怎么才能申请到利率比较低的贷款？从这些方面评估一下

大家知道银行贷款的利率是怎么设置的吗？虽然国家银保监规定了借贷利率区间，但在这个范围内银行还是可以进行调整的，所以经常能出现两个人办理的相同的贷款业务，但是这两人的贷款利率却有些不同。

因为资质越好的用户，利率区间也就越低，那到底是什么因素影响了我们的贷款利率呢？小猫就来盘点下怎么才能申请到利率比较低的贷款，我们可以从以下这几个方面评估一下。

-01-

借款人的收入水平

大家知道为什么放贷机构是晴天借伞，雨天收伞吗？通常财产越多的越容易审批，借款人一旦资金出问题了，就会打电话询问还款情况，银行的贷款业务的盈利方式就是通过收取利息产生利润。

所以借款人的收入越高能稳定还款的概率也就越高，银行也更愿意贷款给这一类人，如果借款人收入低但借款高，别说商量利息，连贷款审批都过不了。

银行会根据借贷人的两个方面来进行判定

1、借款人的固定资产

像是房产、车产、各种大额存单等。这能很好证明借款人的资产水平，以及在严重逾期后，银行对资产拍卖的止损程度。

2、借款人的资金流水

像是每月的银行流水、每月的收入水平、每月开销用于什么途径等。这能评估出借款人的真实可支配收入，判断借款人每月的还款上限是多少。

-02-

借款人的个人信用状况

征信是金融机构评估一个人信用的方式，征信高的人在向金融机构贷款能有很大的优势，在申请降息贷款能起到一定正面作用。

与之相反的是，如果曾经出现过网贷或信用卡逾期、个人负债过高或者经常在借贷平台申请借款，这会严重影响银行对于借款人的信用评估，会做出降低贷款额度或者干脆审批不通过。

除此之外如果借款人曾经有过违法乱纪被司法机关进行过处罚，也会被银行当做个人资质评估的依据。

-03-

借款人的职业与工作地点

借款人职业是银行最能看出个人收入和消费习惯的指标，公务员、国企员工和上市单位员工更容易申请贷款的，这类职业有一个非常大的相似点，就是收入稳定并且资金流水高，工作不会有很大变动。

假如是销售或者房产中介这类职业虽然收入中位数也很高，但因为工作不稳定、收入曲线不平滑等原因，申请银行贷款的门槛会变高。

-04-

贷款的金额和借款时长

银行的审批很容易被贷款的金额和还款时间影响到，12个月以内的短期贷款风险就没长期贷款的那么高，利率一般不会进行调整。

如果金额高贷款时间长，银行会考虑这笔资金是否能顺利收回，为了应对这类情况，银行会适当调整利率。

好了以上就是小猫今天要跟大家分享的内容，如果有啥疑问，或想了解其他信贷知识和产品，关注财小猫盘点，点击文末“发消息”吧。

网商贷微粒贷等，出啥原因突然没额度了，借款人如何解决呢？

互联网的各种网络贷款，包括网商贷、微粒贷，包括现在大做广告的各种网贷。他们因为接触不到借款人，那么也就无法知道借款人的个性化的各项信息，在一定程度上，他们会根据他们收集的各种大数据结果，去不断的变换他们的风控标准。在这种情况下，借款人才会看到借款额度不断变化的情况。

很多人都收到过网贷机构的信息，告诉自己有着多少借款额度，数额也很高，利率也很诱人。但是如果真正下载了网贷的APP，或者进入他们的小程序之后，他们就会要求借款人填写各种信息，并且做所谓的额度评估。那么最后给予的所谓信贷额度，很多借款人认为这个额度是不会再变化的，每次可以少借，但是一直可以借满这个额度，但其实这个理解是错误的。

网贷机构的风控模型，是一个大数据的实时变化系统。那么针对具体借款人的信贷额度调整，主要涉及到3类数据的变化，这3类数据发生了比较大的变化，那么借款人的额度就会自动进行调整。而且这种调整不会涉及到违反信贷规定，按照监管要求，贷款机构是可以单方面调整贷款审批的金额。至于利率的调整需要双方达成一致，但是金额单方面可以变动。

1.通过公开渠道收集到的各类涉及金融、经济、社会的大数据，如果发生了一些比较大的变化，风控系统也会总体调整指标。例如央行公布总体信贷坏账率上升了，统计局公布经济增长速度放缓了，就业数据变化了，那么网贷机构都有可能总体缩减贷款额度，提高贷款要求。具体体现就是有些借款人发现自己的额度没有了，或者还完之后还会被降额。

