【风控决策】风控决策引擎
【博客地址】:https://blog.csdn.net/sunyaowu315
【博客大纲地址】:https://blog.csdn.net/sunyaowu315/article/details/82905347
对数据分析、机器学习、数据科学、金融风控等感兴趣的小伙伴,需要数据集、代码、行业报告等各类学习资料,可关注微信公众号:风控圏子(别打错字,是圏子,不是圈子,算了直接复制吧!)
关注公众号后,可联系圈子助手加入我们的机器学习风控讨论群和反欺诈讨论群。(记得要备注喔!)
相互学习,共同成长。
一套完整的风控体系,在现金贷风控中,少不了是决策引擎,今天就说浅谈一下风控决策引擎
✔ 优先级
风控决策引擎是一堆风控规则的集合,通过不同的分支、层层规则的递进关系进行运算。而既然是组合的概念,则在这些规则中,以什么样的顺序与优先级执行便额外重要。
风控系统的作用在于识别绝对风控与标识相对风险,如果是绝对风控,则整套风控的审核结果便将是“拒绝”。既然结果必然是“拒绝”,则没必要运行完所有的风控规则,而主要单条触发“拒绝”即可停止剩余规则的校验。因为所有规则的运行,是需要大量的时间、金钱与性能成本的。所以,整套风控决策引擎的搭建设计思路,基于规则优先级运算的注意要点如下:
✔ 自有规则优先于外部规则运行
举例说明:自有本地的黑名单库优先于外部的黑名单数据源运行,如果触发自有本地的黑名单则风控结果可直接终止及输出“拒绝”结论。(可在客户准入条件中加入本地的内部数据,无成本,精准,实时)
✔ 无成本或低成本的规则优先于高成本的规则运行
举例说明:借款用户的身份特定不符合风控要求的,诸如低于18岁的用户,则可优先运行。而一些通过对接外部三方征信的风控规则,需支出相关查询费用的,则靠后运行。此外,在外部三方征信的规则中,命中式收费的风控规则(如黑名单与反欺诈)又可以优先于每次查询式收费的风控规则(如征信报告)运行。
✔ 消耗低性能的规则优先于高性能消耗的规则运行
举例说明:直接基于用户现有属性的数值,如当前用户的民族是否非少数民族,则可优先运行。而一些风控规则,需借助爬虫接口,且需待将爬取到的数据经过二次加工与汇合之后,再对汇合的总值进行判断,如手机运营商手机使用时长,则此类风控规则应后置运行。
✔ 可调整
风控的核心思路是基于大量真实的样本数据,将逾期用户的身份、行为与数据特征进行提炼,从概率学的角度上进行剔除,从而保障到剩余用户群的逾期概率处于一个相对较低的区间。而对数据的提炼与作用过程,将使用到“参数”的定义。“参数”决定了区间和上下限范围,一条风控规则通常作用于某一数据类型,依据此数值是否满足“参数”的定义范围,得出是否可通过风控的结论。
由于风控最终还是数据“喂出来”的结果,风控的本质就是数据,而非主观臆断的设限,故而,随着数据样本与内容的不断发展,必然将会涉及到一些动态的调整,后期可能会发现原本设定的“参数”过于严谨而导致审核通过较低,或者是设定得过于宽松而导致逾期率较高等。所以,整个风控决策引擎的搭建设计思路,基于可调整与可维护的注意要点如下:
✔ 非刚需与必要的风控规则,能够“开关化”
举例说明:一些必要的风控规则,如用户的银行4要素验证是否一致性,这是必要规则,就无需可开关。而一些如校验用户的芝麻信用分是否高于500分,则可做成“开关”。待该规则上线后,可通过分析此项规则的触发率得出是否合理的判断。因为芝麻信用分是否可作为决策依据将主要取决于业务方向与用户群体,因为理论上芝麻信用分的高低主要与用户在芝麻信用体系内的数据绑定维度的多与少相关,并不一定绝对反映用户的信用程度。
✔ 风控规则上的“参数”可调整与灵活配置
