型（如 XGBoost / LightGBM），主要用于判断“是否继续走主模型”。

1.5. 模型输出与决策方式

• 直接拒绝：比如身份证在黑名单，设备命中高风险 → 无条件拒绝。
• 直接通过：比如 VIP 用户、白名单客户 → 直接进入授信环节。
• 进入主模型：其余情况进入完整的 反欺诈模型 / 信贷评分模型 / 决策引擎 处理。

通常形式是一个三分法（Reject / Accept / Review），其中 Review 部分再交给后续更复杂的模型。

1.6. 风险预筛选模型示例

某消费金融场景：

• 用户申请借款，输入手机号、身份证号。
• 预筛选模型检测：

• • 该手机号命中过行业黑名单 → 直接拒绝
  • 身份证归属地异常 + 设备申请频繁 → 进入后续完整风控模型
  • 历史优质客户 → 直接通过

这样可以在秒级拦截掉一批高风险用户。

1.7. 风险预筛选模型和名单库系统撞库（黑名单过滤）区别？

风险预筛选模型和名单库撞库（黑名单过滤）确实都属于信贷风控前置环节，但二者的本质、输入、输出和作用范围有明显区别。

• 名单库撞库 = 确定性、简单粗暴的“门卫”，挡掉已知坏人。
• 风险预筛选模型 = 概率化、智能的“初筛官”，识别潜在高风险人群。
• 两者经常配合使用：先名单库过滤 → 再进入风险预筛选模型，效率更高。

名单库撞库（黑名单过滤）

定义：就是把申请人信息（手机号、身份证号、银行卡号、设备号、IP 等）拿去和 黑名单库、灰名单库 对比，看是否命中。

• 命中即拒绝或进入人工审核。

特点：

• 规则化：完全基于已有名单，没有复杂计算。
• 确定性强：一旦命中，就 100% 拒绝或降级处理。
• 覆盖面窄：只能过滤已知高风险用户，无法发现未知风险。

应用场景

• 拦截已知欺诈团伙/恶意用户。
• 拦截监管要求的黑名单（央行征信、行业黑名单）。
• 拦截自身业务历史坏账用户。

风险预筛选模型

定义：基于 统计/机器学习/规则引擎 等手段，对申请用户在初审阶段做一个快速风险评分或分类，决定是否进入下一步授信。输入包括申请表单信息、设备信息、外部数据、行为特征、历史数据等。

特点

• 概率化：输出的是风险概率/评分，而不是绝对黑白。
• 覆盖广：可以识别未知风险（比如黑名单没有的潜在欺诈人）。
• 灵活性：模型可迭代更新，适应业务和欺诈手法变化。

应用场景

• 初步筛掉高风险人群，减少后续人工和模型压力。
• 对新用户、无历史记录用户进行风险估计。
• 快速拒绝明显欺诈申请（例如设备异常、手机号异常）。

1.8. 信贷准入风控耗时拆解（大厂实践经验）

• 大厂目标：<500ms 完成实时风控决策
• 普通中小机构：1~3s，甚至更慢（因为没有完整的特征中台 + 模型服务化能力）。

1.8.1. 请求接入层（~10ms）

• 用户请求 → 网关接入 → 基础反爬/风控拦截
• 做一些简单校验（格式合法性、重复请求过滤）
• 耗时：5~10ms

1.8.2. 名单库过滤（~20-50ms）

• 内部黑名单、行业黑名单、司法/监管名单（反洗钱、失信人）
• 通常 内存级别/Redis/MongoDB 缓存，O(1) 命中查询
• 如果要联调外部接口（如百行征信、公安）→ 延迟会更大，但大厂一般异步补充，不在准入实时链路强依赖
• 耗时：20~50ms

1.8.3. 风险预筛选模型（~30-80ms）

• 特征提取（设备指纹、历史行为、IP画像）→ 特征平台通常实时拉取（Redis/HBase）
• 模型预测：常用 LR/GBDT/XGB/LightGBM 或深度模型（TensorFlow/ONNX Runtime）
• 大厂一般会做 特征预聚合 + 模型在线推理服务，保证 <100ms
• 耗时：30~80ms

