1.5.2 催收指标
入催：进入到催收列表。
催回：当月流入当月催回账户数。
催回率：当月流入当月催回账户数在流入账户数中占比。
回流：账户状态回落（即当月账户状态在月末未发生恶化）。
其他指标：逾期罚息、逾期利息、逾期未还本金、未到期待还本金。
1.5.3 坏账指标
WO%*呆账*：为write-off%的简写，当月转呆账金额÷逾期开始月的应收账款。经过年化之后，月转呆账率转换为年损失率。
累计WO%：主要目的为观察期满客户的累积损失率，计算样本为已届满总期数后的N期客户，计算公式为：分母案件第1~（K N）期的转呆账总金额/已满（K N）期案件的初贷总金额。K表示为总期数，N表示转呆账所需期数。最后1期应缴金额若延滞，经过N个月后才会转为呆账。转换为年化后才较易解读。可精确计算该产品整个生命周期结束后的实际损失率。但在中长期贷放产品中较少使用。
准坏账：账户预计是当月新增坏账。
新增坏账：当月末新增逾期天数≥91天账户本金。
Bad%(坏账/不良）：bad定义除了逾期户外，可能还饱含各式债务协议及高风险控管户等。转呆账率（WO%）：为write-off%的简写，当月转呆账金额÷逾期开始月的应收账款。经过年化之后，月转呆账率转换为年损失率。
贷款余额：在贷账户（包含逾期账户）剩余本金之和。
回收：月初坏账账户回收本金。
Re(Recovery)：回冲=上月末呆账金额 本月转呆金额-本月末呆账金额。
NCL%：为net credit loss的简写，当期转呆账金额减当期呆账回收，亦即为净损概念。计算繁复，不常用，但具参考价值。通常NCL%与WO%一并列示。NCL的计算方式为：净损金额÷逾期开始月的应收账款，通常也以年化形态为主。
2.分析方法
风险管理所面对的问题是复杂且多面向的，实务上所使用的的分析手法与品管技巧有许多类似之处，下面介讨论各几类分析手法及其应用。
2.1 问题界定
在进行任何分析前，首要工作就是界定问题，描述问题轮廓，确定分析方向。确认目标，锁定主题，选择合适的分析方法。
报表上的数字只是问题的“病症”，分析人员要探究的正是背后的“病因”。
界定方法：一般界定问题大多采用“回溯法”，即由结果回推原因，程序可分为开展分析及收敛确定量大阶段（首先列出问题可能原因，再一一检测问题所在）
常用方法：经验法则、鱼骨图、直方图、柏拉图、决策树。（介绍一下这几种方法，举几个栗子啥的）
2.2 分析类型
趋势分析：
趋势分析以时间轴线为基础，搭配各种指标及维度发展而成，此类分析应用极为广泛。
例：核准率追踪、延滞率追踪、回收率追踪 （追踪的概念）
功能：了解过去趋势变化，推测未来走势
结构分析：
结构分析主要用于分析各项指针的组成结构，例如客户风险等级、进件通路、年龄、性别、地区、学历、额度等结构分析。
方式：饼图、堆叠图、线性占率变化图
累计分析：
累计分析用来显示特定指针的累积量或累计百分比，亦可视为结构分析的延伸。
在风险管理的应用上，累计分析通常具有顺序性，比如客户依风险由低而高，给予一个风险评级
例：KS、ROC
单一指标分析：
单一指标分析的使用时机是以多维变量围绕单一指标值讨论
综合指标分析：
单一指标分析无法展现问题全貌的时候，将相关指标一起列出，以避免信息不全导致误判。
例：核准率和延滞率搭配使用，进件数与进件占比搭配使用。
注：分析维度不宜太多，一般低于三维交叉，否则报表将变得复杂，不易阅读，不易理解。
账龄分析：
账龄分析的目的在于，显示各bucket至观察点为止的延滞率。其主要特色为结算终点一致，也就是说，样本客户的核贷日期也许分散于各个月份，但皆于同一时点合并计算逾期比率。
vintage analysis：
由于网贷业务的特点，用户的借款行为和还款表现具有时滞性。特别是在贷款的扩张阶段，伴随这贷款余额的激素增长，风险指标的分母极速扩大，但是分子由于时滞性而没有同步的增加。如果采用传统的（当前逾期/当前余额）的方法，容易使决策机构低估了当前的风险。
Vintage分析方法能很好的解决时滞性问题，其核心思想是对不同时期的授信的资产进行风险跟踪，按照账龄的长短进行同步对比，从而了解不同时期贷款的风险情况，是一个所谓的竖切的概念。而迁移率模型能够很好的提示贷款整个周期的演变情况，是一个所谓横切的概念。
Vintage：是以账龄MOB（month on book）为轴，观察每个放款月贷后的质量情况，分母为对应月份的放款本金，分子是截止期末时点逾期Mn 客户的所有剩余未还本金，可观测一个多期产品的风险全貌。
vintage analysis的目的是以账龄为主轴，分析拨贷后各往来期间的逾期状况，也就是说用来观察贷后N个月的逾期比率，由于拨贷后逾放尚需一段时间后才会陆续出现，因此N多从6开始算起。
vintage analysis的主要特色为以往来月数取代绩效月份，探讨的重点为案件逾放反应时间与恶化的程度。