举例说明:很多风控体系通常会加入对手机运营商的校验,所以有一些风控规则,诸如校验用户手机号的使用时间长度是否大于6个月。其中的“6个月”便是所定义的参数,此处最好可调整与配置。因为去验证用户的稳定性,是否用“6个月”,还是用“3个月”的长度更合适?具体合理的参数是需要通过数据分析的结论进行得出,如果由于定义“6个月”长度的要求而发现其他一些手机使用时长虽然短一些,并未与用户是否逾期形成直接必然因素,那么可将该参数放松调整到“3个月”。
✔ 记录与统计
风控最终到底是“跑出来”的,所以,整个风控系统对所有不同风控规则的触发需进行有效的记录与统计,以便后期可支持数据分析与风控模型调整的相关工作。具体的记录与统计内容,主要如下:
✔ 触发的具体风控规则
举例说明:通过两种不同的视角进行记录,一是用户与订单层面,记录其所触发的明细规则;二是风控规则层面,记录某条风控规则具体的触发率。例如接了多家三方征信的反欺诈服务,通过比对这几家的触发效果,将反欺诈触发率较高的风控规则可前置执行。
✔ 风控规则所要求的“参数”
举例说明:规则定义方向,参数定义标准。其中,包含相符的与不相符都要进行记录,即便此次风控规则并未触发,如果后期发现逾期率较高,则可通过反推此风控规则并结合逾期用户的数据特性,可判断是否需调整此“参数”。
✔ 数据源内容
举例说明:某些风控规则是通过二次数据解析与汇总进行的,但原始数据需要进行保存,诸如手机账单的通话明细数据,此部分数据一是可作为风控规则使用,二是未来可用作于催收与贷后管理。(聚信立)
✔ 建模
现金贷风控体系较简单。如果是固定额度与固定费率式的产品业务定价,则风控体系更多的是规则的集合。但若是有延伸的提额功能模块,与可根据用户前端不同的输入项数据,而输出与之相匹的不同的额度与费率的产品,则此时需要模型化。
风控建模需借助于函数的定义,此外也可以借助评分卡的机制进行补充。而评分卡的模式在另外一方面也作用于系统审核与人工信审,譬如高于X评分的订单申请,系统直接通过;处于X与Y之间的评分,则需人工审核,甚至通过电话联系;而低于Y评分的,则系统直接拒绝(半自动)。
原文地址:https://zhuanlan.zhihu.com/p/27745691
本文来自 四无公子WW 的CSDN 博客 ,全文地址请点击:https://blog.csdn.net/m0_38099086/article/details/78967160?utm_source=copy
【风控决策】风控决策引擎相关推荐
- 智能风控平台之决策引擎介绍
前言:最近刚接触了决策引擎,所以搜了一点关于决策引擎的资料看,下面针对资料进行回溯. part one 本part 主要讲解了现在市面上主流风控决策引擎产品包含的核心功能模块,其中主要是规则.评分卡. ...
- 网贷风控体系之-决策引擎
网贷风控体系之-决策引擎 什么是决策引擎 风控决策引擎是金融科技的核心,它通过模拟信贷审核人员,根据收集的资料信息,做出风险决策,判断是否存在风险,风险等级等决策,给出决策的结果.很显然通过这种准需实 ...
- 浅析消费金融风控之贷中、贷前、贷后风控(风控模型、决策引擎)
消费金融迎来"爆发增长"期 预计到2020年,我国消费信贷总市场规模将达到45万亿元,年复合增长率将达到18%.前景广阔的消费金融市场,将成为我国经济发展的重要内驱力! 业务痛点 ...
- esxi root 密码规则_陌陌风控系统静态规则引擎aswan
陌陌风控系统静态规则引擎,零基础简易便捷的配置多种复杂规则,实时高效管控用户异常行为. [名词解释] 策略原子:基于用户行为数据进行异常判断的基础元素,如设备黑名单.手机号黑名单等 管控原子:用户命中 ...