2.借款人个人的情况发生了一些变化，风控系统也会自动调整额度。例如借款人可能在这个网贷平台上从未欠款逾期过，但是有可能在银行信用卡发生了欠款逾期。网贷系统通过抽查借款人的央行征信，发现了这一信息，那么自然就会启动风控策略。在借款人还清额度之后，直接降额为0，或者降到一个非常低的水平，防止自己借款之后出现欠款逾期。

3.网贷机构自身的情况发生了一些变化，也会针对借款人的额度进行调整。网贷机构的放款资金，也不全部都是自有资金，大部分资金也是通过同业拆借而来。如果资金比较宽裕，那么有可能借款人的额度管理会放松一些，如果资金发生紧张，那么也会对借款人进行缩额。如果网贷机构的资金成本提升了，那么他们更愿意将贷款放给愿意承担高贷款利率的借款人，低利率的借款人额度自然也就缩减了。

虽然网贷机构的风控系统是灵活调整的，但是他们也有一些原则，这才是借款人最不能忍受的，那就是他们一定会等待借款人还款之后，才会启动额度的自动调整。如果在一笔借款还没还之前，借款人又申请了新的一笔借款，那么风控系统就会将利率抬得很高，让借款人知难而退。

尤其是借款人在信用卡、银行贷款方面发生了欠款逾期，那么此类信息很快就会登入借款人的央行征信。而现在的网贷机构是可以通过央行征信查询到这些信息的，一旦抽查到，基本上就会降额为0，或者将借款利率抬得非常之高，额度还非常之少。所以维持一个好的金融央行征信，对于借款人是非常重要的。

贷中客群评级的场景实现，来试试这些多维的实操方法

客户价值评估是信贷业务体系的典型场景，无论是针对风险控制，还是侧重策略营销，围绕客户群体的价值分层，始终是数据分析范围内一个重要且必要的话题。从信贷风控的角度来讲，客户价值评估可以贯穿贷前、贷中、贷后整个流程，现对风控不同阶段举几个细化的模型应用场景。

（1）贷前环节：对于申请进件新客户的价值评估，可以将客户群体进行流量分层，便于针对不同客群采取不同的风控策略，或者授予不同的额度定价；

（2）贷中环节：对于在贷存量客户的价值评估，可以量化贷中期间客户群体的风险异变或资质能力情况，有助于对客户完成贷中风险预警或交叉营销；

（3）贷后环节：对于贷款周期结束且全部还款的客户，通过价值评估分析，可以实现对价值较高客户进行二次营销或睡眠激活，从而提高客群的活跃度。通过以上几个细化场景示例初步可以了解到，客户群体的价值评估在信贷业务中发挥着非常关键的作用，对于风险定价、精准营销、客户画像等应用场景，具有极为重要的意义。

1、贷中客户价值评估

客户价值评估模型的重要度无需多言，但是根据实际业务需求，如何构建模型是一个有意思的话题，例如实际业务场景的理解、机器学习算法的选择、模型应用期望的效果等，都是建立客户价值评估模型的重要思考维度。本文围绕信贷业务的贷中场景，来具体描述下客户价值评估的意义所在。在贷中期间，存量客户群体虽然同属贷款生命周期内，但随着时间周期的推移，客户的行为表现必然会有一定变化，而这些特点在很大程度上可以体现出客户未来的价值度高低。我们若能采用模型来量化客户的价值等级，则可以有效的实施精准营销，也就是对于不同潜在价值的客户群体，采取差异化的营销策略，从而提升业务的综合收益。通常情况下，我们往往将客户价值评估模型单纯理解为是一种多分类问题，例如客户价值等级分为A、B、C、D，从A到D代表客户价值越低，采用LR、GBDT、XGB、LihGBM等机器学习算法，训练拟合多分类模型，在实际应用中通过模型对新老客户进行评估，输出A~D等级的其中一类，从而实现了业务场景对客户的价值评估，也可以理解为客户群体的价值分层。当然，这个模型的应用过程与输出结果，对分析新增或存量客户的资质能力、风险定价有很好的参考价值，以上逻辑也是完全符合实际业务场景的需求，以及对客户价值评估模型的理解。但是，从模型类型或者业务问题来讲，客户价值评估模型并不是简单指多分类模型，也可以是二分类模型，还可以是回归模型，甚至可以是聚类模型，具体完全取决于建立模型的方法，以及模型输出结果的业务理解与场景应用，这些内容便是本文将要介绍的重点。围绕客户价值评估模型，我们从机器学习算法与模型场景应用的角度，大体介绍下模型类型的归属问题，以及各模型场景的原理思想，具体示例描述如下：（1）二分类问题：通过LR、GBDT、XGB、LihGBM、随机森林等机器学习算法，训练有监督二分类模型，模型目标变量为类别型，例如取值1、0，代表客户是、否有价值；（2）多分类问题：通过LR、GBDT、XGB、LihGBM、随机森林等机器学习算法，训练有监督多分类模型，模型目标变量为类别型，例如取值1、2、3、4，代表客户价值的等级，数值越大说明客户的价值越高；（3）回归问题：通过线性回归、KNN、SVR、GBDT、随机森林等机器学习算法，训练有监督回归模型，模型目标变量为连续型，例如取值0.1~1，代表客户价值的系数，数值越大说明客户的价值越高；（4）聚类问题：通过K、DBSCAN、BIRCH、OPTICS等机器学习算法，训练无监督聚类模型，模型无目标变量，通过聚类各簇（例如0、1、2）特征变量的统计分析描述指标（例如均值、极值等），围绕客户群体的画像描述来评估客户价值度的高低。通过以上对客户价值评估模型场景的分析，我们可以较为明确的了解到，针对客户群体的价值评估，并不局限于某一类模型问题，而是从二分类、多分类、回归、聚类各种机器学习模型类型来实现，主要关键点是在于各类模型的目标变量定义，以及模型输出结果的业务理解与应用逻辑。从另一个实用角度来讲，在很多实际业务场景，针对同样一份建模样本数据，假设需要构建客户价值评估模型，只要选定的目标变量在数据分布与业务理解等方面比较合适，我们可以从有无监督的分类、回归、聚类多个维度来实现。为了便于大家对此模型的原理思想有更全面且深入的理解，我们接下来将围绕具体实例的建模样本数据，来依次通过各类机器学习算法来完成客户价值评估模型。

