风控简介

一、风控功能简介

风控不仅仅是规则引擎,它是一个体系,规则引擎,算是一个决策引擎,不同的公司,对规则引擎定位是不同的;

风控主要功能还是在于数据处理,选取合适且有效的策略规则

风控规则引擎计算能力还是有限的,更多的是在应用内计算风控系数,再交由引擎去决定策略。成熟的产品,比如:blaze,ilog;开源的有drools;

要分清楚指标变量加工和规则引擎的职责,还有一种方式就是用JPMML,直接把规则写成PMML包,然后执行,如果不复杂就可以用一些可热加载的语言来实现。

所有的数据处理的结果都可以抽象为变量; 业务人员基于已经加工好的数据,进行业务策略的配置和基于规则数据再加工。

XX公司的风控技术体系:

基于XX公司的实践,风控技术体系见如下图:

注:字段,就是变量,包括很多种来源:接口,数据库,缓存,hadoop等;

风控数据处理技术,主要基于ETL,现在会结合一些AI新技术,离线和实时处理的技术; 变量在不同场景下,种类划分是不一样的。但为了方便规则引擎的处理,其可以大致分为:单值变量,多值变量,待加工变量,已加工变量; 风控种变量很类似于编程语言种变量,也需要分为:String, Integer,double, boolean等类型;

二、风控规则实现

规则可以通俗理解为:变量组合成的表达式,例如:。多条简单原子规则,可以构成一个规则集;规则集之间调用可以借助流程引擎来实现;将每个规则集当作流程图中的一个节点,通过变量来配置条件分支,完成基于复杂的决策树和评分卡规则的配置; 风控规则一般情况下,是基于场景来配置的。不同场景下的决策规则和变量是不同的; 规则版本控制,非常类似于开发中代码的版本控制,需要保证多版本的支持

三、风控事后分析

这块目前来说,XX公司主要基于AI技术来做,通过AI学习,不定期的调整业务规则: 风控实时拦截是结合缓存+实时数据处理,偶尔会用到离线的处理,通过实时处理引擎;例如:storm,flink,将线上的实时数据不断进行压缩。

四、其他内容

风控最重要的是++建模++,建模的前提是吃透业务,针对具体业务 场景建不同的模型:一般都是先设计维度,再设计变量,最后才是规则,由总体到明细的过程。 决策树,决策表,评分卡只是针对不同数据在相同规则不同表现而定的,模型变量由变量与其权重组成,专家模型定义了强变量,通过机器学习回归其权重,而弱变量及其权重,变量间的相关性等更多的依赖机器学习。 机器学习结果要符合数据的++正态分布++,同时要有贷后表现来验证; 只有回归算法对正态要求高,其他算法并没有那么高,而且金融领域的数据基本还是挺正态的,尤其不同金融产品其实已经筛选过用户了。

Q&A

Q:你们是每天跑批来计算规则的效果比如精准度覆盖率等,然后来调整规则吗?

A:我们并不是每天来调整规则的,规则调整纬度很多。

Q:这里说的依据AI学习调整规则,是分析规则的好坏,还是分析变量的阈值,还是分析变量的好坏,还是根据交易信息来产出变量和规则?

A:判单规则的好坏,需从2个方面来考虑:1,规则中变量阈值设置地是否合理,阈值设定需结合业务具体业务场景和规则多次试运行后的结果。2,风控事后数据分析和机器学习特征值的抽取,可以发现一些隐含的特征变量。

Q:评价这个规则好坏的功能是定时跑的还是人工触发的?

A:评价规则好坏功能,基本都是定时触发的,人工触发场景不多。

Q:规则引擎,没添加10条规则或者调整规则,对服务的性能影响有多大呢?

A:规则执行都是在毫秒之内;正常规则引擎不会因为增加10条而影响效率。

Q:执行用的什么高效的工具呢?

A:目前是自己开发的规则引擎;

Q:新的业务对接风控,结合思维导图里的内容,要怎么配置呢?

A:新业务对接风控:业务人员配规则,通过统一API调用,风控提供规则配置平台,业务人员配置规则,测试,发布,试运行 ;

Q:但是案件其实不是正太分布的?

A:正常的如果正态分布了,异常的就好办了,正态分布是客群分布,同时也是个概率分布,模型覆盖正态分布。异常客户在未违约前也是正态正常客户,只不过没有发现特征而已,回归就是发现特征并验证特征。

  • 发表于:
  • 原文链接:https://kuaibao.qq.com/s/20181016B0BAYH00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券