12月8日，翻開今年的月曆，2021還有半個多月即将過去了，最後一個月不到的時間讓我們抓住剩餘的時間尾巴，好好過一個精彩（摸魚）的12月。
番茄風控近期開播了小微風控的内容，近期跟星球的同學交流，大家比較感興趣在小微模型，今日跟大家分享在小微風控上的兩大模型：營收預估模型與逾期預測模型。
一.營收預估模型
1.1.模型背景
在企業的經營場景中，我們總是希望利用企業曆史的經營資料去預測未來的經營情況。比如在用過去2～3年的資料預測未來1年的實際營業額，于是基于這樣的場景需求，我們就有了營收預估模型的内容。
在營收預估類的模型中，我們一直有兩大類算法在使用，一個是線性回歸類模型，另一個是ARIMA模型（時間序列分析模型），這兩類模型預估營收上有些不同，具體請看以下内容：
1.2.模型場景的比較：
對于營業額預估不同的趨勢預測使用的模型不一樣，以實際的檢驗的方法去找出最适合企業的營業額預測的一個方法，ARIMA模型（時間序列分析）在營業額波動性比較大的企業比較适合。
線性回歸模型在營業額趨勢比較明顯的企業比較适合，在用過去2～3年的資料預測過去1年的實際營業額，我們使用實際資料去校驗模型的準确性，來選擇合适的模型進行實際未來1年營業額的預測。
在實際的小微資料的預估中，實際測試下來，我們總結了以下的規律：
30%的企業适合時間序列模型，
30%的企業适合線性回歸模型，
剩餘40%經營平穩的企業更适合移動平均的估計。
在對預測方法在實際資料中測試在選擇後，超過80%的客戶準确率都能控制在誤差正負20%以内，預測10個客戶裡面有8個預測100萬，上下浮動不超過百分之二十，上不超過120w，下不低于80w。實際的資料測試，測試出來的準确度是符合業務生産需求的。
1.3.模型涉及字段：
1.4.預測結果對比
ARIMA模型整體預測誤差率在每個百分位點值均小于線性回歸，可見ARIMA模型對營收預測更準确；
ARIMA預測準确率：92.3%；
線性回歸預測準确率：89.4%；
二.逾期預測模型
2.1.模型背景
逾期機率預測其針對的客戶基本上就是非銀或者銀行，預測的是他貸了一筆款以後，最後還不出貸款的機率是多少。
這個應用了很多資料，比如企業基本資訊、成立年限、注冊資本、工商司法、報稅銷售額，這些資訊全部綜合在一起，通過這些資訊去預測它最後貸款會不會違約的機率，這個主要是用邏輯回歸
2.2.模型的輸出模型
客戶逾期機率[0-1]
比如通過逾期模型，預估出廣東某有限責任公司，貸款逾期機率0.00051,逾期風險較低。
通過逾期機率的預估，我們判斷出逾期的機率情況，并且逾期的情況仍可以通過劃分區間等級。
2.3.模型涉及字段：
【節選部分字段】
2.4.預測結果對比
結合我們之前的開發資料情況，通過之前的一些模型資料統計，在訓練樣本的預測上模型的結果參考名額：
以上模型參考的來自于企業納稅資料(國稅局)，企業的納稅适用範圍在年銷售額億萬級别,産品幅度可達100萬。
在小微風控模型上除了以上兩大常見的模型外，另外還有：
③經營欺詐模型
④提款率（餘額）預測模型
其中經營欺詐模型就是基于客戶開票資訊，來預測客戶虛假經營的風險；而餘額預測模型基于曆史申請客戶實際提款情況，結合企業基本資訊、工商資訊、财稅資訊來預測餘額和提款率的模型，剩餘的兩部分後續有機會再跟大家介紹。
關于本次提到的，幾大小微風控相關的模型，更詳細的内容關注：《第二期小微風控訓練營》，本次訓練營我們又更新了小微企業的模型+企業征信相關的内容：
另外在本文中涉及的企業征信納稅字段，本次也有相關内容在知識星球平台供大家學習，可以到上面查收。
~原創文章
...
end