2、建模样本数据介绍

本文选取的实例样本数据包含10000条样本和8个字段，具体数据样例如图1所示，其中ID（客户订单号）为样本主键，Ci_Ix（信用指数）、C_Ix（消费指数）、Tv_Ix（出行指数）、Oi_Ix（网购指数）、Lif_Ix（生活指数）、Wk_Ix（工作指数）、A（利润金额）为特征变量池，A具体是指当前样本客户群体在一定且相同的信贷时间周期内，给信贷业务方带来的利润收益。

编辑

添加图片注释，不超过140字（可选）

图1建模数据样例

由于我们要从不同算法维度来建立有监督模型，因此首先需要明确目标变量的定义逻辑。同时，我们已知建模任务是客户价值评估模型，选取的指标来源必须可以反映出客户的资质能力、风险情况等相关特点，具体指标维度可以是一个或多个字段。按照以上对模型目标变量的理解，由于利润金额可以直接反映客户群体的价值度高低，因此我们这里可以选取特征A（利润金额），作为客户价值评估模型目标的直接来源或加工字段。我们来看下特征A（利润金额）的字段类型（连续i型）以及取值情况，具体可视化分布结果如图2所示，可知A是一系列从最小值304到最大值6280的连续数值。从数据分布角度理解，A的原始数据可以满足回归模型的目标类型需求，而对于分类模型，我们可以考虑结合实际业务情况，设置一个或多个阈值，将A的数据分布按照从小到大排序，然后将其划分为多个区间，每个区间可以归为一个类型。例如，二分类模型需要划分2个区间，多分类模型则划分多个区间，这样便可以将回归问题转化为分类问题，而且目标变量的原始数据都是来源于同一个特征字段，这也是本文通过多维度模型的实现方法，来构建贷中客户价值评估模型的核心思路与重要前提。

编辑

添加图片注释，不超过140字（可选）

图2A取值分布

3、模型目标变量定义

根据上文对客户价值评估有监督模型的理解，我们熟悉了不同算法模型（回归、二分类、多分类）的目标类型及其数据要求，在构建各模型之前，这里先简要梳理下各模型目标变量的取数逻辑。

（1）回归模型：目标变量f1=A，数值越大代表客户的价值度越高。

（2）二分类模型：目标变量f2根据A的数据分布划分2个区间，当A=2000，则f2=1（高价值）；当A2000，则f2=0（低价值）。

（3）多分类模型：目标变量f3根据A的数据分布划分4个区间，当A1000，则f3=1（低价值）；当1000=A2000，则f3=2（较低价值）；当2000=A3000，则f3=3（较高价值）；当A=3000，则f3=4（高价值），从1到4数值越大代表客户价值度越高。

（4）聚类模型：无监督算法，无需定义目标变量。当各类算法模型的目标变量确定之后，我们简单了解下各目标变量的取值分布，其中回归模型标签f1与A相同，二分类模型标签f2与多分类模型标签f3的分布情况如图3、图4所示。