1.8.4. 规则引擎与复杂风控（~50-150ms）

• 规则引擎（Drools、自研规则平台）：几十到上百条规则匹配
• 策略编排引擎（如 DSL 或决策流引擎）：规则、名单、模型综合决策
• 一般做并行计算，通过 流式计算框架（Flink/自研引擎）降低延迟
• 耗时：50~150ms

1.8.5. 授信决策与输出（~10ms）

• 结合风险分、规则结果 → 额度/利率/期限计算
• 写入决策日志、返回前端
• 耗时：5~10ms

1.8.6. 总体耗时（大厂实战）

• 纯实时链路：200~400ms（保证用户几乎无感知，体验接近即时响应）
• 带外部数据接口调用（如央行征信、运营商全量报告）：秒级（1~3s）→ 一般放在贷后补充或二次审核环节，不会阻塞准入风控实时链路。

2. 响应模型

在 信贷业务的获客阶段，所谓的 响应模型（Response Model），其实是一个 预测用户是否会对营销触达做出积极响应（比如点击、注册、申请贷款）的概率模型。它和准入模型、风控评分模型不一样，它主要关注的是客户获取效率和转化率提升。

2.1. 响应模型的核心定义

• 目标：预测某个潜在用户在接收到某个获客触达动作（如广告推送、短信、APP弹窗、电话营销等）后，是否会对贷款产品产生兴趣并进一步行动（点击、注册、申请）。
• 形式：分类模型（二分类，响应=1，不响应=0），输出一个 响应概率分值。

2.2. 响应模型的作用

响应模型（Response Model）在信贷中的作用，主要是解决 “如何提高获客效率，降低营销成本” 的问题。它的核心作用包括：

1. 预测客户响应意愿

• • 响应模型会基于历史数据（如用户点击、申请、转化等行为）预测某个潜在客户在接触到营销触点（短信、电话、Push、广告）后是否会“响应”。
  • 比如预测用户会不会点开短信、点击广告、填写申请表。

1. 优化营销资源分配

• • 金融机构的营销资源（短信条数、外呼座席、广告预算）是有限的。响应模型帮助识别高响应概率人群，把有限资源投放到更可能转化的用户上，提升ROI。

1. 减少客户骚扰 & 提升体验

• • 盲目“轰炸”式营销容易导致客户反感甚至投诉。
  • 有了响应模型后，可以 精准筛选 出潜在感兴趣用户，避免打扰不感兴趣的人群。

1. 提高转化率 & 降低成本

• • 响应模型让营销更精准，从而提升转化率；同时减少无效触达，降低整体的营销费用。

1. 作为后续风控的前置过滤

• • 在获客阶段，响应模型通常和 名单库（黑名单、白名单）、准入模型 联合使用：

• • • 名单库 → 先剔除高风险用户（例如黑名单）。
    • 响应模型 → 在剩余客户里挑选最有可能响应的。
    • 准入模型 → 最终进一步判断这些响应用户是否符合授信条件。

2.3. 获客阶段响应模型的输入特征

1. 用户基础属性

• • 年龄、性别、职业、城市等级、收入水平等。

1. 渠道/媒体特征

• • 来自搜索引擎？短视频？社交广告？线下门店？
  • 曝光次数、点击历史、设备ID。

1. 行为特征

• • 最近30天是否频繁浏览金融产品？
  • 是否有过贷款或信用卡申请？

1. 时间特征

• • 是否在节假日？深夜/白天曝光？

1. 营销触达特征

• • 短信文案版本、广告素材ID、优惠力度。

2.4. 响应模型输出与应用

• 输出：每个用户的 响应概率 P(Response=1)。
• 应用场景：

1. 1. 获客投放：预测哪个人最可能点击广告，从而提高 ROI。
   2. 人群筛选：减少对低概率客户的浪费触达，降低营销成本。
   3. 个性化推荐：不同用户推送不同产品或额度。

2.5. 响应模型的常用算法

• 逻辑回归（可解释性强，常用于早期）
• GBDT/XGBoost/LightGBM（处理非线性特征，提升效果）
• 深度学习（大厂用在广告投放推荐，结合CTR预估场景）

2.6. 和黑名单过滤（名单库）的区别

• 名单库（黑名单）：直接过滤掉风险极高或禁止触达的用户（例如被监管禁止营销的群体、历史欺诈客户）。
• 响应模型：是在剩余合法人群中，去预测谁更可能“有兴趣响应”。

