前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >信贷风控中是如何做拒量回捞的?

信贷风控中是如何做拒量回捞的?

作者头像
Python数据科学
发布2024-07-04 13:18:07
1210
发布2024-07-04 13:18:07
举报
文章被收录于专栏:Python数据科学

本篇来介绍下风控中的拒绝回捞策略,内容节选自《100天风控专家》第65期。

1. 什么是拒绝回捞?

拒绝回捞是指 “被拒绝的客户重新通过的过程”。

广义理解上等同于做A类调优,涵盖各类调优方法。狭义理解上,是决策流程中的一个回捞动作,或者回捞节点,如下图所示。

从图形化更形象的角度解释,相当于在已经策略规则拒绝客户中上再切出一刀进行通过,且通过的大部分需为好客户。

2. 拒绝回捞策略的核心逻辑

拒绝回捞策略的核心逻辑是:选取明显的好客户特征,并且这些特征最好与前面已执行审批策略的数据维度相关性越小越好,通过这些特征或者特征组合,从拒绝客户中进行捞回。

1)什么是明显的好客户特征呢?

可以参考白名单的筛选规则,比如,客户是公务员、事业单位或者500强集团企业员工;再比如客户公积金缴存基数大于xxx,等等。这些都属于明显的好客户特征,通过实际贷后表现分析也是如此,这类客户的风险很低。

2)为什么用明显的好客户特征呢?

拒绝客户是因为命中某些规则而被拒绝的,说明了在某个维度上风险是很高的。如果想让其他维度风险高的客户通过,必须有非常强的特征维度来覆盖掉这个风险,或者抵消这个风险,才能被捞回通过。

3. 拒绝回捞策略规则设计

回捞的规则及规则组合不仅限于一种,可以从多个维度设置多条规则形成规则集。可以是串行或者并行。下面是一个并行回捞规则集的示例:

公司前期一直对白户拒绝,当下想要下探客群对白户进行适当放开。那么在征信数据全无的情况下,可以借助三方数据来补充信息。

下面是一个基于三方数据源的融合模型分,基于以往贷后表现分箱并统计了分箱下的区间坏账率bad rate。整体大盘的bad rate为4.48%,>=800的bad rate不到2%,因此我们可以切出一个cutoff,那么回捞规则为:如果是征信白户 且 三方数据融合模型分数>=800,则进行回捞。

4. 拒绝回捞策略流程设计

1)确定不可回捞对象,哪些拒绝客户不可回捞?

比如下面示例中,被政策和黑名单命中的客户会直接拒绝,不进行任何回捞动作,因为这个两个属于原则性的底线,因此在配置决策流程上需注意不可对此类客户回捞。

2)确定需回捞对象,要对哪些拒绝客户回捞?

这个需要结合业务考虑,比如可以只对信用规则拒绝的客户回捞,也可以只对欺诈规则拒绝客户回捞,或者同时都回捞,不同的回捞对象对应的回捞节点位置不同。

以上来自东哥原创课程中的节选。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2024-06-28,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Python数据科学 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档