做这样一个A4的平台要多少钱？
A4尺寸模型平台
首先需要工具，一把刷子25元，一个画盘(带刷子买的)，一把裁纸刀10元，树粉3元，草粉3元，白胶10元，两滴洗洁精可以忽略不计，有些用量很小的300ml的丙烯颜料大概8元一个颜色，用量少到可以忽略不计。12元，一个A4相框7.5元，一个墙面保温板(就是用一个A4泡沫板买一大块100块)
后来我也做了一个滴水10块钱，挺多的。其实消耗的材料很少，工具可以重复使用，但可能不算！
消耗的材料25元左右，还有一些项目不花钱。
消耗的材料25元左右，还有一些项目不花钱。
需要，各种捡的小石子，捡的烂木头，小区里的草根，小区里的土，河边找到的各种杂草，
时间！时间！时间！过了一个月左右，过了一段时间，就需要等了！
做一个模型多少钱
编者按：模型的使用有助于获得相应的数据，从而促进业务目标的实现。同时，模型的使用需要根据核心业务目标来确定。在本文中，作者介绍并总结了互联网金融可以做的17个模型，并对模型的应用注意事项做了相应的总结。让我们看一看。
该模型的存在是基于这样一个事实，即基于概率的决策是最优的。概率转换成分数，方便对齐风险。打分就是用统计的方法来识别潜在客户，判断客户是否合意。
共识是我们事先定义好的，可以是诸如风险、收益率、响应率、续约意愿、违约后还款意愿等等。
然后，可以在业务中的一系列环节中采用该模型方案。如果要说在风险控制上可以做哪些模型，那就变相讨论业务上哪些环节可以精细化。
01 1)申请记分卡模型
预测客户的贷款申请是否应该被批准。借钱就像倒水。一旦发生，就无法撤回。所以要尽可能准确的判断客户是否会还贷。在贷款之前，如果一个客户的评级太低，可以直接拒绝，贷款通过的客户也可以根据评级做出初始的差异化额度。
根据客户的行为重新评估客户的风险。授予信用后，用户产生一系列行为数据，比如借了多少贷款，用了多长时间，如何还款等。这些数据进一步描述了用户的可信度。
信用管理是基于不同时间点的更新数据对客户的风险进行重新评估，是精细化用户管理的必备。
3)提款模型和利息费用敏感模型
前者预测可以增加额度的客户，以及必须减少或取消额度的客户；后者是预测哪些用户对利率和费用比较敏感。如果这些用户加息，他们的使用率可能会大幅下降。
这也是精细化运营的工作，也可以说属于行为评分的范畴。因为贷款机构的目标正在从降低贷款产品中借款人的违约率转变为提高客户带来的利润率。
预测不需要采取措施或必须采取措施收集的客户。有些逾期行为可以自行纠正，有些只需要适当提醒，其余的借款人需要采取严厉措施。
不仅仅是要不要催的问题，还需要一个模型来预测什么时候催，怎么催，让智能配送运营者在最佳的催收时间选择最佳的催收话术和客户谈话。
另外，如果你想和客户通话，你得先联系他们，所以还有失联和修复的问题。
从多债的角度预测客户的违约风险。长期借款变量涉及相互负债的信息，与还款能力和意愿挂钩。长期借款严重的话，有借新钱还旧钱的可能。平台一旦拒绝借款，客户就失去了还款能力，一旦还不起，可能就不愿意还了。通常用长变量来预测逾期风险更好。
长期模型也可以采用另一种方案，以长期化程度为目标变量，成为长期贷款预测模型。和长信风险一样，是动态的，预测用户通过后长信的严重程度也是有意义的。而且它的优点是可以用贷款申请样本来建模，因为不需要滞后的风险表现。
上面提到的以逾期为目标变量的模型，都是风险模型。但是也有很多无风险模型。这些无风险模型被广泛应用于量化增长场景，比如带来新思想，促进活力。啊哈.
