3、核心概念解析：行为评分、风险敞口、额度使用率、逾期率、迁徙率等关键指标
贷中管理区别于贷前审批的核心，在于其动态性和持续性。贷前关注的是“这个人未来会不会还”，而贷中关注的是“这个人现在状态如何、未来12个月内违约概率是否在上升”。要回答这个问题，必须依赖一套可量化、可追踪、可预警的指标体系。本章将深入拆解贷中监控的五大核心概念：行为评分、风险敞口、额度使用率、逾期率与迁徙率，厘清它们的定义、计算逻辑、业务含义及在额度动态调整中的协同应用。
3.1 行为评分：贷中风险识别的核心引擎
核心原理
行为评分（Behavior Score）是基于借款人在贷后期间产生的还款行为、交易行为、账户状态等动态数据，通过统计模型或机器学习算法构建的评分。与申请评分（Application Score）不同，行为评分不依赖征信报告中的静态信息，而是聚焦于“借款人拿到钱之后做了什么”。其核心逻辑是：过去6-12个月的行为模式，是预测未来12个月违约概率的最强信号。行为评分通常以0-1000分或300-850分的形式呈现，分数越高，代表未来违约概率越低。
| 维度 | 申请评分 | 行为评分 |
|---|---|---|
| 数据来源 | 征信报告、申请表 | 内部还款流水、交易行为 |
| 更新频率 | 审批时一次性 | 每月/每季度滚动更新 |
| 预测目标 | 首笔贷款违约概率 | 存量客户未来违约概率 |
| 主要用途 | 准入决策 | 额度调整、预警、催收分层 |
判断方法与操作流程
行为评分的构建通常包含以下步骤：
- 样本定义：选取放款后至少6个月的账户，定义“坏客户”为未来12个月内逾期90天以上（M3+）的账户。
- 特征工程：核心特征包括最近一次还款距今天数、近3个月平均还款金额/应还金额比、最大逾期天数、近6个月取现次数、额度使用率变化趋势等。
- 模型训练：常用逻辑回归、XGBoost、LightGBM等算法，输出违约概率并映射为分数。
- 阈值设定：根据业务风险偏好，设定高、中、低风险分数区间。
案例拆解
某消费金融公司对其循环贷产品进行行为评分监控。客户A初始行为评分720分，近3个月出现以下变化：还款金额从每月全额还款降至最低还款、额度使用率从40%升至85%、且出现一次逾期2天记录。系统评分降至655分，触发预警。风控团队介入后发现客户近期频繁申请其他平台贷款，判断其多头借贷风险上升，遂将其额度从5万元降至2万元，并将利率上调2个百分点。3个月后该客户逾期60天，但由于额度已提前调降，实际损失减少了约1.2万元。
常见误区
- 误区一：只看当前分数不看趋势。行为评分的价值在于动态监测，单期分数容易忽略风险演变过程。
- 误区二：评分模型一成不变。客户行为模式会随经济环境、产品政策变化，模型需定期（至少每年）进行监控和迭代。
- 误区三：忽略评分与额度使用率的交互作用。高评分+高使用率可能比低评分+低使用率更危险。
3.2 风险敞口与额度使用率：量化“在险金额”
核心原理
风险敞口（Exposure）指借款人在某一时点尚未偿还的贷款本金余额，加上已产生但未支付的利息和费用。对于循环贷产品，风险敞口等于当前已用额度；对于分期贷，风险敞口等于剩余未还本金。额度使用率（Utilization Rate）则是当前风险敞口与授信总额度的比值。这两个指标共同回答了“如果客户现在违约，我们会损失多少钱”以及“客户离额度上限还有多远”的问题。
判断方法与操作流程
在实际业务中，风险敞口和额度使用率的监控需要结合产品特性：
- 循环贷产品：额度使用率是核心预警指标。当使用率超过80%且行为评分下降时，违约概率显著上升。
- 分期贷产品：风险敞口随还款逐月递减，需关注提前还款后的再贷行为。
- 组合监控：将风险敞口按产品、地区、渠道、评分区间进行汇总，识别集中度风险。
案例拆解
某银行信用卡中心发现，其客户B的额度使用率连续3个月维持在95%以上，且每月仅还最低还款额。行为评分从700分降至620分。风控部门分析其交易流水，发现近两个月出现多笔大额消费（疑似套现），且还款来源从工资代发变为他行转账。综合判断后，银行将客户B的额度从10万元降至3万元，并限制其取现功能。两个月后，客户B在其他银行出现逾期，但该行因提前降额，将损失控制在可接受范围内。
常见误区
- 误区一：将额度使用率作为单一指标使用。必须结合行为评分、还款能力变化、外部征信信息综合判断。
- 误区二：忽视“额度闲置”客户的价值。对于长期低使用率的高评分客户，可主动营销提额以提升客户粘性和收益。