3. 渠道分析模型

3.1. 渠道分析模型定义

渠道分析模型（Channel Analysis Model）是信贷公司在 获客环节 中，用来衡量不同获客渠道（如：线上广告、流量分发平台、APP内推广、合作导流、地推、电话营销等）的 质量、成本、转化率和风险表现 的模型。

它的目标是：找到 高质量、低风险、成本可控的渠道，并对不同渠道的投放和流量分配进行科学优化。

3.2. 渠道分析模型作用

• 效果评估：量化各渠道的获客效果（申请量、转化率）。
• 风险控制：识别某些渠道是否带来高风险客户（高逾期率、欺诈率）。
• 成本优化：在有限预算下分配给 ROI 高的渠道。
• 投放策略调整：实时反馈渠道质量，指导后续投放和合作。

3.3. 渠道分析模型输出

• 渠道评分（Channel Score）：衡量该渠道的综合质量。
• ROI 指标：某渠道的成本收益比。
• 风险标签：高风险渠道（拒绝或减少投放）、优质渠道（加大投放）。
• 投放建议：渠道预算分配、调整投放策略。

3.4. 核心指标体系

一个标准的信贷渠道分析模型通常覆盖以下指标：

流量指标

• UV/PV：渠道带来的访问量/点击量
• 注册转化率 = 注册用户数 / 点击用户数

转化指标

• 申请转化率 = 申请用户数 / 注册用户数
• 授信通过率 = 授信成功用户数 / 申请用户数
• 放款转化率 = 放款人数 / 授信成功人数

成本指标

• CPC/CPM：每次点击/展示成本
• CPA：每次注册成本（Cost Per Acquisition）
• CPL：每条有效线索成本（Cost Per Lead）
• CPS：每次成功放款成本（Cost Per Sale）

风险指标

• 首逾率（M1+） = 首期逾期人数 / 放款人数
• 坏账率 = 坏账金额 / 放款金额
• 欺诈率 = 欺诈用户数 / 总申请用户数

收益指标

• LTV（客户生命周期价值） = 单个客户带来的总利息/手续费收入
• ROI（投资回报率） = （总收益 – 总成本） / 总成本

3.5. 渠道分析模型方法

1. 分层漏斗模型（Funnel Model）

• • 注册 → 申请 → 授信 → 放款 → 还款
  • 找出不同渠道在漏斗中的流失环节

1. 成本收益分析（Cost-Benefit Model）

• • 衡量各渠道 CPA vs LTV，确定是否值得继续投放

1. 风险调整收益模型（RAROC / Risk Adjusted ROI）

• • 不仅算收益，还要扣除坏账和风险成本
  • 公式示例：RAROC =（预期收益 - 坏账损失）/渠道获客成本

1. 多渠道归因模型（Attribution Model）

• • 识别用户是因为广告、搜索还是合作方带来的
  • 常见方法：首触归因 / 末触归因 / 线性归因 / 时间衰减归因

1. 欺诈检测模型（Fraud Detection）

• • 针对某些渠道的异常高转化率+高逾期率，用模型（如规则 + 风控评分）甄别虚假流量

3.6. 模型应用流程

1. 数据收集（渠道埋点、广告投放、合作方回传）
2. 指标计算（转化率、CPA、ROI、坏账率等）
3. 模型建模（如 Logistic 回归、XGBoost，预测渠道客户 LTV & 风险）
4. 渠道评级（A/B/C 类，决定预算投放比例）
5. 动态优化（实时监控，差的渠道砍掉，好的渠道加预算）

3.7. 渠道分析模型示例

某信贷公司分析渠道A、B、C：

• 渠道A：注册用户成本低（20元/人），但逾期率高（15%）。
• 渠道B：注册成本稍高（40元/人），转化率好，逾期率低（3%）。
• 渠道C：注册成本高（60元/人），但用户群体信用极佳，长期价值高。