6)用户现金贷款需求预测
预测客户对现金贷的需求。显然，支付的用户规模远大于借款，因为更多的人使用支付宝是为了方便，而不是借钱提前消费。只有对需要现金贷的客户进行营销，才能对症下药。
预测客户在不同触摸模式下的响应率。不同的人对同一种触摸方式的反应是不同的。有的人看到短信就愿意来，有的人甚至会很自然的上门。别人需要优惠券和福利，才愿意尝试你的产品。差异化触摸是一种更有效的方法。
8)借款可能性预测模型
预测客户未来借款行为的概率。客户借一次钱，利润不够。事实上，因为获客成本不断增加，优质客户可以多次借款来覆盖成本。对借款可能性的估计可以帮助你更好地服务这些稀有客户。在资金储备不足的情况下，也可以限制对这些人的营销，防止集中借款导致资金不足。
预测客户未来是否会亏损，与借款的可能性大致相反。对于流失可能性大的客户，要想办法尽快留住，因为一旦流失，就像一个纯粹的新客户一样，很难再清醒过来。
10)甚至，模型点的有效性预测模型
预测的模型有很多细分度高的好用户，也有很多细分度低的坏用户，但并不都是好用户或坏用户。得分的效用是群体效用，而不是个人效用。预测结果与真实表现相差较大的那一组，就是模型得分有效性不足的那一组。如果可以有效识别这一组客户，就不应该使用这一评分工具。
一般来说，数量增长很少考虑风险，增长和风险的分离可以实现效率最大化。还有一些非风险模型应用场景，并不局限于信贷。
预测客户的收入。收入模式可能是应用场景中最多样化的模式之一。在风险层面，高收入人群至少避免了因还款能力不足而逾期的可能。在非风险层面，高收入人群尤其是营销客户的数量是很多成长型运营团队的核心指标。
预测客户的负债。收入的另一面是债务。客户显然更愿意支付房贷、车贷等大件的月供，剩下的就是用户可用的水了。如果债务收入比过高，贷款逾期的风险往往非常高。
预测有破产可能性的客户或企业。相比之下，企业的同质样本远少于个人，企业的财务数据容易被高管操纵，导致企业破产模型的预测效果普遍不如个人。
预测客户的职业。挖掘出一个人属于什么工作单位或岗位，可以进一步评估工作稳定性。在风险控制领域，对职业的预测不如对收入和负债的预测那么直接。至少可以理解为，职业可以进一步评价个人收入水平和收入稳定性。
预测客户是否有孩子。家庭稳定的客户一般风险表现较好。甚至你的信贷产品也可以为这类客户定制一套借款和还款策略。其他场景的应用就不用提了。母婴产品是一个很大的品类，针对这些人群进行营销。
预测客户是否有房产。拥有房子的客户除了收入相对较高，还有大概率有房贷，这有两面性。有房可以保证的一点就是更稳定。一般客户的素质都是自住，和父母合租。
有一个模型实现了营销场景、信用场景、支付场景等几乎所有场景，那就是反欺诈模型。
识别欺诈用户。欺诈可分为一方欺诈和三方欺诈。一方欺诈是指申请人自身的欺诈；三方欺诈是指在申请人本人不知情的情况下，第三方盗用、冒用他人身份实施欺诈。例如，团伙使用非法收集的身份证实施诈骗。
其实还有两方欺诈，就是内部人串通的欺诈，一般不考虑。
营销中存在刷单、套现、倒票等风险，可以定义为欺诈。在信贷方面，有很多人准备战斗。他们借了多少钱就是赚了多少钱。对于那些欺骗我的人
无论是天猫淘宝的消费，还是花呗支付的海量交易数据，都可以用来评估个人的还款能力和意愿。结合马斯洛的需求理论，即生理、安全、情感、尊重、自我实现依次升级，能反映高级需求的数据越多，权重越高。也就是说，重要的不是单一的购买行为，而是消费习惯。
而那些店铺和商家，平台上有他们所有的交易、资金、物流信息，可以作为金融服务的基础。
当你掌握了一个人的人际关系，你就掌握了这个人。社会关系链不仅可以用来评估信用，还可以直接用来做质押，因为大家都很在意，在意很多。
小白遵守了他的承诺，和这个差不多。
评分是信用业务中最有用的工具，但不仅仅是信用。分数用于许多业务场景。
保险公司用它来评估被保险人的风险偏好，或汽车事故的风险。
只是说明模型是不能滥用的。一个人的信用评分越高，他的风险偏好就越低。这些人不会去冒险，也不会去买保险。保险公司使用信用评分筛选客户，他们可能会找到所有这些非目标客户。
医院用它来判断哪些病人最需要特殊治疗，也用来判断不同医疗措施下病人的生存时间。
Aauto中的这些短视频平台更快地利用它来预测用户直播观看的可能性，从而决定是否在你的发现页面中插入直播推荐。还要预测用户观看视频的意愿，让推荐的结果是点击率高，观看时间长。
总之，排序是你所需要的！
业务理解能力是共通的，任何人通过收集和总结都很容易理解互联网场景的商业模式，但真正的难点在于每项业务背后复杂多变的真实需求，即在特定场景下，如何实现以流量或盈利为目的的最优决策。
业务目标决定模型目标，模型目标决定使用的数据。我们可以有许多模型，但业务的核心目标是唯一的。
当你有这么多模型时，你打算如何使用它们？
如果多个模型同时通过或者否决，当然好办。不改变单一模型的决策结果，给你更大的决策信心。但是，如果一个模型说“通过”，另一个模型说“拒绝”，这个问题就令人费解了。
没那么糟糕。相反，这是一个改善决策的机会。如果所有模型都一样，那么多个模型就是一个。
我们可以算出两个模型点的交叉效应表。下图就是一个例子。如果自定义模型经过8个网格，与通用模型进一步交叉后，替换其中一个网格，往往可以获得更好的风险表现。其实通过率也可以通过横切来提高。
但是，请注意，您不能连续使用模型。除非这真的是你想要的结果。
本文由@雷帅原创发布。每个人都是产品经理。未经许可，禁止复制。
来自Unsplash的图像，基于CC0协议。