RFM模型在信貸風(fēng)控的應(yīng)用

長久以來，對于用戶價(jià)值的衡量一直是令企業(yè)頭疼的棘手問題，尤其對于信貸產(chǎn)品而言，不僅要對用戶價(jià)值有明確的界定，為了防范風(fēng)險(xiǎn)控制，差異化客戶分類管理成為精細(xì)化管理的首要任務(wù)。

在眾多的用戶細(xì)分模型中，RFM模型是被廣泛提到和使用的。

01 什么是RFM模型？

RFM模型又稱用戶價(jià)值模型，是網(wǎng)點(diǎn)衡量當(dāng)前用戶價(jià)值和用戶潛在價(jià)值的重要工具。

RFM模型即：

• “R”——Recency（最近一次消費(fèi)時(shí)間），R值越小則價(jià)值越大，這類用戶也是最能夠?qū)Ξa(chǎn)品、活動產(chǎn)生反應(yīng)的群體；
• “F”——Frequency（一段時(shí)間內(nèi)消費(fèi)頻次），F(xiàn)值越大，表示用戶在固定時(shí)間段內(nèi)的交易次數(shù)越多；
• “M”——Monetary（一段時(shí)間內(nèi)消費(fèi)總額），M值越大，表示用戶消費(fèi)能力越大。

通過這三個(gè)指標(biāo)分別刻畫了用戶是基于近度（Recency），頻度（Frequency）和額度（Monetory）這3個(gè)指標(biāo)對用戶進(jìn)行聚類，我們可以找出具有潛在價(jià)值的用戶, 從而輔助風(fēng)控決策，提高營銷效率。

02 基于RFM模型的K-Means聚類算法說明

聚類, 是指按照對象的某些屬性, 以某種相似度的測量方法, 把相似的事物聚集成為一類, 其結(jié)果是獲得的類群中, 不同類的對象之間相似性小, 同一類對象的相似性大。K-MEANS算法是聚類分析中最常用, 也是最主要的算法之一。

基于RFM模型的聚類分析算法步驟如下：

Step1：收集具有共性的較長一段時(shí)間所有用戶基礎(chǔ)交易信息數(shù)據(jù)；

Step2：應(yīng)用計(jì)算機(jī)軟件系統(tǒng)計(jì)算每個(gè)用戶的RFM數(shù)值和全體用戶集合的RFM總平均值(包括R平均值、F平均值以及M平均值)，每個(gè)用戶的RFM數(shù)值分別用R_i?、F_i、M_i；全體用戶集合的RFM總平均值分別用表示；

Step3：將每個(gè)用戶的RFM數(shù)值和總RFM平均值作比較，每次對比有兩個(gè)結(jié)果：大于等于總平均值和小于總平均值，其中大于等于總平均值用“1”表示，小于總平均值用“0”表示，比較結(jié)果用r_RFM表示，通過比較結(jié)果得到每個(gè)用戶RFM的變動情況，進(jìn)行聚類；

Step4：根據(jù)規(guī)定的用戶簇分類，對聚類后的用戶簇進(jìn)行分類劃分，得到最終的用戶類型；

Step5：應(yīng)用計(jì)算機(jī)軟件系統(tǒng)計(jì)算每類用戶簇對公司在忠誠度、交易活躍度及對公司貢獻(xiàn)率三方面的占比。

通過對比業(yè)務(wù)結(jié)果不斷修訂完善模型的同時(shí)，用營銷手段進(jìn)一步擴(kuò)大重要價(jià)值用戶群（考慮時(shí)間短、頻次高、消費(fèi)高）。分群方法如下：

• 對于某個(gè)用戶，如果其R值高于群體平均R值，則該用戶屬于R↑，反之屬于R↓。
• 對于某個(gè)用戶，如果其F值高于群體平均F值，則該用戶屬于F↑，反之屬于F↓。
• 對于某個(gè)用戶，如果其M值高于群體平均M值，則該用戶屬于M↑，反之屬于M↓。

以信貸業(yè)務(wù)為例，隨機(jī)抽取100萬用戶樣本，進(jìn)行數(shù)據(jù)分析；

時(shí)間間隔：以提取樣本的時(shí)間點(diǎn)與用戶最后一次消費(fèi)時(shí)間作差，看時(shí)間間隔平均為多少天。

消費(fèi)頻次：用戶的消費(fèi)行為平均為幾次，最大多少次，最小多少次。

消費(fèi)金額：用戶消費(fèi)金額平均為多少，最大最小分別是多少。

使用K-means方法，對樣本集進(jìn)行聚類，通常分為8類。

把聚類結(jié)果分為訓(xùn)練集（30%）和測試集（70%），根據(jù)訓(xùn)練集生成決策樹模型。

通過RFM分析將客戶群體劃分成一般保持客戶、一般發(fā)展客戶、一般價(jià)值客戶、一般挽留客戶、重要保持客戶、重要發(fā)展客戶、重要價(jià)值客戶、要挽留客戶等八個(gè)級別。

03 小結(jié)

通過用戶價(jià)值模型的搭建與分析，在風(fēng)險(xiǎn)評分難以決策的灰分區(qū)域，制定置入置出策略，可以預(yù)測用戶在開戶后能夠?yàn)闄C(jī)構(gòu)帶來潛在收益。在相同風(fēng)險(xiǎn)等級用戶里，可以篩選收益等級高的用戶，最大化挖掘其收益潛力。

除此之外，不僅可以通過對各個(gè)價(jià)值分層的群體特征研究，利用用戶忠誠度、用戶規(guī)模與用戶信用相結(jié)合的考察方法來劃分客戶，還可以從交易變化、流失趨勢等動態(tài)行為考察，從而有效提升獲客能力以及針對各類人群實(shí)現(xiàn)精準(zhǔn)化營銷。