風控策略模型上集:策略這樣做

風控決策引擎一定程度上可以看作是規則的集合,也因此,策略同學需要更加了解風控規則的制定原則。那麼,如何制定原則?如何理解策略一側需掌握的核心能力?本篇文章裡,作者結合自身經驗發表了他的看法,一起來看一下。

風控策略模型上集:策略這樣做

網際網路消費金融領域,每一筆貸款都是風控決策引擎的結果,而風控決策引擎本質上是一系列規則的集合。

風控規則也叫做風控政策、風控策略。欺詐、盜號、作弊、套現以及營銷活動惡意刷單、惡意搶佔資源等都是風險,都需要複雜但高效的規則引擎。

這裡我們只關注信貸風控。

一、如何制定規則

風控規則的制定原則:

監管層面的原則:國家監管規定的客群不能放;

公司層面的原則:老闆說不能放的客群也不能放;

風控層面的原則:業務經驗、專家經驗、資料分析和模型認為風險高的不能放。

1. 監管層面

監管會約束機構禁止對未成年發放貸款,執行起來,准入規則就會強制要求使用者年齡大於等於 18 週歲。

學生貸也會有較多監管要求,因為學生群體大多沒什麼穩定的經濟收入來源,按時還款的能力不足,容易滋生過度借貸和詐騙。

3. 公司層面

准入通常也會設定一個年齡上限,例如 60 歲。設定年齡上限往往是出於輿論的考慮,老年人貸後事故可能會更大,例如遇到催收反應過激。這一般並不在監管範疇,而是公司層面的原則。

高危地區也是如此,某些區域歷史上出現過集中詐騙,為了防止被團伙攻擊,在公司層面直接不對這些高危地區准入的做法也是存在的。

另外,公司也會規定同一申請人被拒絕一個月內不能再次申請借款。這是因為短時間內使用者的資訊不會發生明顯變化,使用者的風險評估結果不會前後差異過大,前次被拒絕,再次評估往往還會被拒絕。而評估一個人是有成本的,低效地去重複查詢資料是不可取的。

4. 風控層面

根據行業經驗,制定欺詐類、黑名單類、多頭類、信用不良類的強規則是不言而喻的。

欺詐主要可分為一方欺詐和三方欺詐。一方欺詐是指申請人自身的欺詐行為;三方欺詐是第三方盜用、冒用他人身份進行欺詐,申請者本人並不知情,比如團伙利用非法收集的身份證進行欺詐。

其實還有兩方欺詐,是內部人員勾結的欺詐,一般不在考慮範圍。

一方欺詐往往較難定義,它跟信用不良的表現結果無二。可以先驗地設定一些專家判斷,例如手機號入網時長一般限制最小值為 6 個月或 12 個月。新號來註冊申請,顯然更可能是欺詐騙貸,當然這些規則很容易被擼口子大軍繞過。道高一尺,魔高一丈。

人臉識別顯然是一個很有效的三方欺詐防控的辦法,但也是一個很笨重很傷使用者體驗的辦法。三方欺詐防控更大程度地依賴於大資料探勘,盜用冒用在裝置行為和關係網路上一般是有跡可循的。基於大資料的反欺詐模型是風控中重要的內容之一。

黑名單一般分產品內部黑名單和行業外部黑名單,內部黑名單指的是歷史使用者中的欺詐使用者和嚴重徵信不良使用者,外部黑名單指的是三方資料提供的命中信貸逾期名單或法院執行名單或其他高風險的使用者。黑名單防控和一方欺詐有交叉重疊。

命中黑名單的客群一般會直接拒絕。業務持續發展過程中,黑名單客群數量可能積累過大,這往往是由於入黑規則過於嚴格,誤殺會較嚴重。將其根據風險差異再拆分黑名單和灰名單是必要的,對灰名單使用者可以測試放開。從而實現名單最佳化。

多頭

指的是使用者在多家平臺借款,存在借新還舊、以貸養貸的風險。使用者也許能夠從其他平臺借到款來還自己平臺的款,但對任何單一平臺來說,賭自己不會成為受害方就跟賭比特幣自己不接盤一樣,不是風控該允許的做法。

