随着我国经济发展进入新常态,国内金融信贷行业发展迅速,许多金融信贷服务逐步推广到大众生活当中,个人信贷业务已经风生水起,加上互联网金融的不断发展,个人信用消费越来越普遍,信贷行业用户画像模型与逾期识别模型的建立已经是一种迫切需求。本文首先针对基础样本数据的变量类型提出了变量细分的想法,得到了变量细分的十一个维度,并在传统RFM价值评价模型基础上建立了以信贷用户消费能力、用户粘性和还贷意愿这三个维度的综合评价指标体系。基于变量细分维度与综合评价指标体系我们建立了用户画像模型,其中包括了用户细分画像与用户漏斗画像。对于用户细分画像,我们使用综合评价指标体系在消费能力、用户粘性、还贷意愿这三个维度细分了信贷领域的用户群,针对性的评价了每类用户群的价值并提出了相应的资源配置策略。对于用户漏斗画像,我们基于变量细分维度后得到的十一个维度使用用户漏斗算法,得到了高逾期占比用户群体并捕获了高逾期占比用户群的行为路径。在构建完用户画像模型后,我们着力于构建逾期识别集成算法模型。首先基于变量细分的思想与相关机器学习算法,完成了对基础样本数据的打分、降维,得到了新的两类样本数据,全量特征打分数据与细分维度打分数据,研究了不同样本数据对随机森林集成算法预测精度的影响。再基于两种不同样本、五种不同的集成算法,通过对测试集、交叉验证集、学习曲线与若干评价指标的评估选择了最优的Stacking集成算法,提供了精准、稳定、科学的逾期风险识别模型。本文构建用户画像模型是为了更好的服务于业务,构建集成算法模型是为了更好的服务于逾期风险识别精度。