编辑

添加图片注释，不超过140字（可选）

图3二分类模型标签分布

编辑

添加图片注释，不超过140字（可选）

图4多分类模型标签分布

在明确了各类模型标签分布正常的情况下，接下来我们依次通过回归、二分类、多分类、聚类多个维度的机器学习方法，来建立贷中场景的客户价值评估模型。

4、客户价值评估回归模型

在回归模型场景下，目标变量f1直接来源于A，取值分布为连续i类型。我们选取传统的线性回归算法来建立模型，模型参数均采用默认值。建模数据通过随机拆分方式，将样本按照7:3比例分为训练集与测试集，其中训练集i用来模型拟合，测试集用来模型预测，模型训练与预测的实现过程详见知识星球代码详情。回归模型i针对测试集的预测，输出标签_Y代表客户的预测利润金额，取值越大说明客户的价值度越高，部分数据（前10样本）结果及其可视化分布样例如图6所示。

编辑

添加图片注释，不超过140字（可选）

图6回归模型预测

5、客户价值评估二分类模型

在二分类模型场景下，目标变量f2根据A的二分区间得到。现采用传统的逻辑回归算法来建立模型，模型参数均采用默认值，与上文线性回归同理，采用70%的样本数据训练模型，采用30%的样本数据测试模型，模型训练与预测的具体详见知识星球代码详情。

二分类模型针对测试集的预测，可以输出标签_Y（取值0/1）与概率值_Y_（范围0~1），二者的关系是根据模型默认阈值hh（0.5），来判断_Y_从而得到标签_Y，也就是当=hh时_Y为1，否则_Y为0。模型预测结果为1表示当前客户为高价值，预测结果为0则为低价值，部分数据结果样例如图8所示。

编辑

添加图片注释，不超过140字（可选）

图8二分类模型预测

6、客户价值评估多分类模型

在多分类模型场景下，目标变量f3根据A的4分区间得到。这里采用较流行的决策树算法XGB来建立模型，模型参数均采用默认值，仍然采用70%、30%的样本数据来分别训练与测试模型，具体实现过程详见知识星球代码详情。多分类模型x针对测试集的预测，可以输出标签_Y（1/2/3/4）与概率值_Y_（范围0~1），二者的关系是根据_Y_的4个类别概率值，取最大值对应的类别则为标签_Y。模型预测结果为1~4，代表客户的价值度从低到高，部分数据结果样例如图10所示。

编辑

添加图片注释，不超过140字（可选）

图10多分类模型预测

7、客户价值评估聚类模型

在聚类模型场景下，由于模型属于无监督范畴，自然无目标变量Y。现采用常见的K聚类算法来完成客户群体的分类，这里的簇类数定义为3，并采用70%的样本数据来训练模型，30%的样本数据来测试模型，具体实现过程详见知识星球代码详情。聚类模型k针对测试集的预测，可以输出标签_Y（0/1/2），这里需要注意的是，预测结果0/1/2并没有等级比较关系，仅仅是聚类各簇的标识。若在聚类模型的思想下完成对客户价值的评估，需要对各簇客户群体的特征进行画像描述。虽然模型训练过程的变量池包含7个字段，但由于A（利润金额）最能直接体现客户的价值，因此我们以特征A为例，来对客户的价值度进行评估。针对聚类各簇客户群体的分布情况，我们通过图12的实现过程，来描述聚类后各簇的样本频数分布，以及特征A的均值结果，具体如图13所示。

编辑

添加图片注释，不超过140字（可选）

图12聚类特征画像实现

编辑

添加图片注释，不超过140字（可选）

图13聚类特征画像结果

通过以上输出结果可知，聚类后各簇的客户群体数量分别为1025、304、1671，其中簇类2客户群体的平均利润金额明显较高（3382），而簇类3客户群体的平均利润金额最低（818），显然最终结论是簇类3的价值度最高，簇类1次之，簇类2的价值度最低。因此，根据聚类模型来评估客户的价值，重点思路是根据聚类各簇特征的描述性统计分析，并结合实际业务理解，来实现客户群体的价值分层。综合以上介绍，我们围绕贷中期间的客户价值评估场景，从回归、二分类、多分类、聚类共4个机器学习算法维度，依次构建了客户群体的价值评估模型。同时，根据模型应用的输出结果，可以量化判断出客户的价值度高低，从而有助于信贷业务营销策略制定及其实施。为了大家对客户价值评估模型的进一步理解与熟悉，本文额外附带了与以上内容同步的h代码与样本数据，供大家参考学习，详情请移至知识星球查看相关内容。

编辑切换为居中

添加图片注释，不超过140字（可选）

...

~原创文章