模型结果：

• A 被标记为 高风险渠道（拒绝或减少投放）。
• B 被评为 优质渠道（重点加大投放）。
• C 适合 精细化获客（如定向营销、留存挖掘）。

4. 信贷获客阶段模型思考

4.1. 获客是不是属于营销域中一部分？

获客确实属于营销域中的一部分，是营销的“前端环节”，负责把潜在客户引进来。但金融信贷的营销域比获客更大，还包括转化、留存、价值提升等环节。

4.1.1. 营销域的整体流程

营销域通常包含以下几个主要环节：

• 人群筛选（Targeting）：基于大数据、名单库，圈定潜在客户。
• 获客（Acquisition）：通过短信、广告、电话、推送等渠道，把金融产品信息触达到客户，让客户产生兴趣并主动申请。
• 培育与转化（Nurturing & Conversion）：对于有意向的客户进行跟进（例如推荐合适的产品、分期方案）。
• 留存与激活（Retention & Reactivation）：提升老客户的复购或再次借款率，降低流失。

4.1.2. 获客在营销域中的定位

• 获客 = 营销的前半场

• • 目标是把潜在客户吸引进来，并引导其进入申请环节。
  • 常见手段：投放广告、渠道合作、短信 Push、App 内推荐、电话外呼。
  • 关键工具：响应模型、名单库、A/B 测试、营销自动化平台。

• 营销域 ≠ 只做获客

• • 营销不仅仅是获客，还包括 转化、留存、提升客户价值。
  • 在信贷场景中，很多时候获客之后，还会有 额度提升营销、交叉销售（推荐保险、信用卡） 等。

4.1.3. 金融信贷的特别之处

在传统电商获客中，只要把人引流过来点击购买就算成功；但在金融信贷中，获客只是第一步，后续还要经过 风控准入模型、授信评估、额度定价 等环节，最终能拿到贷款额度的客户往往远少于获客的客户数。

4.2. 电商系统中营销域的理解？

营销域是电商平台中 拉新、促活、转化、留存 的一整套体系，主要目的是提升用户数和交易额（GMV）。它贯穿了用户的整个生命周期，包含 获客（Acquisition）、转化（Conversion）、留存（Retention）、复购（Repurchase）、增长（Growth）。电商营销域的关键模块有以下几点：

4.2.1. 用户触达

• 渠道投放：短信、Push、邮件、站内信、广告投放（抖音、快手、微信、百度）。
• 触达系统：统一的消息中台，负责多渠道推送、用户分群、触达频控。

4.2.2. 用户运营&活动运营

• 促销活动：满减、秒杀、拼团、优惠券、红包。
• 用户分层运营：新客（拉新）、老客（留存）、沉睡用户（召回）、高价值用户（会员体系）。
• 场景化运营：如双11、618、节日大促，或者“新人专享”、“生日礼物”。

4.2.3. 推荐&个性化

• 推荐系统：基于用户行为和画像，推送猜你喜欢、搭配推荐、热卖榜单。
• 搜索+推荐结合：在搜索结果页做个性化排序。

4.2.4. 营销工具体系

• 优惠券/红包系统
• 积分体系
• 会员体系（Prime/Plus/88VIP）
• 裂变/分销工具（邀请好友返利、拼团砍价）

4.2.5. 数据与策略

• 用户分群：RFM 模型（最近一次购买、购买频率、消费金额）、标签体系。
• 营销决策：基于 A/B 测试和实验平台，优化投放与活动。
• 智能化：AI 推荐模型、响应模型（预测点击/购买概率）、LTV 预测。

4.2.6. 电商营销域vs金融信贷营销域

• 相同点：

• • 都有 获客 → 激活 → 留存 → 价值提升 的闭环。
  • 都会用到 名单库、用户分群、推荐/响应模型。

• 不同点：

• • 电商营销域 更注重 转化率和复购率（让用户多买）。
  • 信贷营销域 更注重 风险控制和资金效率（让用户来借，但不能让坏客户进来）。
  • 电商可以“广撒网”，金融必须“严筛选”。

4.3. 那电商平台主要收入是交易撮合费用吗？

电商平台的主要收入模式之一就是交易撮合费用（佣金），但不同类型的平台商业模式会有差异。

4.3.1. 交易撮合费用（佣金模式）

• 平台作为 中介，撮合买卖双方，向商家收取一定比例的佣金。
• 比例一般 0.5%–10%，不同行业差异很大（例如服饰类高，电子产品低）。
• 代表平台：淘宝、天猫、京东、亚马逊、Shopee。

