如何“谨慎”使用“数据驱动”的风控模型-决策篇

笔者介绍了谨慎使用“数据驱动”的风控模型，需要“高质量的数据 + 审慎严谨的决策模型 + 实时全面的监控分析”动态闭环。本篇笔者会着力于介绍整个风控决策体系的建设及持续优化。

风控决策的管理并不是狭义上的规则或评分卡(Scorecard)模型，而是广义上对整个风控策略的体系化管理，还应覆盖包括模拟验证、冠军/挑战者实验(A/B测试)、版本管理、效能评估在内的全生命周期，如果有人工审核环节的话，也需要纳入风控体系进行统一管理。

工欲善其事必先利其器，为了提升管理效率，决策引擎的使用必不可少。无论选用开源软件、成熟产品，或是自建，都要确保风控决策独立于代码版本，可实现热发布，便于版本回溯。风控决策的构建，应该是自顶向下的，顶层应当是产品场景与风控场景，例如电商分期、教育分期、信用卡代偿等等，风控场景包括风控审批、额度、定价、催收等各个环节。

决策如何合理编排、高效管理?不妨参考以下原则：

清晰的定义顶层场景，而各个子决策以流程的方式组合而成，子决策包括一系列决策步骤，决策步骤内嵌规则集(可以将评分卡也看作是一套规则集)。

将“因果关系”的专家规则与“相关关系”的机器学习规则有机结合，力争在通过率与坏账率之间取得最优平衡。

某些子决策作为通用步骤，可以被不同的产品场景共用、继承(derive)或覆盖(override)，便于统一管理。例如，失信被执行人命中、存在严重逾期或银行卡四要素错误等专家规则，不仅适用于电商分期产品，也适用于信用卡代偿类产品。

强规则命中直接拒绝，不必执行后续规则(强规则指捕获率极高的规则，如存在严重逾期历史、手机使用少于3个月等欺诈嫌疑极高的规则;或者是不符合借款条件，如不满18岁;强规则早期大部分来源于专家规则，后续随着数据的积累也能总结出新规则)。

无成本/低成本规则优先于高成本规则执行，如自有黑名单规则优先于外部调用的黑名单规则。

决策不应只有通过、拒绝两种结果，应可以支持类灰名单命中之后的人工判断。

决策顺序的调换，不应影响到整体业务流程，造成流程的中断或异常。

如某项规则的输入来源于外部征信数据，需要定义好超时重试、跳过策略，避免因数据源的问题导致的决策中断、或因此作出的错误决策。

出于“谨慎性原则”，决策发布前必须进行历史数据模拟。从大量数据的模拟中，可以发现潜在的问题;分析该决策组合的通过率、捕获率、潜在ROI，是否优于原来的决策组合;同样，历史数据模拟也可以用来验证外部征信数据或人工审批的有效性，是否使用，放在哪一步决策使用，如何互相替代。

再来谈谈冠军/挑战者实验(A/B测试)。尽管历史数据的模拟表现很优异，并不代表新的决策可以经得住实战的考验，基于“谨慎”的原则，新决策最好按较低的比例与老决策同步运行。运行一段时间后，如新决策的表现优于老决策，可以逐步将新决策的线上运行比例调高，直至完全替代老决策。为了提高效率，多个新决策可以同时执行冠军/挑战者实验。

最后稍微谈一下用于信用风险评估的评分卡模型。人们常提的评分卡一般指基于客户的一组输入数据，计算出一个评分(数字)。 设计一张评分卡一般有两个路径：(a)请专家根据要解决的问题，依据经验设计。一般适用于数据较少的情况;(b)基于数据和算法产生，一般适用于数据比较丰富的情况。算法可以有很多种，人们常用的有逻辑回归，支持向量机，决策树，随机森林，神经网络等等。还有一些专用算法，如美国通用的FICO信用评分就是基于自己的算法创建的。

信用风险控制所用的评分卡主要是预测信贷人的违约概率。如何评估评分卡的优劣?在评分卡部署到生产系统之前，需用现有的不同数据组进行回归验证，确保验证的违约概率与评分卡所预测的概率吻合较好。评分卡投入使用后，一定要持续监控，随时准备调整阈值。 当然还有其他的评估方法，如使用评分卡的KS，ROC曲线等。

根据我们的经验，评分卡的使用效果取决于客群，客户特征数据的选择和数据的真实性保证，创建评分卡的方法，创建者和运行者等多种因素，是一项系统工程，而非像跑一个机器学习算法那样简单而又神秘。

最后出于“谨慎”原则，需要将决策编写、模拟、检验、发布的流程固化，任何决策发布之前需要得到授权人的审批，避免因人为过失造成的损失。发布之后，实时监控表现，通过完整的效能评估方法验证决策的有效性。如何监控，敬请期待即将推出的最后一篇：如何“谨慎”使用“数据驱动”的风控模型(三)——监控篇。