在我们平台的同学里，也有挺多汽车金融行业的同学，今天继上周二手车的政策分享后，今天继续给各位带来一片关于二手车车里程的策略相关的内容介绍。

相关数据显示，2015年中国汽车信贷规模7281亿元，创历史新高。预计到2020年中国汽车金融市场规模将达2万亿。汽车金融公司成市场“主导者”。

与此同时,随着新生代消费主体逐渐崛起,汽车消费观逐渐转变,消费者对汽车金融和二手车的接受程度将越来越高,而相比趋近饱和的新车金融市场,二手车金融有更大的发展空间,也越来越受各类机构青睐。

在上周一的车贷策略中，我们跟各位读者分享了基于二手车龄的调整，但另外我们除了在车龄的规则外，还有一个关于车里程的分析。一般来说，车龄越长车程也越多，俗话说：走的路比你吃的盐还多。

但如果是一位经常跑马拉松的，你还敢说这句话吗？今天，我们就从车程的角度，去分析下，车程的策略该怎么调整。

首先，我们先看一下，在政策调整前的具体的策略细则。

在分析之前我们先梳理下分析的数据的样本，因为被策略拒绝掉的样本的的情况中，本次样本，我们筛选了273个被车程拒绝掉的样本：

在之前的策略中，我们以40公里的车程作为拒绝点来分析，40公里以上的客户全部拒绝，40公里以下的客户都是通过，但是有一部分是因为其他原因在后续拒绝掉的。

在具体的数据明细中，我们可以了解到具体的数据情况如下：

因为梳理了40公里的车里程的情况，如果我们将具体的拒绝的数据情况再梳理为以下部分：

在以上的车里程的梳理中，我们对比了不同车里程的情况，其中会发现40公里的的客户的占比其实并不高。对于这部分因为车里程特别高的因素被拒掉的，因为没有具体的贷后数据我们不知道这部分客户的数据拒绝表现之后会是怎么样的？

如果尝试着放这部分的客户进，等到具体的表现又需要一定的时间点才能观察到。分析到了这里似乎陷入困境。

后来，我们又想到一个相似的方法，采用对比历史车龄的放款数据的方法。在公司的产品中，因为历史的放款中，之前有过全部车龄的数据。而且对比产品情况，目前项目中的客群跟跟之前的产品和客群都非常接近，所以我们想通过放款的车龄来比较比较分析。

虽然我们就引进来了历史时期，车龄的贷后表现来处理。但如何将车里程跟车龄之间划伤等号，也需要一个类似的专家判断。

我们根据业务线条的专家判断，将车辆的按照以下车里程的情况（常规的数据中：家车每年大约在二万-六万公里左右，十年就跑二十-六十万公里；另一些营运性质的，如专职跑货车跟滴滴的不在此讨论范围内）大致也梳理成以下的对应表：

最后因为有相关的贷后表现，我们就处理了不同车龄的车的贷款的表现情况，进一步我们就将逾期的情况整理成以下的结果：

整理成图，我们能看到更直观的结果：

分析上面的贷后情况，我们发现处理不同情况的贷后数据，不会出现特别大的数据的调整情况，于是我们考虑将车里程的风险进一步放宽。

在以上贷后的数据梳理过程中，我们用了一个近似的处理方式来，为了分析车里程的情况，先将之前发生过贷后的车龄方面客户进行近似的处理，之后再将相关的数据等套上使用。

这种近似的处理方式，大家在实际的工作中，想必也经常处理。特别是在发现新政策、上线新业务的时候，都是对比、同比、类比，对标等方式。

最后关于这个车里程的，都将其做成了具体的文档的，大家有兴趣的可以上到知识星球查收下，谢谢！

微信公众号&知识星球：番茄风控大数据