风险定价人群分层实操指南 - 第2节
一、人群分层的目的
风险定价的核心不是“一刀切”，而是根据客群差异实现风险-收益动态平衡。人群分层正是实现这一平衡的基础工具。其目的可归纳为三个层次：
| 层次 | 核心目标 | 业务价值 |
|---|---|---|
| 精准识别 | 区分高风险与低风险客群 | 避免优质客户被高利率驱逐，减少高风险客户带来的坏账损失 |
| 差异化定价 | 为不同风险等级匹配不同利率/费率 | 提升风险调整后收益（RAROC），扩大可授信客群范围 |
| 动态管理 | 跟踪客群风险迁移，及时调整策略 | 实现组合层面的风险预警与主动干预 |
关键认知：分层不是静态标签，而是持续迭代的风险管理闭环。分层越精细，定价弹性越大，但同时对数据质量和模型稳定性要求也越高。
二、分层维度
人群分层需要从三个核心维度构建指标体系，缺一不可：
1. 风险维度
衡量客户违约可能性与损失程度，是分层的首要维度。
- 违约概率（PD）：基于征信、行为数据预测的逾期可能性
- 损失率（LGD）：违约后预期损失比例，与抵押、担保相关
- 风险敞口（EAD）：违约时点上的预期未偿还余额
- 多头借贷指数：同时在贷平台数量、近3月查询次数
2. 收益维度
衡量客户为平台带来的利润贡献，避免“只控风险、不要收益”。
- 生命周期价值（LTV）：客户全生命周期净现值
- 利率敏感度：客户对利率调整的接受程度与留存率
- 复借率与复借金额：反映客户粘性与成长性
- 交叉销售潜力：是否购买其他金融产品
3. 行为维度
反映客户在借贷周期中的实时表现，是动态调整定价的依据。
- 还款行为：是否提前还款、逾期天数分布、还款方式偏好
- 用款行为：借款金额波动、资金用途、提现频率
- 交互行为：客服咨询频次、APP活跃度、信息完善度
- 欺诈信号：设备指纹异常、申请信息冲突、团伙关联
实操建议：初期分层建议以风险维度为主（权重≥60%），收益和行为维度作为辅助修正。随着数据积累，逐步提升行为维度的动态调整权重。
三、分层粒度
分层粒度决定了定价策略的精细程度与运营复杂度。粒度越细，策略越精准，但管理成本也越高。
| 粒度级别 | 分层数量 | 适用场景 | 优缺点 |
|---|---|---|---|
| 粗粒度 | 3~5 层 | 产品上线初期、数据稀疏、监管要求简单 | 易于理解执行，但定价弹性不足，易出现“风险错配” |
| 中粒度 | 6~10 层 | 业务稳定期、有足够历史数据、模型成熟 | 平衡精准度与运营成本，多数机构的首选 |
| 细粒度 | 11~20 层 | 高价值客群、大额长期产品、自动化定价系统完善 | 最大化收益，但对模型、系统、监控要求极高 |
避坑提示：不要盲目追求细粒度。如果每层样本量不足（建议每层至少5000个有效样本），分层结果将不稳定，反而导致定价混乱。建议从粗到细逐步迭代，每轮迭代验证分层稳定性后再扩层。
四、分层体系结构
下图展示了风险定价人群分层的完整体系，从输入维度到分层输出，再到策略应用：
五、分层粒度的选择矩阵
实际业务中，分层粒度需要结合产品类型、数据条件和监管要求综合决定。以下矩阵可作为参考：
| 产品类型 | 建议分层数 | 主要维度权重 | 典型分层标签 |
|---|---|---|---|
| 小额现金贷（≤1万） | 5~7 层 | 风险 70% / 行为 30% | 优质、良好、一般、关注、高风险、禁入 |
| 消费分期（1~20万） | 8~10 层 | 风险 50% / 收益 30% / 行为 20% | 在以上基础上增加“高价值”“成长型” |
| 大额经营贷（≥20万） | 10~15 层 | 风险 40% / 收益 40% / 行为 20% | 增加“抵押覆盖”“供应链核心”等场景标签 |
分层粒度决策原则：当相邻两层之间的风险差异（如PD差异）小于0.5%时，应考虑合并；当同一层内客户PD标准差超过该层均值的30%时，应考虑拆分。这是检验分层质量的两个核心统计指标。