4.3.2. 广告收入（流量变现）

• 电商平台流量巨大，商家为了获得更多曝光，会付费投放广告。
• 广告形式：搜索竞价排名、信息流广告、展示位广告。
• 阿里巴巴财报里，广告收入甚至超过佣金收入，是核心现金牛。

4.3.3. 会员订阅费

• 平台提供 会员体系，收取订阅费用。
• 例如：

• • 亚马逊 Prime（免运费+视频+音乐+图书）
  • 天猫88VIP（优惠+权益+内容）。

• 这是 稳定现金流，能增加用户粘性。

4.3.4. 金融服务收入

• 依托电商交易场景，延伸到 支付、贷款、理财、保险。
• 例如：

• • 支付手续费（支付宝、京东支付）
  • 消费贷款（花呗、白条）
  • 供应链金融（给商家贷款）。

4.3.5. 物流与履约服务

• 部分平台自己做物流，提供仓储、配送、售后服务，并收取费用。
• 例如：

• • 京东物流
  • 亚马逊 FBA（Fulfilled by Amazon）。

4.3.6. 其他增值服务

• 数据服务（行业大数据报告）。
• 云计算（阿里云、亚马逊 AWS，算是电商孵化出来的巨头）。
• 跨境电商的关税、汇兑服务。

4.3.7. 模式差异

• 阿里巴巴（淘宝/天猫）：以广告+佣金为主，广告收入占比更大。
• 京东：自营占比较高，收入主要是商品差价+服务费，同时也有广告。
• 亚马逊：以佣金 + 会员订阅 + 云服务（AWS） 为主，AWS 已成为其利润大头。
• 拼多多：主要靠广告（多多进宝/信息流）+ 佣金，佣金比例很低，广告占大头。

4.4. 信贷公司主要收入来源？

信贷公司（例如消费金融公司、小贷公司、互联网信贷平台）的收入结构和电商平台完全不同，它们的核心是 金融资产经营。主要核心收入来源可以总结为以下几个方面

4.4.1. 利息收入（主要来源）

• 最核心的收入来源。
• 来自于 借款人按期还款中的利息。
• 在信贷产品中通常会以 年化利率（APR） 或 日利率 表达。
• 例如：贷款 1 万元，年利率 12%，一年利息收入约 1200 元。
• 对于消费金融公司、银行系持牌机构，利息收入通常占 70%+。

4.4.2. 手续费/服务费

• 对借款人或合作方收取的 非利息类收入，常见形式有：

• • 贷款服务费（撮合费、评审费、快速放款费）
  • 提前还款手续费
  • 逾期管理费
  • 联合贷平台撮合服务费（如信贷平台帮银行导流）。

• 在一些互联网小贷/助贷模式中，手续费比例可能高于利息收入。

4.4.3. 逾期费用（罚息）

• 当借款人逾期时，信贷公司会收取 逾期罚息/滞纳金。
• 有的公司设置 罚息 > 正常利息，但现在监管对 综合利率（利息+费用） 有严格上限（一般不得超过 年化 24%~36%）。
• 所以罚息现在是 辅助性收入，但也能提高回收率。

4.4.4. 联合贷/助贷收入

• 很多消费金融公司并不自己完全放贷，而是与银行/资金方合作：

• • 资金由银行出
  • 信贷公司负责获客、风控、贷后管理

• 收入形式：

• • 撮合服务费
  • 风险分担收益（分润）

• 这种模式下，信贷公司相当于 金融科技服务商，收入不是利息，而是 科技服务费。

4.4.5. 资产证券化/转让收益

• 部分信贷公司会把已放出的贷款打包成资产证券化（ABS），卖给投资人。
• 通过 资产出表 + 管理费收入 获得资金回笼和额外收益。
• 这是偏机构化的收入来源。

4.4.6. 交叉销售收入

• 在贷款客户基础上，提供额外金融产品：

• • 信用卡分期
  • 保险（借款人意外险、信用保证保险）
  • 理财产品导流

• 佣金/手续费成为新的收入来源。

4.4.7. 信贷公司收入结构举例

以一家典型的消费金融公司为例（数据举例）：

• 利息收入：65%
• 服务费收入：20%
• 联合贷/撮合费：10%
• 逾期费 & 其他：5%

4.4.8. 信贷公司的利润率

信贷公司（特别是消费金融公司、小贷公司、互联网信贷平台）的 利润率 并不是一个固定值，它取决于：资金成本、坏账率、杠杆水平、监管环境、规模效应。下面我给你拆开分析一下：

