风控决策流程的优化与规则调优

如果说信贷流程上中有哪些内容是经常需要回顾与优化的，我们认为有两个最重要部分的内容，那就是决策流程与规则。

决策流程是骨架，也是整体授信的架构，如果决策流程错了，做得再好的规则也是白搭。
今天我们来讲解决策流程的优化与规则调优。

当然，以上内容在番茄风控历史的内容中也曾经涉及，今天稍作整理再分享给大家。

一.决策流程优化
比如，今天老板给了小张一个任务，就是优化整个授信风控决策流程的决策流程。假设现有公司已经有一个新老客户的决策授信流程，如下：

金融公司所使用的外部数据自然非常丰富，为了说明方便，我们稍简化处理，将公司所使用的数据统称为是芝麻分跟花呗分数（这里不考虑该数据源是否仍可用，可以这里所涉及评分替换成其他内外部分数）。
且根据不同的分值对客群的风险进行判断：
芝麻分【<650】——低风险

芝麻分【550<X<650】——低风险
芝麻分【<550】——低风险

分呗【>2200】——低风险
分呗【500<X<2200】——低风险
分呗【<500】——低风险

观察以上的策略流程，可以指导相关的规则如下：
（１）新用户规则集合：
规则１：匹配结果为新客户，则直接进行信用评估，并且信用评分高，则给予降额贷处理。
规则２：匹配结果为新客户，则直接进行信用评估，并且信用评分低，则给予拒贷处理。

（２）老用户规则集合：
规则１：匹配结果为老客户，并且芝麻分在650分以上，则给予全额贷处理。
规则２：匹配结果为老客户，并且芝麻分中550与650分之间，则给予按新用户处理，即进入新用户规则集合
规则３：匹配结果为老客户，并且芝麻分在550分以下，则给予按新用户处理，即进入新用户规则集合。
规则４：匹配结果为老客户，并且花呗在2000以上，则给予全额贷处理。
规则５：匹配结果为老客户，并且花呗在500与2000之间，则给予按新用户处理，即进入新用户规则集合。
规则６：匹配结果为老客户，并且花呗在500以下，则给予按新用户处理，即进入新用户规则集合。

以上所有的策略都没有问题，但图例中红色线段部分【芝麻分<600】的老客群且【借呗<500】的新客，都似乎会经过一个信用评分的模型跑分节点，这个信用评分在这里的作用主要是为了捞取某些风险较低的坏客户进件。
在这里，涉及的决策流程是否靠谱？
本次的决策流程的优化建议：在具体的业务原因中，我们考虑是，老用户是被二次筛选之后的用户，本就是属于信用较好用户，因此老用户样本不是自然抽样的样本，而是有偏样本，如果再次采用新老用户这一标识建模，会导致模型的意义与实际情况偏离。
于是我们的意见是，在上述的规则需要优化设计，即这一部分的所有测试均需要去掉新老用户这一变量。
那么大家能根据优化后的规则能拟定一份，最新的决策流程图吗？

二.规则优化
优化好了决策流程，并是制定规则与相应的调优内容，在8月份番茄风控的历史的会员课程中（第77节与第78节课程会员课程），跟大家就额度策略的调优进行了相关的直播讲解，今天再跟大家分享下这里面的细节内容。
如何通过额度策略的调优，达到最大利润的平衡。比如当给到某客户3千的额度时候，相信大家也在思考相关额度是否可以调整到4千或者5千，或者甚至降额至2千，这时公司的盈利才是最大化的。
相信这个问题，也是很多做风险贷前策略的同学经常面临的问题。额度如何调优，并且寻找平衡点达到利润最大化。
在上周的课程中，我们给大家介绍了以下常规化的操作流程，本次我们介绍最常用的三步法：

第一步：制定无差异化授信
一开始是无差异化的额度，所谓无差异也就是同一客户同一价格。
这里有几个需要注意的问题是，当风险决策集合不稳定的时候，切不可进行额度调整。比如在决策集中的通过率指标，还在往上调的时候就不要做额度调整。因为这有多个不同的变量来决定着最终的目标，后续有相关的波动数据，我们搞不清楚是哪个变量导致的。

第二步：模型切分后授信额度分析
也就是客群的分层，在这里我们需要借助评分模型等工具，对客群进行不同风险的划分后再制定差异化的策略，这样才能制定的策略效果能进行对比。