- 计算机应用决策支持系统,决策支持系统
(重定向自DSS) 决策支持系统 (Decision Support System,DSS) [编辑] 什么是决策支持系统 决策支持系统是辅助决策者通过数据.模型和知识,以人机交互方式进行半结构化或非 ...
- 《企业管理学》——决策与决策方法知识点总结
第四讲 决策与决策方法 管理的核心是决策.正确的决策决胜千里,错误的决策南辕北辙. 一. 决策的重要性.概念及内涵 (一) 决策的重要性 决策是管理者从事管理工作的基础.在管理过程中,管理者会面临各种 ...
- 企业数字化转型浪潮下,大数据风控如何做决策
2020年3月以来,发改委出台<关于推进"上云用数赋智"行动培育新经济发展实施方案>等文件,并多次召开记者会,重点提名"企业数字化转型".在以往,企 ...
- 金融风控实战——风控领域涉及到的算法和风控算法工程师需要具备的能力
一些简单的介绍 市面上算法相关的岗位,从大范围上分为两大类 1.研究驱动的算法工程师,这类算法工程师的门槛很高,分布在大型公司的研究院.创新实验室等部门,这类算法工程师主要是以研究新的算法或者是更好的 ...
- 风控基础——风控模型、规则、策略的区别
什么是评分模型?模型有何作用呢? 模型是根据客户的各个特征维度量化而成的指标,通过数理统计的方法,选择区分度相对较高的几个,并赋予不同的分值,来评估客户的信用风险等级. 开发模型需要具备一定的样本量 ...
- 金融风控实战——风控数据挖掘方法
星座属性单变量分析 import pandas as pd import numpy as np ft_zodiac = pd.read_csv('ft_zodiac.txt') print(ft_z ...
最新文章
- 单镜头视觉系统检测车辆的测距方法
- I-Matrix Power Series POJ - 3233 矩阵快速幂+分治
- mac-address-table static命令的使用
- javaScript实现字符串首字母大写
- 构建Android的交叉编译器、用NDK编译移植
- 设置eclipse默认用户名
- Nginx与Tomcat区别
- Avalonia-.NET 的跨平台 UI 框架
- bcp导入到数据库_Bcp和链接到Azure的服务器
- 28.4 kvm介绍 28.5 Centos7上安装KVM 28.6 配置网卡 28.7 创建虚拟机安装CentOS7
- 如何接入银联“快速接入”产品API
- 虚拟桌面分屏_办公人员必备技能,WINDOWS桌面分屏,多个桌面视图互不干扰
- iphone不支持webp图片格式处理方案
- AWS Elastic BeanStalk 部署错误总结
- jekyll 配置环境变量——zsh
- 计算机考试函数应用题及答案,2016年全国职称计算机考试EXCEL考前练习题4
- VC API常用函数简单例子大全(1-89)
- 机器学习自动化 要学习什么_从电视节目“先生”中学习自动化网络安全。 机器人'
- cf12月9日服务器维护时间,CF手游12月9日版本周年庆版本更新公告 周年庆新版本即将上线...
- PCB是什么?你真的足够了解PCB吗?
热门文章
- python两个数据表中的对应数据相加
- 计算机设计策略,专家经验谈:Excel工作表的设计策略
- u8转完看不到菜单_用友U8操作中的常见问题及解决方案
- java osgi web开发_基于 OSGi 和 Spring 开发 Web 应用
- android线性布局的实例
- 简单图库软件的实现(联网下载图片保存到sdcard在Listview中展示,并作为ContentProvider为其他软件提供图库数据)
- 树状图栏目切换_AAAI 2020 | 中山大学HCP实验室:基于树状结构策略的渐进强化学习,代码已开源...
- crontab 运行pyhon脚本
- 如何优雅的实现pandas DataFrame 和spark dataFrame 相互转换
- Leetcode 226. 翻转二叉树 (每日一题 20210819)