- 误区三：风险敞口计算不完整。部分机构只计算本金，忽略利息、罚息、手续费等，导致风险低估。
3.3 逾期率与迁徙率：资产质量的“温度计”与“预警器”
核心原理
逾期率（Delinquency Rate）是某一时点处于逾期状态的贷款余额占总贷款余额的比例，通常按逾期天数分为M1（1-30天）、M2（31-60天）、M3（61-90天）等。迁徙率（Migration Rate）则衡量贷款从某一逾期状态恶化到下一状态的比率，例如M1→M2的迁徙率。逾期率反映的是“存量”风险水平，迁徙率反映的是“增量”风险趋势。两者结合，可以判断资产质量是在改善还是恶化。
| 指标 | 计算公式 | 业务含义 |
|---|---|---|
| M1逾期率 | M1逾期余额/总余额 | 早期风险信号，可能为临时性遗忘 |
| M2逾期率 | M2逾期余额/总余额 | 风险确认，需启动催收 |
| M3+逾期率 | M3及以上逾期余额/总余额 | 严重违约，需计提坏账准备 |
| M1→M2迁徙率 | 本月M2余额/上月M1余额 | 早期催收效果的核心指标 |
| M2→M3迁徙率 | 本月M3余额/上月M2余额 | 催收策略有效性的关键指标 |
判断方法与操作流程
迁徙率的监控需要建立滚动队列（Roll Rate）分析框架：
- 月度队列划分：将每月新增的M1客户单独分组，追踪其在后续月份的逾期状态变化。
- 计算迁徙率：例如，2025年1月M1客户中，有30%在2月变为M2，则M1→M2迁徙率为30%。
- 趋势分析：连续3个月迁徙率上升，说明催收效果下降或客群质量恶化，需调整策略。
案例拆解
某持牌消金公司2025年Q1发现M1→M2迁徙率从20%升至32%，但整体M1逾期率仅从1.8%升至2.1%。表面看风险可控，但迁徙率上升意味着早期逾期客户正在加速恶化。经排查，发现是某第三方催收机构策略调整导致M1阶段催收力度不足。公司立即更换催收策略，加强短信+AI外呼频次，并对M1客户进行分层（高评分客户温和提醒，低评分客户强力催收）。Q2迁徙率回落至24%，避免了M2+逾期余额的进一步扩大。
常见误区
- 误区一：只看逾期率不看迁徙率。逾期率是滞后指标，迁徙率才是领先指标。
- 误区二：迁徙率计算口径不统一。不同产品（循环贷vs分期贷）的逾期定义可能不同，需分别计算。
- 误区三：忽视迁徙率的季节性波动。春节前后、双十一等消费节点，迁徙率可能短期上升，需结合历史同期数据判断。
3.4 指标协同应用：构建贷中监控决策矩阵
核心原理
单一指标无法全面反映客户风险，必须将行为评分、风险敞口、额度使用率、逾期率、迁徙率组合使用，形成“评分-行为-敞口”三维决策矩阵。其核心逻辑是：评分判断“愿不愿意还”，使用率判断“需不需要钱”，敞口判断“欠了多少钱”。
判断方法与操作流程
建议建立以下决策矩阵：
| 行为评分 | 额度使用率 | 风险敞口 | 建议动作 |
|---|---|---|---|
| 高（≥700） | 低（<50%） | 小 | 维持额度，可适度提额促活 |
| 高（≥700） | 高（≥80%） | 中 | 关注资金用途，可提额但需监控 |
| 中（600-700） | 中（50-80%） | 中 | 维持额度，加强行为监测 |
| 中（600-700） | 高（≥80%） | 大 | 降额20-30%，提高催收频次 |
| 低（<600） | 高（≥80%） | 大 | 冻结额度，启动催收流程 |
案例拆解
某互联网银行对其30万循环贷客户进行月度监控。2025年2月，系统识别出客户C：行为评分680分（较上月下降40分），额度使用率92%，风险敞口8万元。按照决策矩阵，该客户属于“中评分+高使用率+大敞口”，应降额并加强监控。但进一步分析发现，客户C的还款记录良好，近3个月均提前还款，且其使用率上升是因为临时性大额消费（购买家电）。风控团队决定暂不降额，但设置3个月观察期，并发送短信提醒客户合理使用额度。3个月后，客户C评分回升至710分，使用率降至45%，风险解除。
总结复盘
贷中监控的核心不是“盯住每一个指标”，而是理解指标之间的联动关系。行为评分是“方向盘”，指引风险方向；风险敞口是“油箱”，决定损失上限；额度使用率是“油门”，反映客户资金需求强度；逾期率和迁徙率是“仪表盘”，显示资产质量状态。只有将五者结合，形成动态监控闭环，才能真正实现“早发现、早干预、早处置”的贷中管理目标。