影响信贷公司利润率的关键因素

1. 资金成本

• • 如果是自有资金放贷，资金成本接近零（但资本金有限）。
  • 如果依赖银行/ABS融资，资金成本一般 4%–8% 年化。
  • 利差空间决定利润率。

1. 贷款利率水平

• • 消费金融、小贷年化利率一般在 12%–24%。
  • 去掉资金成本后，才是毛利空间。

1. 坏账率（信用风险成本）

• • 坏账率直接决定净利润。
  • 持牌消费金融公司一般 坏账率 2%–5%；
  • 互联网小贷平台可能达到 10%–20%。

1. 运营成本

• • 获客成本（CPA）、人工、技术、贷后催收。
  • 互联网平台获客成本特别高，拉低利润率。

1. 杠杆与资本要求

• • 金融机构受监管约束，必须计提拨备，降低账面利润。

行业平均利润率区间，结合中国和海外信贷行业数据：

• 传统银行信贷：净利率约 20%–30%（因为资金成本低、坏账率可控）。
• 消费金融公司（持牌）：净利率约 10%–20%。
• 小贷公司/互联网信贷平台：净利率波动很大，一般 5%–15%，有的甚至亏损。
• 高风险现金贷（被严格监管前）：理论净利率能超过 30%，但合规风险极高，现在几乎不允许。

4.5. 信贷获客中的渠道分析模型是针对渠道管理？

渠道分析模型，本质上就是一个 对不同获客渠道进行量化评估和优化的数学/统计/机器学习模型。

• 它不只是看哪个渠道带来流量，还会看流量 转化为有效客户、优质客户、还款客户 的能力。
• 类似于给每个渠道一个“打分”，动态分配获客预算。

信贷获客中的渠道分析模型作用

1. 渠道价值评估：识别哪些渠道带来高质量客户（不是光看注册量，而是能否借款、能否还款）。
2. 预算优化分配：把有限的营销/获客成本投到 ROI 最高的渠道。
3. 风险控制：避免在欺诈风险高、坏账率高的渠道烧钱。
4. 动态监控：实时跟踪渠道效果，发现渠道衰减、欺诈渗透等情况。

模型输入常见输入维度包括：

• 渠道属性：渠道类型（广告投放、合作导流、地推、联盟）、投放地域、流量特征。
• 客户行为数据：点击率、注册率、申请率、授信率。
• 风控相关数据：黑名单命中率、欺诈申请率、违约率。
• 成本数据：CPC（点击成本）、CPA（获客成本）、CPL（线索成本）。

模型输出

• 渠道评分：某个渠道的综合价值指数。
• ROI预测：单位成本带来的净收益。
• 预算分配建议：渠道A 分 30%，渠道B 分 50%，渠道C 砍掉。
• 风控预警：渠道B的欺诈率大幅升高，触发降低投放。

常用模型算法

• 回归模型：线性回归 / 逻辑回归 → 预测转化率、违约率。
• 评分卡：基于渠道维度建立类似信用评分卡的体系。
• 多臂老虎机（Multi-Armed Bandit）：动态分配预算，探索和利用结合。
• 机器学习模型：GBDT、XGBoost → 预测渠道客户质量。

决策方式

• 短期：每天/每周更新渠道得分，实时调优投放。
• 长期：积累数据后，形成稳定的渠道价值曲线，指导大规模投放策略。

模型应用示例（简化版）比如某信贷公司有三个渠道：

• 渠道 A：CPA 低，但客户坏账率高 → 综合价值低。
• 渠道 B：CPA 高，但客户优质还款率高 → 综合价值高。
• 渠道 C：CPA 中等，但欺诈率上升 → 需预警。

模型决策结果：

• 增加渠道 B 投放预算（优质客户多，利润高）。
• 降低渠道 A 投放预算（虽然便宜，但坏账率高，亏钱）。
• 暂停渠道 C，调查欺诈问题。

5. 博文参考