基于客户细分的互联网金融类贷后用户违约行为研究

发布时间：2020-04-16 04:35

【摘要】：随着我国经济的高速发展,传统的银行和借贷公司不能满足大众的借款需求,且借款审核门槛日益提高,我国的互联网金融企业在最近几年蓬勃发展,填补了这一空白,解决了中小企业的融资难,以及达不到银行信用评级的普通大众的资金需求。但是这几年伴随着互联网金融公司规模不断扩大和客户数量急剧增多,缺少完善的用户管理体系,贷前,贷中,贷后客户的任一风险行为,都会影响整个公司的正常运转,使得资金流动性降低,公司经营的成本增加。如何有效的对借款用户细分,防止客户逾期还款,降低公司坏账率,保障公司正常经营与发展变得越来越重要。借贷这一金融行为借助互联网的发展,既具有金融的特征,又具有互联网的受众面广且数据积累多的特征,我们可以针对这两方面的特点,针对不同的受众用户,定制一套自己的营销模式或思路,建立起公司的用户管理体系。对于基数庞大的互联网金融公司,可以运用聚类的思想,将客户细分,筛选出优质客户,普通客户,贡献度高客户,忠诚客户,以及劣质客户等不同的标准,有效的控制互联网金融公司的风险,并运用到公司的用户管理中。这也是实现精细化营销和风险管理的一个重要环节。以往的研究中都只重视贷前客户的风险管理和信用评估,针对违约行为用户的研究较少,本文主要针对贷后用户,以客户关系管理(CRM)为依据,运用K-means的聚类分析对用户进行细分,用户主要包括贷后非违约客户,和违约客户。针对贷后客户的信用状况,个人状况,居民地区,收入水平,往期借贷,消费行为等不同维度,来划分客户群,将客户细分为8个客户群,针对性的提供产品,服务和营销模式。主要用RFM模型来进行分组,K-means进行聚类,确定用户个人价值,对客户细分,为企业运营者提供决策建议。针对细分的客群运用决策树模型进行违约预测,为贷前风险管理,用户信用评级提供数据支撑,从而降低公司客户逾期率,把控风险提供数据支持。
【图文】：

图 2-1 银行审批贷款简易决策树内部节点如职业、年龄、学历和收入就是属性，节点的分支如大于 25 岁或 岁，学历初中或小学等表示各个属性可能的情况，叶子节点如有贷款意向向，，表示最终的决策或类型。以上这个决策树就是典型的判断树，输入用户

数据处理及建模分析的流程图
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F724.6;F832.4;TP311.13

【参考文献】

相关期刊论文 前5条

1 饶鹏;;国际互联网金融发展趋势及其监管启示[J];财经界(学术版);2015年09期

2 陈霄;丁晓裕;王贝芬;;民间借贷逾期行为研究——基于P2P网络借贷的实证分析[J];金融论坛;2013年11期

3 徐翔斌;王佳强;涂欢;穆明;;基于改进RFM模型的电子商务客户细分[J];计算机应用;2012年05期

4 王文贤;金阳;陈道斌;;基于RFM模型的个人客户忠诚度研究[J];金融论坛;2012年03期

5 林盛;肖旭;;基于RFM的电信客户市场细分方法[J];哈尔滨工业大学学报;2006年05期

本文编号：2629392