第三步：区间合理性分析（策略二次调优）与迭代额度策略
区间合理性分析，针对每个区间调整一个合理性的值。需要结合贷后指标来进行调优，再迭代额度策略。当做完额度策略感觉效果不好的时候，还是会回到无差异化授信额度（也就是发现额度调优实在盈利不太可观，且做不下去时，还是可以重做一个无差异化的额度授信）。

以下我们以一个实际场景中案例给大家深入解析以上的额度调整三步法。
案例实操：
假设有某现金贷产品，在上线一段时间待风险决策集文档后，我们进行了相关的额度策略的调优，整体的实操细节如下：
①：假设在同额度无差异化授信坏占率为12%，基础额度为2000元，用客群的分层中，将客群按照相关的风险等级划分为五类等级，分别是A/B/C/D/E。
②：然后根据基础额度2000元，我们将整体额度统一提高25%至2500元，且统一费率（利息）定位12%
③：在进行相关的AB测试调整后，我们对比不同等级之间坏账率的数据情况，至此得到以下数据详细情况：

如上述，额度的提升总会伴随着坏账的提升，但坏账有所攀升不代表这就不赚钱，至此基于本次的数据，我们便有了以下不同组别的盈利的测试数据，（以下分别是A、B、C、D、E这五个无别一一测试相关数据）：
A组：

B组：

C组：

D组：

E组：

经过调整后，从以上的数据可以发现，AB区间调额后相比之前都是盈利的，也就是A区间可以继续提额大于500，B区间提额500适当。而CDE不建议继续提额，CD区间需要缩小提额幅度，特别是E区间不支持提额。以上调整后二次优化额度授信策略。
关于本文中所涉及的资料《新客与老客策略》，相关的策略明细可以参考：风控中的新户与老户策略，具体策略的资料详情可在知识星球平台上查收相关内容：

当然关于以上所涉及的《额度策略的调优》的视频内容，有兴趣的童鞋可关注：

…

~原创文章

风控决策流程的优化与规则调优相关推荐

Spark性能优化：Shuffle调优篇
Spark性能优化:Shuffle调优篇一.调优概述大多数Spark作业的性能主要就是消耗在了shuffle环节,因为该环节包含了大量的磁盘IO.序列化.网络数据传输等操作.因此,如果要让作业的性 ...
hive优化之参数调优
hive优化之参数调优 1.hive参数优化之默认启用本地模式启动hive本地模式参数,一般建议将其设置为true,即时刻启用: hive (chavin)> set hive.exec.mo ...
GPU性能优化之CUDA调优指南
GPU性能优化之CUDA调优指南 GPU性能优化之CUDA调优指南 1 整体性能优化策略 2 最大化利用率 2.1 应用程序层次 2.2 设备层次 2.3 多处理器层次 2.3.1 占用率计算 3 最 ...
SpringBoot项目优化和Jvm调优（亲测，真实有效）
点击上方"方志朋",选择"设为星标" 回复"666"获取新整理的面试文章作者:星朝原文:cnblogs.com/jpfss/p/9753 ...
mysql100个优化技巧_MySQL 调优/优化的 100 个建议
MySQL是一个强大的开源数据库.随着MySQL上的应用越来越多,MySQL逐渐遇到了瓶颈.这里提供 101 条优化 MySQL 的建议.有些技巧适合特定的安装环境,但是思路是相通的.我已经将它们分成 ...
Spark性能优化：资源调优篇
在开发完Spark作业之后,就该为作业配置合适的资源了.Spark的资源参数,基本都可以在spark-submit命令中作为参数设置.很多Spark初学者,通常不知道该设置哪些必要的参数,以及如何设置 ...
SpringBoot项目优化和Jvm调优及VisualVM远程连接监控JVM（JMX连接）
项目调优作为一名工程师,项目调优这事,是必须得熟练掌握的事情. 在SpringBoot项目中,调优主要通过配置文件和配置JVM的参数的方式进行. 在这边有一篇比较好的文章,推荐给大家! Spring ...
性能优化之MySQL调优篇
MySQL对于很多Linux从业者而言,是一个非常棘手的问题,多数情况都是因为对数据库出现问题的情况和处理思路不清晰.在进行MySQL的优化之前必须要了解的就是MySQL的查询过程,很多的查询优化工作 ...
Spark性能优化之-资源调优
文章目录概述 Spark作业基本运行原理资源参数调优 num-executors executor-memory executor-cores driver-memory spark.defaul ...

风控决策流程的优化与规则调优

风控决策流程的优化与规则调优相关推荐

最新文章

热门文章