【博客地址】：https://blog.csdn.net/sunyaowu315
【博客大綱地址】：https://blog.csdn.net/sunyaowu315/article/details/82905347

---

??對數據分析、機器學習、數據科學、金融風控等感興趣的小伙伴，需要數據集、代碼、行業報告等各類學習資料，可關注微信公眾號：風控圏子（別打錯字，是圏子，不是圈子，算了直接復制吧！）

??關注公眾號后，可聯系圈子助手加入我們的機器學習風控討論群和反欺詐討論群。（記得要備注喔！）

??相互學習，共同成長。

---

一套完整的風控體系，在現金貸風控中，少不了是決策引擎，今天就說淺談一下風控決策引擎

? 優先級

風控決策引擎是一堆風控規則的集合，通過不同的分支、層層規則的遞進關系進行運算。而既然是組合的概念，則在這些規則中，以什么樣的順序與優先級執行便額外重要。

風控系統的作用在于識別絕對風控與標識相對風險，如果是絕對風控，則整套風控的審核結果便將是“拒絕”。既然結果必然是“拒絕”，則沒必要運行完所有的風控規則，而主要單條觸發“拒絕”即可停止剩余規則的校驗。因為所有規則的運行，是需要大量的時間、金錢與性能成本的。所以，整套風控決策引擎的搭建設計思路，基于規則優先級運算的注意要點如下：

? 自有規則優先于外部規則運行

舉例說明：自有本地的黑名單庫優先于外部的黑名單數據源運行，如果觸發自有本地的黑名單則風控結果可直接終止及輸出“拒絕”結論。（可在客戶準入條件中加入本地的內部數據，無成本，精準，實時）

? 無成本或低成本的規則優先于高成本的規則運行

舉例說明：借款用戶的身份特定不符合風控要求的，諸如低于18歲的用戶，則可優先運行。而一些通過對接外部三方征信的風控規則，需支出相關查詢費用的，則靠后運行。此外，在外部三方征信的規則中，命中式收費的風控規則（如黑名單與反欺詐）又可以優先于每次查詢式收費的風控規則（如征信報告）運行。

? 消耗低性能的規則優先于高性能消耗的規則運行

舉例說明：直接基于用戶現有屬性的數值，如當前用戶的民族是否非少數民族，則可優先運行。而一些風控規則，需借助爬蟲接口，且需待將爬取到的數據經過二次加工與匯合之后，再對匯合的總值進行判斷，如手機運營商手機使用時長，則此類風控規則應后置運行。

? 可調整

風控的核心思路是基于大量真實的樣本數據，將逾期用戶的身份、行為與數據特征進行提煉，從概率學的角度上進行剔除，從而保障到剩余用戶群的逾期概率處于一個相對較低的區間。而對數據的提煉與作用過程，將使用到“參數”的定義。“參數”決定了區間和上下限范圍，一條風控規則通常作用于某一數據類型，依據此數值是否滿足“參數”的定義范圍，得出是否可通過風控的結論。

由于風控最終還是數據“喂出來”的結果，風控的本質就是數據，而非主觀臆斷的設限，故而，隨著數據樣本與內容的不斷發展，必然將會涉及到一些動態的調整，后期可能會發現原本設定的“參數”過于嚴謹而導致審核通過較低，或者是設定得過于寬松而導致逾期率較高等。所以，整個風控決策引擎的搭建設計思路，基于可調整與可維護的注意要點如下：

? 非剛需與必要的風控規則，能夠“開關化”

舉例說明：一些必要的風控規則，如用戶的銀行4要素驗證是否一致性，這是必要規則，就無需可開關。而一些如校驗用戶的芝麻信用分是否高于500分，則可做成“開關”。待該規則上線后，可通過分析此項規則的觸發率得出是否合理的判斷。因為芝麻信用分是否可作為決策依據將主要取決于業務方向與用戶群體，因為理論上芝麻信用分的高低主要與用戶在芝麻信用體系內的數據綁定維度的多與少相關，并不一定絕對反映用戶的信用程度。

? 風控規則上的“參數”可調整與靈活配置

舉例說明：很多風控體系通常會加入對手機運營商的校驗，所以有一些風控規則，諸如校驗用戶手機號的使用時間長度是否大于6個月。其中的“6個月”便是所定義的參數，此處最好可調整與配置。因為去驗證用戶的穩定性，是否用“6個月”，還是用“3個月”的長度更合適？具體合理的參數是需要通過數據分析的結論進行得出，如果由于定義“6個月”長度的要求而發現其他一些手機使用時長雖然短一些，并未與用戶是否逾期形成直接必然因素，那么可將該參數放松調整到“3個月”。

? 記錄與統計

風控最終到底是“跑出來”的，所以，整個風控系統對所有不同風控規則的觸發需進行有效的記錄與統計，以便后期可支持數據分析與風控模型調整的相關工作。具體的記錄與統計內容，主要如下：

? 觸發的具體風控規則

舉例說明：通過兩種不同的視角進行記錄，一是用戶與訂單層面，記錄其所觸發的明細規則；二是風控規則層面，記錄某條風控規則具體的觸發率。例如接了多家三方征信的反欺詐服務，通過比對這幾家的觸發效果，將反欺詐觸發率較高的風控規則可前置執行。

? 風控規則所要求的“參數”

舉例說明：規則定義方向，參數定義標準。其中，包含相符的與不相符都要進行記錄，即便此次風控規則并未觸發，如果后期發現逾期率較高，則可通過反推此風控規則并結合逾期用戶的數據特性，可判斷是否需調整此“參數”。

? 數據源內容

舉例說明：某些風控規則是通過二次數據解析與匯總進行的，但原始數據需要進行保存，諸如手機賬單的通話明細數據，此部分數據一是可作為風控規則使用，二是未來可用作于催收與貸后管理。（聚信立）

? 建模

現金貸風控體系較簡單。如果是固定額度與固定費率式的產品業務定價，則風控體系更多的是規則的集合。但若是有延伸的提額功能模塊，與可根據用戶前端不同的輸入項數據，而輸出與之相匹的不同的額度與費率的產品，則此時需要模型化。

風控建模需借助于函數的定義，此外也可以借助評分卡的機制進行補充。而評分卡的模式在另外一方面也作用于系統審核與人工信審，譬如高于X評分的訂單申請，系統直接通過；處于X與Y之間的評分，則需人工審核，甚至通過電話聯系；而低于Y評分的，則系統直接拒絕（半自動）。

原文地址：https://zhuanlan.zhihu.com/p/27745691

---

本文來自 四無公子WW 的CSDN 博客 ，全文地址請點擊：https://blog.csdn.net/m0_38099086/article/details/78967160?utm_source=copy

總結

以上是生活随笔為你收集整理的【风控决策】风控决策引擎的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。