表中是对M2用户的Vintage分析。 其中行为用户授信的时间，列为特定时间授信的贷款在某一时间切片的还款质量，比如2.12%就是2018年4月授信的用户在2018年7月份M2逾期的情况（2018年4月授信的用户在7月的M2逾期的总额/2018年4月份用户在7月的总的贷款余额）
从表中可以看出2018-07月的授信的用户M2逾期率明显偏高，这就提醒策略机构要分析引起贷款质量下降的原因了。
2.3 指标选择
理清不同指标之间的关联，为报表使用者提供完整可靠的分析。
相对性：
事件的一体两面，一个指标的上升也许对应另一个指标的下降，相对考量，不可骤下结论
比较性：
对关键指标制定标杆值，以实际业务需要制定一定的业务警戒线。
例：止损线
互补性：
单独一个指标也许无法说明问题，需用额外的指标配合解释。
例：延滞率偏高，不可因此轻易断言质量不佳，因为有可能是样本量过少导致
多面性：
有时单一指标呈现的信息，从另一面切入考虑会得出完全不同的结论。
例：逾期率在逐渐降低，但是发现业务通过率也在变低，最终的收益不升反降。
顺序性：
有些指标有前后顺序关系，甚至依序发生，环环相扣，有时一个指标的好坏与前一个指标有非常大关系。
例：进件量、核准量、拨贷量
层次性：
剖析指标，层层探索原因
例：总体催收效果不好，可以下探到各催收小组的催收效力上，是人员不足，还是员工动力不够。
落差性
阶段性的指标变化，通常需要等待一段时间，才好下结论
例：观察期&反应期
2.4 分析维度
在整个credit cycle运行过程中，影响风险的因子有四大类型，依次规划单一或多维度分析，对风险进行深入剖析，能确实掌握各种因子组合下的风险。
产品维度：
包括：产品种类、期数、利率、额度、专案、卡别等。
多期产品、单期产品、公积金贷、车抵贷、消费贷A、消费贷B、现金贷等；
产品维度包括各类产品的属性，例如产品种类、期限、期数、类型、额度、等相关产品属性。
以贷款类业务为例最主要的贷款六要素（借款人、贷款金额、利率和费率、期限、用途、类型）。
渠道维度：
贷款超市、线下渠道、白名单、交叉营销、短信等。
用户维度：
客户的维度包含很多中，例如身份特征、自然人或者法人或者其他类型身份，性别、年龄、区域、学历、收入、行业等都很关系，特别是要针对客户的逾期、坏账分布来挖掘一些事情。
信用维度：
包括：进件评分、在贷余额、有无负债、拒绝原因等。信用维度这个概念比较大，比如人行征信、芝麻分以及各种各样的信用分，具体的应用还需要看场景和客户群表现而定，如果单纯的就认为芝麻分700 以上的都是好人而且请用的扩大授信额度，是需要三思的。
行为维度：
包括：交易类型、预借现金使用率、缴款记录、循环额度使用率等。一般来说行为多以客户内部行为为主，因笔者学识浅薄，无能力谈论行为维度相关内容。
基本数据维度：
包括：年龄、性别、区域、学历、收入、行业、账龄等。
其他数据维度：
其他的可以通过内部，外部获得一些数据，这些数据维度可以通过大数据的方法来进行处理。不过对于弱项的影响力还需要进行科学的验证方可。
设备信息维度：
在互联网金融中，因为可以通过移动设备来申请贷款，所以较传统银行业，我们多了一个设备信息这方面的维度，主要包括如下几个大类，各大类又可以进行细化
1）申请行为类：在移动设备上各环节填写时间、阅读条款时间、申请时间等。
2）数据识别类：移动设备位置信息、安装应用信息、手机型号、App版本信息等。
3）社会关系类：通过分析移动设备中的联系人，得到其社会关系信息。
用户画像维度：
2.5 样本分群
分群原则：组内差异小，组间差异大，如样本数少，考虑合并。
2.6 实验设计
产品推出一段时间后，风险管理单位就各项陆续出炉的分析进行监控工作，需要采用一定的测试方式，观察测试结果，必要时调整计划。
方式：
①定时测试：特定时间内，一律按照某种条件对案件进行管理。
②定量测试：事先规划好样本数，直到样本量满足设定条件。
③定性测试：按照某种预定的属性条件测试，如：针对全体女性群体。
2.7 测量方式
指标分为原生性指标和衍生性指标，通常使用的测量方式有平均数、绝对值、百分比，这些测量方式与时间轴线搭配，可观察各项指标的持续性、稳定性及发展趋势。
2.8 变异因素
在分析过程中，会存在某些不可抗力因素而造成的数据变异，如行业风险、政策风险、目标客群等发生变化，造成的影响可能是暂时性，也可能是永久性的。
暂时性：加以说明；永久性的话，可以考虑对不同条件切割，继续分析，尽量避免该因素的混淆与干扰。
3.预测方法
3.1 关联推测
属于定性法的一种，借历史数据加上经验判断预测未来指标走向。
优点：简单方便
缺点：精度不够
3.2 移动平均
将时间序列概念带入算术平均的一种改良方法，根据一定期间的实际数字，次第推移计算平均值，借以推测未来趋势。
例：相邻5个月份的平均值
3.3 线性回归
较移动平均有更好的预测效果
例：线性插值
3.4 对数回归
较线性回归在好坏客户的判别上使用更普遍。
长期讲，业务增长或者递延率趋势，都不可能一路直线增长，当增长到一定程度上，增长率会衰减。使用对数就是突显这种比例上的关系。
