3. 人群划分方法论：基于风险等级、行为特征、价值贡献的客户分层技术
在信用定价场景中，统一利率策略往往导致“劣币驱逐良币”——低风险客户因定价过高而流失，高风险客户因定价过低而逆向选择。科学的人群划分是差异化定价的基石。本章系统阐述基于风险等级、行为特征与价值贡献的三维分层技术，帮助从业者构建可落地、可迭代的客户分层体系。
3.1 三维分层框架总览
人群划分并非单一维度的标签化，而是将客户置于“风险-行为-价值”三维坐标系中进行立体刻画。下图展示了三维分层的基本逻辑与输出结果。
实践要点：三维分层并非一次性工程。建议每季度根据最新数据重新计算风险评分与价值贡献，行为特征则建议按月更新，以捕捉客户状态的快速变化。
3.2 风险等级划分技术
风险等级是信用定价最核心的维度。常用的划分方法包括统计分箱法与机器学习评分卡法。下表对比了两种主流技术路线。
| 对比维度 | 统计分箱法 | 机器学习评分卡法 |
|---|---|---|
| 核心算法 | 等频分箱、卡方分箱、决策树分箱 | 逻辑回归、XGBoost、LightGBM |
| 输出形式 | 离散等级（A/B/C/D/E） | 连续评分（300~850） |
| 可解释性 | 高，分箱边界清晰 | 中，需配合SHAP或LIME解释 |
| 区分能力 | 中等，依赖人工特征工程 | 高，自动捕捉非线性关系 |
| 适用场景 | 样本量小、监管要求高 | 样本量大、追求精细化定价 |
3.2.1 风险等级划分步骤
- 定义目标变量：通常以“逾期90天以上”作为违约标签，观察窗口为12~24个月。
- 特征筛选：使用IV（信息价值）筛选预测能力强的变量，保留IV > 0.02的特征。
- 模型训练与评分：基于逻辑回归或树模型输出违约概率，转换为标准评分。
- 等级映射：将连续评分映射为5~7个风险等级，确保各等级样本占比合理。
关键指标：风险等级划分后，需验证相邻等级之间的违约率是否呈单调递增趋势。若出现“等级B违约率高于等级A”的倒挂现象，需重新调整分箱边界或模型参数。
3.3 行为特征分层技术
行为特征反映客户在借贷生命周期中的动态表现。相比静态的风险等级，行为特征能更及时地捕捉客户状态变化。常见的行为特征维度包括：
- 交易活跃度：近3个月借款次数、借款金额、借款间隔。
- 还款习惯：提前还款率、逾期天数分布、还款方式偏好。
- 产品使用深度：使用产品种类数、交叉持有率、额度使用率。
- 渠道偏好：线上/线下申请比例、App活跃度、客服接触频次。
行为特征分层通常采用K-Means聚类或高斯混合模型（GMM），将客户划分为3~5个行为族群。下图展示了一个典型的行为特征聚类结果。
注意：行为特征聚类结果需与业务经验对齐。若聚类产生“高活跃+高稳定”但实际违约率偏高的矛盾族群，应检查特征选择是否遗漏了关键风险变量（如多头借贷指数）。
3.4 价值贡献分层技术
价值贡献衡量客户为机构带来的长期利润潜力。常用的价值指标包括：
- 客户生命周期价值（CLV）：预测客户在未来N年内产生的净现值。
- 当前利润贡献：近12个月利息收入 - 资金成本 - 运营成本 - 风险损失。
- 交叉销售潜力：基于关联规则或协同过滤预测的附加产品购买概率。
价值分层通常采用RFM模型的变体，将客户按“最近一次借款时间（Recency）”、“借款频率（Frequency）”、“借款金额（Monetary）”三个维度进行打分，最终汇总为价值等级。
3.4.1 RFM价值分层示例
| 价值等级 | R（最近借款） | F（借款频率） | M（累计金额） | 典型客群 |
|---|---|---|---|---|
| 高价值 | 近30天内 | ≥6次/年 | ≥50万 | 核心优质客户 |
| 中价值 | 31~90天 | 3~5次/年 | 10~50万 | 成长型客户 |
| 低价值 | >90天 | ≤2次/年 | <10万 | 边缘或流失客户 |
3.5 三维交叉分层与定价映射
将风险等级（高/中/低）、行为特征（活跃/普通/沉默）、价值贡献（高/中/低）进行三维交叉，可生成27个基础客群。实际应用中，通常合并为5~9个核心分层，并映射到差异化的定价策略。
以下代码展示了一个简化的三维分层映射逻辑（Python伪代码）：
def assign_pricing_tier(risk_level, behavior_type, value_level):
"""
基于三维分层输出定价档位
返回: '优惠利率', '标准利率', '高利率', '拒绝'
"""
if risk_level == '低风险' and value_level == '高价值':
return '优惠利率'
elif risk_level == '高风险' or (risk_level == '中风险' and behavior_type == '沉默'):
return '高利率'
elif risk_level == '高风险' and value_level == '低价值':
return '拒绝'
else:
return '标准利率'
# 示例调用
tier = assign_pricing_tier('低风险', '活跃', '高价值')
print(f'定价档位: {tier}') # 输出: 优惠利率
最佳实践：三维分层映射表应作为定价引擎的配置参数，而非硬编码。建议将分层规则存储在数据库或配置中心，支持业务人员通过后台界面动态调整，无需开发人员介入。
3.6 分层效果评估与迭代
人群划分并非“一劳永逸”。分层效果需通过以下指标持续监控：
- 分层稳定性：相邻两期客户在各分层中的迁移比例，理想状态应低于15%。
- 定价响应率：各分层客户对差异化定价的接受度，避免定价过高导致优质客户流失。
- 风险-收益平衡：高利率分层的不良率是否在可接受范围内，低利率分层的利润贡献是否达到预期。
建议每季度输出一份分层迁移报告，识别“升级”与“降级”客户的特征变化，为下一轮分层模型迭代提供数据支撑。