RFM模型在信贷风控的应用

长久以来，对于用户价值的衡量一直是令企业头疼的棘手问题，尤其对于信贷产品而言，不仅要对用户价值有明确的界定，为了防范风险控制，差异化客户分类管理成为精细化管理的首要任务。

在众多的用户细分模型中，RFM模型是被广泛提到和使用的。

01 什么是RFM模型？

RFM模型又称用户价值模型，是网点衡量当前用户价值和用户潜在价值的重要工具。

RFM模型即：

• “R”——Recency（最近一次消费时间），R值越小则价值越大，这类用户也是最能够对产品、活动产生反应的群体；
• “F”——Frequency（一段时间内消费频次），F值越大，表示用户在固定时间段内的交易次数越多；
• “M”——Monetary（一段时间内消费总额），M值越大，表示用户消费能力越大。

通过这三个指标分别刻画了用户是基于近度（Recency），频度（Frequency）和额度（Monetory）这3个指标对用户进行聚类，我们可以找出具有潜在价值的用户, 从而辅助风控决策，提高营销效率。

02 基于RFM模型的K-Means聚类算法说明

聚类, 是指按照对象的某些属性, 以某种相似度的测量方法, 把相似的事物聚集成为一类, 其结果是获得的类群中, 不同类的对象之间相似性小, 同一类对象的相似性大。K-MEANS算法是聚类分析中最常用, 也是最主要的算法之一。

基于RFM模型的聚类分析算法步骤如下：

Step1：收集具有共性的较长一段时间所有用户基础交易信息数据；

Step2：应用计算机软件系统计算每个用户的RFM数值和全体用户集合的RFM总平均值(包括R平均值、F平均值以及M平均值)，每个用户的RFM数值分别用R_i 、F_i、M_i；全体用户集合的RFM总平均值分别用表示；

Step3：将每个用户的RFM数值和总RFM平均值作比较，每次对比有两个结果：大于等于总平均值和小于总平均值，其中大于等于总平均值用“1”表示，小于总平均值用“0”表示，比较结果用r_RFM表示，通过比较结果得到每个用户RFM的变动情况，进行聚类；

Step4：根据规定的用户簇分类，对聚类后的用户簇进行分类划分，得到最终的用户类型；

Step5：应用计算机软件系统计算每类用户簇对公司在忠诚度、交易活跃度及对公司贡献率三方面的占比。

通过对比业务结果不断修订完善模型的同时，用营销手段进一步扩大重要价值用户群（考虑时间短、频次高、消费高）。分群方法如下：

• 对于某个用户，如果其R值高于群体平均R值，则该用户属于R↑，反之属于R↓。
• 对于某个用户，如果其F值高于群体平均F值，则该用户属于F↑，反之属于F↓。
• 对于某个用户，如果其M值高于群体平均M值，则该用户属于M↑，反之属于M↓。

以信贷业务为例，随机抽取100万用户样本，进行数据分析；

时间间隔：以提取样本的时间点与用户最后一次消费时间作差，看时间间隔平均为多少天。

消费频次：用户的消费行为平均为几次，最大多少次，最小多少次。

消费金额：用户消费金额平均为多少，最大最小分别是多少。

使用K-means方法，对样本集进行聚类，通常分为8类。

把聚类结果分为训练集（30%）和测试集（70%），根据训练集生成决策树模型。

通过RFM分析将客户群体划分成一般保持客户、一般发展客户、一般价值客户、一般挽留客户、重要保持客户、重要发展客户、重要价值客户、要挽留客户等八个级别。

03 小结

通过用户价值模型的搭建与分析，在风险评分难以决策的灰分区域，制定置入置出策略，可以预测用户在开户后能够为机构带来潜在收益。在相同风险等级用户里，可以筛选收益等级高的用户，最大化挖掘其收益潜力。

除此之外，不仅可以通过对各个价值分层的群体特征研究，利用用户忠诚度、用户规模与用户信用相结合的考察方法来划分客户，还可以从交易变化、流失趋势等动态行为考察，从而有效提升获客能力以及针对各类人群实现精准化营销。