二、风控指标体系：逾期率、坏账率、通过率、转化率、FICO评分卡简介
各位同学，咱们今天聊点实在的。
风控指标体系，说白了就是金融业务的「体检报告」。你想想看，一家银行或者网贷平台，每天放出去那么多钱，到底赚不赚钱？风险高不高？靠什么判断？就是靠这些指标。
我个人习惯，接手一个新项目时，第一件事就是拉出这五个指标看看。它们就像人的体温、血压、心率，能快速告诉你这个业务「身体」怎么样。
2.1 逾期率：最敏感的警报器
逾期率，是风控领域最基础、也最敏感的指标。我见过不少团队，一看到逾期率往上跳，整个公司都紧张起来。
定义很简单： 逾期金额或笔数，占总放款金额或笔数的比例。
但这里有个坑——逾期口径。不同公司、不同产品，对「逾期」的定义可能完全不同。
常见的逾期口径有：
- M0：当前未逾期（正常状态）
- M1：逾期1-30天
- M2：逾期31-60天
- M3+：逾期61天以上（通常视为严重逾期）
计算公式：
逾期率（M1+）= 逾期M1及以上的贷款余额 / 总贷款余额 × 100%嗯，这里要注意：分母用「余额」还是「放款金额」，结果差异很大。我个人建议用「余额」，因为它更能反映当前的风险敞口。
2.2 坏账率：真正的「伤口」
坏账率和逾期率，很多人容易搞混。说白了，逾期是「还没还」，坏账是「大概率还不回来了」。
行业内通常把逾期超过90天（M3+）或180天（M6+）的贷款认定为坏账。当然，具体标准要看监管要求和公司政策。
坏账率的计算：
坏账率 = 核销的坏账金额 / 平均贷款余额 × 100%💡 我的经验： 逾期率是「过程指标」，坏账率是「结果指标」。你每天盯着逾期率看，其实是为了最终控制坏账率。我在项目中遇到过，有些产品逾期率看着还行，但坏账率却很高。为什么？因为逾期后催收效果差，钱收不回来。
所以，我建议你同时看这两个指标。如果逾期率低但坏账率高，说明催收环节出了问题。如果逾期率高但坏账率低，说明催收能力强，但前端风控可能偏松。
2.3 通过率：风控的「阀门」
通过率，就是申请贷款的人中，有多少比例被批准了。
你想想看，通过率太高，说明风控太松，坏账风险大。通过率太低，说明风控太严，业务量上不去。这是个平衡的艺术。
计算公式：
通过率 = 审批通过的申请数 / 总申请数 × 100%📌 一个小技巧： 我习惯把通过率和逾期率放在一起看。如果通过率上升，逾期率也跟着上升，说明新增的客户质量在下降。这时候就要考虑收紧风控策略了。
另外，通过率还可以细分：
- 机审通过率：系统自动审批通过的比例
- 人工通过率：人工审核通过的比例
- 最终通过率：综合机审和人工后的整体通过率
2.4 转化率：从「看」到「借」
转化率，很多人容易忽略。但它其实很重要。
转化率衡量的是：用户从看到你的产品，到最终完成借款的比例。说白了，就是你的风控流程有没有把用户「吓跑」。
常见的转化率节点：
- 注册转化率：访问页面 → 完成注册
- 申请转化率：注册 → 提交借款申请
- 授信转化率：提交申请 → 获得额度
- 支用转化率：获得额度 → 实际借款
我记得有一次，一个产品的授信通过率很高，但支用转化率特别低。后来一查，原来是额度给得太低，用户觉得「借这点钱没意思」。你看，风控不只是「能不能借」，还要考虑「借多少合适」。
🔑 核心观点： 转化率低，不一定是坏事。但如果转化率低的同时，逾期率也低，说明你的风控可能「误杀」了很多好客户。这时候就要优化模型，而不是一味收紧。
2.5 FICO评分卡简介：风控的「老大哥」
说到风控，绕不开FICO评分卡。它就像金融风控界的「老大哥」，从上世纪50年代就开始用了，到现在依然是全球最主流的个人信用评分模型。
FICO评分卡是什么？
说白了，就是用一个分数来评估一个人的信用风险。分数越高，风险越低。通常范围在300-850分之间。
FICO评分的五大维度：
| 维度 | 权重 | 说明 |
|---|---|---|
| 还款历史 | 35% | 有没有逾期、逾期多久、逾期次数 |
| 欠款金额 | 30% | 总负债、信用卡使用率 |
| 信用历史长度 | 15% | 最早开卡时间、平均账户年龄 |
| 新开账户 | 10% | 近期申请了多少新账户、查询次数 |
| 信用类型 | 10% | 是否有房贷、车贷、信用卡等多种信用 |
你可能会问：「FICO评分卡这么老，现在还适用吗？」
嗯，这个问题问得好。FICO评分卡确实经典，但说实话，它也有局限性。比如，它依赖传统的征信数据，对于「信用白户」（没有信用记录的人）就无能为力了。
💡 我的建议： 在实际项目中，我通常会把FICO评分作为「基准线」，再结合自己的数据（比如行为数据、设备指纹等）做定制化的评分卡。这样既保留了FICO的权威性，又增加了灵活性。
评分卡开发的基本流程：
- 数据准备：收集历史借贷数据、征信数据等
- 特征工程：筛选与违约强相关的变量
- 分箱与WOE编码：将连续变量离散化，计算证据权重
- 逻辑回归建模：用逻辑回归拟合违约概率
- 分数映射：将概率映射到评分卡分数
- 验证与上线：用KS、AUC等指标评估模型效果
这里简单展示一下评分卡的样子：
评分卡示例（简化版）：
| 特征 | 区间 | 分数 |
|-------------------|---------------|------|
| 年龄 | 18-25岁 | 50 |
| | 26-35岁 | 70 |
| | 36-45岁 | 85 |
| | 46岁以上 | 90 |
| 月收入 | <5000元 | 40 |
| | 5000-10000元 | 65 |
| | 10000-20000元 | 80 |
| | >20000元 | 95 |
| 征信查询次数(近3月) | 0次 | 90 |
| | 1-2次 | 70 |
| | 3-5次 | 45 |
| | >5次 | 20 |
总分 = 各特征分数之和。分数越高，信用越好，风险越低。
小结
好了，这一章的内容就这些。咱们回顾一下：
- 逾期率：看「有没有人晚还」
- 坏账率：看「最终损失多少」
- 通过率：看「风控阀门松紧」
- 转化率：看「用户体验好不好」
- FICO评分卡：看「怎么科学打分」
这五个指标，就像风控的「五根手指」，缺一不可。你只有把它们结合起来看，才能全面了解一个金融产品的健康状况。
下一章，咱们聊聊「数据清洗与特征工程」——这可是风控建模中最耗时、也最考验功力的环节。到时候我会分享一些我在实际项目中踩过的坑，保证让你少走弯路。
公众号:蓝海资料掘金营，微信deep3321