行業的共識就是制定多頭規則。多頭指標往往是制定成可變規則,因為多頭是一個程度問題,閾值可以調整,多頭規則是整個風控規則中調整頻率比較高的。

實際上,基於資料分析的規則制定是方便易行的。基於特徵庫,挑選出一些風險區分度高的變數是一個單變數分析的過程。

只要遵循三個指標,準確率、召回率和穩定性,就能找出有效可用的規則集。

準確率是說命中的人當中壞使用者佔比要儘量高。

召回率指的是命中的壞使用者要足夠多,一條規則只找出了幾個人,即使都是壞人,也沒有意義。

穩定性當然很重要,命中的人數、命中的人當中壞使用者佔比,都需要持續穩定。否則要頻繁跟蹤調整。

需要說明的是,模型也可以理解成一條規則,只不過它是將許許多多的弱變數組合成一個強變數。強變數用於規則,弱變數用於模型。

他們的本質都是將使用者分層,方便我們將使用者一分為二,將其透過或拒絕。

對於一些可變規則,應定期檢測規則的時效性,有些規則是經常需要更新的。另外還需要保密,尤其是反欺詐規則。

二、策略的核心能力

說說策略同學的關鍵技能。

業務總會不斷對策略進行迭代最佳化,這往往也導致策略體系過於龐雜,怎麼樣從龐雜的體系中分清輕重緩急是策略同學的核心能力。

如果推倒重來要怎麼做?給一家新公司業務做策略顧問你要怎麼做?這些都不是照搬現有體系能夠解決的。設想下,假如需要你去做風控能力輸出,從 0 開始制定一套風控流程。你會怎麼做?

決策引擎是一套決策流程,它的要素組成是規則清單和規則被執行的順序。

前者要求全面且高區分性,後者對成本最佳化至關重要。

為了使風控輸出的規則保持清晰有效,既需要考慮規則變數提取的易行性,又要考慮規則執行的必要性。命中低、難執行、成本高是失敗規則的常見特點。重複命中也是策略體系中常見的問題。

規則清單制定完成後,需要動態監控每條規則命中的人數。不同時期啟用的規則可能不一樣,也就是說,可能其中一部分是啟用狀態,另一部分是抑制狀態。動態調整規則的閾值,以及啟用抑制的狀態,是很有必要的。

例如,某些月份的逾期相對較高,新增了一些規則,後期監控到這些規則發現其區分能力明顯下降,就應該適當取消。

不管是規則還是模型,一定會有很多誤殺,但誤殺是允許的,因為貸款本金的損失往往是利息收益的幾十甚至數百倍。

平衡決策對透過率的影響和對風險的影響,對成本的影響和對收益的影響,是風控策略從業者需要培養的職業嗅覺。

三、多頭規則例項

多頭借貸在策略上一般作為拒絕維度參與到整個風控流程中。不同機構、不同信貸產品、不同場景,對於多頭借貸的拒絕線劃分都是不一樣的。

如何找到當下最適合的多頭借貸拒絕線,是風控策略分析人員工作中的核心任務。

我們找個合適的變數來看看統計資料,下面是“近一年在互金機構查詢次數”的結果。

以上,如果我們採用寬鬆政策,可以將閾值定為大於等於 2 作為拒絕線,這樣拒絕率只佔 3。2%,被排除的使用者壞賬率更高。

而如果我們採用嚴格政策,可以改為大於 0 則拒絕,這樣拒絕率增加為 10%,被拒絕的使用者相比透過使用者仍然顯著要高。

這兩個規則都是有效的,

實際業務中採用什麼樣的閾值取決於公司的政策。

從嚴 or 從寬。

當然,

最頂層的目標是利潤最大化。

值得說明的是,多頭資料往往覆蓋率有限,體現在變數取值上是 0 值佔比過高,這個時候便可以考慮取大於 0 的部分來做多頭排黑規則。

如果單變數不具備足夠強的區分能力,組合多個變數是另一種策略制定方法。下面是兩個變數的交叉結果,兩端的 11。6%和 6。3%的風險組合起來能得到 15。5%的風險,這個也許就能滿足一條規則上線的要求。

風控策略模型上集:策略這樣做

利用決策樹制定更多變數更豐富的交叉組合可以得到更有效的規則。

風控策略模型上集:策略這樣做

多頭變數除了用於制定強規則直接去拒絕使用者外,還以為作為軟規則用於客群劃分。多頭嚴重或者不嚴重區分出來後,再結合其他維度的風險評估交叉使用。

國內缺的從來不是策略,而是將策略貫徹的決心與環境。

為我投票

我在參加人人都是產品經理2022年度作者評選,希望喜歡我的文章的朋友都能來支援我一下~

點選下方連結進入我的個人參選頁面,點選紅心即可為我投票。

每人每天最多可投35票,投票即可獲得抽獎機會,抽取書籍、人人都是產品經理紀念週邊和起點課堂會員等好禮哦!

專欄作家

雷帥,微信公眾號:雷帥快與慢,人人都是產品經理專欄作家。風控演算法工程師,懂點風控、懂點業務、懂點人生。始終相信經驗讓工作更簡單,繼而發現風控讓人生更自由。

本文原創釋出於人人都是產品經理。未經許可,禁止轉載。

題圖來自 Unsplash,基於CC0協議。

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供資訊儲存空間服務。

頂部