序言：
在金融信贷产品场景中，风控始终是整个产品流程的重心，风控模块的体系架构与决策效果直接影响到产品的业务收益。本文通过信贷产品的年终工作总结形式，介绍下风控策略与模型的开发、应用等内容，主要通过以下几个维度进行分析与展示，分别为策略规则、评分模型、决策矩阵、风控指标等。最后，结合本文介绍要点，在课程的最后还有一个具体场景案例的可以进行实操解读，进一步帮助大家提升对策略的认识。可谓有实操有数据，关注番茄风控祝您成长！
up.up.up
1、策略规则
在产品风控体系中，根据开发方式与应用角度的不同，可以分为策略与模型两个模块。其中，策略可以理解是一个规则集合，信息维度越丰富，阈值划分越精细，策略规则应用效果越好。若根据规则应用节点进行区分，规则类别可以包括信息准入、要素核验、欺诈识别、客户分层、风险评级、额度授信、产品定价等。
某金融机构风控部门整年在策略规则的研发方面，上线应用的规则分布如下图1所示，根据规则决策结果的风险等级区分，规则共分为刚性、高柔、低柔三个类别，风险由高到低，若用户命中刚性规则的阈值直接拒绝，若仅命中高柔或低柔规则的阈值可进入后续环节。由图中数据分布可知，低柔类别规则占比相对较小，其原因是规则识别高风险主要集中在刚性、高柔规则的使用。
【图1 策略规则开发情况】
策略规则的开发，离不开有效数据源的获取，一方面来自产品流程生成的数据，如基本信息、联系人信息、设备信息等；另一方面来自三方征信机构引入的数据，如银联交易、多头信息、电商消费、交通出行等信息。通过多个维度数据标签的数据挖掘与分析，可以开发出多种类别的规则。表1为产品策略规则集的部分规则样例，包括不同类型不同纬度的规则。
【表1 策略规则示例】
通过整年的策略规则开发与线上部署应用，规则效果的同步监测是一项很重要的工作，包括规则命中率的高低、评级效果的好坏等，同时进一步需要分析规则阈值划分是否合理、流程应用性价比等。图2为产品整年所有用户在风控流程决策中，不同类型规则命中等级的分布情况。由图中信息可知，命中规则最高风险为D类刚性规则结果的用户占主要部分（约为82%），这是由于信贷产品特点属性、业务综合收益策略等综合决定，未命中D/H/L（刚性/高柔/低柔）任何规则等级的占比仅为2%，这些用户的风险表现较低，在当前信贷产品的用户群体中，可以属于优质用户，因此在通过风控审批后的授信环节，其额度也是相对较高。
【图2 规则命中情况分布】
策略模块由多个规则组成，每类规则的命中情况也是不尽相同，汇总各类规则命中率top10的分布情况如表2~4所示。从中不仅可以了解不同类型规则的应用效果，而且可以为重点监测和优化某些规则提供参考。
【表2 刚性规则命中率top10】
【表3 高柔规则命中率top10】
【表4 低柔规则命中率top10】
2、评分模型
根据个人分期信贷产品的场景特点，评分卡模型的应用主要集中应用于贷前环节。本文假设的金融机构风控部门在过往一年中，根据用户贷前多个维度的信息数据，共开发完成6个模型，其中5个为不同数据维度下的子模型，然后将其作为变量特征再集成训练出最终总模型，即A卡申请评分模型，结构示意如图3所示。每个模型通过设置阈值，或交叉组合均可生成多个策略进行部署应用，但在进件风控流程的模型环节，A卡模型结果定义为申请用户的模型综合评级。
【图3 模型结构体系】
模型评级结果划分为5类，分别为A、B、C、D、E，风险由低至高。在风控流程决策中，模型命中E等级的用户说明具有很高风险，多数情况下会直接拒绝；命中A等级的用户说明风险较低，授信额度相对较高。图4为整年所有申请用户在风控流程的评分模型决策中，命中不同模型等级的分布情况。由图中信息可知，各类模型等级的用户群体占比较为均匀，在模型维度上可以较为明显的进行群体分层。
【图4 模型评级分布】
3、决策矩阵
决策矩阵是采用策略与模型结果交叉决策的机制，实现申请用户信用风险在策略与模型环节并行评估的目的，从而提高对用户风险识别的准确率。决策矩阵应用的原理示意如图3所示。
图5 决策矩阵应用流程】
用户申请进件时，先后通过风控体系的策略、模型环节，同步产生策略与模型评级结果，通过评级结果构成二维决策矩阵，然后以设定的拒绝组合策略进行决策，实现最终风控审批的效果。决策矩阵的结构如表5所示，高风险用户主要集中在模型&策略对应的EE、ED、DE、DD等组合，低风险用户则主要集中在模型&策略对应的AA、AB、BA、BB等组合。
【表5 决策矩阵结构】
图6为整年所有申请用户在风控流程决策矩阵结果的分布情况，从中可以看出，在不同模型等级（A/B/C/D/E）中，命中规则最高风险为H类的用户占比较大，基本保持在80%附近，而未命中任何等级的占比约为5%，对于命中D类刚性规则的用户，由于这些群体的风险较高，在风控流程的模型环节前已经直接拒绝。风险较低用户群体主要集中在模型评级A与B模块，具体为规则评级L类与未命中类。
【图6 决策矩阵分布】
4、风控通过率
在产品业务流程中，风控通过率是一个非常重要的指标，直接决定着产品的综合收益。因此，风控通过率的设定需要考虑多个因素进行权衡，例如流量成本、数据成本、违约率、催收率等指标。在产品经营过程中，风控与运营人员要经常关注产品风控通过率指标的波动，并通过数据分析其原因以及业务效果。风控通过率=风控通过人数/申请进件人数。
图7为新老用户的风控通过率分布，由图中数据可知，新用户的风控通过率趋势虽然有一定波动，但整体上在连续时间窗期间保持较为平稳（保持6%~12%）。而老用户由于风险相对较低属性，风控通过率明显比新用户高出多倍，但随着时间周期推移，前期风控通过率较高（约为80%附近），后期年底逐渐降低，其时间节点必然在产品业务策略中有所调整。
【图7新老用户风控通过率】
图8为不同渠道的风控通过率，可知渠道app（android）的风控通过率明显低于其他渠道，在风控流程中app（android）渠道采取的风控决策包必然相对其他渠道决策包更严格些。除了渠道app（android）以外的其他渠道风控通过率差异不大。不同渠道的流量好坏、价格成本、贷后表现等维度，会综合决定风控通过率的高低。因此，对于不同渠道流量的风控通过率，要定期进行监测，并根据贷后表现等数据进行策略调整与风控优化。
【图8 各渠道风控通过率】
5、实操案例介绍
现根据前文所述风控重要模块“决策矩阵”为切入点，介绍下信贷场景风控策略与模型的决策矩阵效果分析，并通过SAS编程语言进行实现，具体具体的数据集与代码文档。
本文所涉及到的代码与数据集详细内容，欢迎移步至本周的番茄风控的第二次的【星球打榜作业】，本次作业我们也将在本周内公布：
以上内容，参考至：
番茄风控的知识星球社区番茄风控：《第一期SAS数据分析训练营》。
关于本次内容更详细的部分，可关注知识星球社区，学习文章中所提到的数据集与代码内容，感谢关注~
~原创文章
…
end
标签：来袭,年终总结,策略,模型,用户,风控,规则,通过率 来源： https://blog.csdn.net/weixin_45545159/article/details/122710504
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。