strategy

策略概要

1. 风控策略是基于数据分析在申请阶段制定各样多维度的策略和规则。其中多维度数据的策略规则包含：社交及短信维度规则、移动设备维度规则、外部数据源规则、多维度评分卡规则、行为数据规则。
2. 风控审批策略的目的在于在贷前减少风险事件发生的各种可能性，挽回风险事件时的损失。较大程度地筛选高风险用户，保留低风险用户。针对不同客群实行个性化的审批流程，提高审批效率。
3. 风控审批策略的作用在于保证业务量的同时降低业务坏账率、控制逾期风险。
4. 风控审批策略的类别多维度数据分析呈现用户的用户画像，制定多维度的审批策略规则。具体规则策略包含：经济能力维度、app信息维度、基本信息维度、信用历史、行为表现。
5. 风控的基本量化指标：
迁徙率：前期资产等级落入下一级的比率。
账龄分析：以贷款的账龄为基础，观察贷后N个月的逾期比率，用于分析各个时期的贷款贷后质量。可推测至当时放款月的进件客群变化和策略规则调整对贷后效果的影响。
6. 制定风控策略。
7. 策略预估和监控。
8. 策略回顾。

策略分析

1. 日常工作内容
贷前、贷中、贷后各个环节的风险策略与流程制定各项策略规则，包含准入、授信、定价、用信、还款、调额等信贷流程各阶段的策略规则。
通过对各类风险指标与报表的分析，关注各类资产和客群的风险变动，对全渠道的风险政策和策略进行跟踪评价，并及时优化调整相应的策略。
2. 必备技能
结合内外数据，通过统计分析方法，对不同风险点制定出不同类型的风险规则。
完成整个贷前、贷中、贷后的风险规则架构，实现自动化风控。
实现策略规则优化，不局限于A、D类调优方法。
规则的部署与监控预警。
临时指标调整。
3. 核心作用
实现具体规则和流程的设计、开发、部署、监控和优化。

常见工作与对应方法

• 三方数据测评
  现有1000 个样本数据，分别测试两家黑名单、两家欺诈名单、两家多头，那如何选择三方数据源？
  首先选择三方数据源重要考察的五大指标计算公式：

  • 查得率 search_rate。查得数/样本量
  • 覆盖率 cover_rate。查得命中黑名单/样本中命中黑名单。
  • 误拒率 error_reject_rate。查得命中黑名单/样本中通过且good量。
  • 有效差异率 effecitve_difference_rate。查得命中黑名单数/样本中通过且bad量。
  • 无效差异率 invalid_difference_rate。查得命中黑名单数/样本中其他拒绝量。
  
  其中SR、CR、EDR 指标越高越好，ERR 越低越好，IDR 与EDR 结合观察，若是都较高，反映的一种的情况是数据源定义黑名单是广撒网式，黑名单数据不够精准。
  
  前三个指标是重点考察，若想全面测试三方数据，后两个差异率指标也可以加入考核标准。
  

• 准入策略
  风控准入策略是金融借贷机构评估用户是否有机会获得授信的第一道门槛，也是金融机构的第一道护卫。
  
  风控准入策略属于贷前风控策略体系的一部分，贷前风控策略包括基础认证、准入策略、贷前反欺诈策略、黑名单策略、特殊名单策略及信用风险策略。
  
  风控准入策略中的规则大多是由产品政策性规则组成。也就意味着其规则属性全部为强拒绝规则，用户一旦不满足某个条件金融借贷机构都不会给予放款。同时，准入规则不需要经过复杂的规则衍生，通常可以简单有效的判断用户是否有资格进入后续的风控流程；准入策略主要是验证用户依法合规未被政策限制。
  
  风控准入策略之前，必须要提一下风控基础认证，其主要作用是验证用户是否为本人，常见的是身份证信息认证、人脸信息认证、银行卡四要素验证（银行卡号、姓名、身份证号、手机号）、运营商三要素验证（姓名、身份证号、手机号）等。
  
  在验证完用户基础信息后，风控流程才会进入准入策略，其一般包含年龄准入、地区准入、行业准入和其他。这些准入策略的设定一般都依赖于监管和金融机构的产品政策性导向。
  

• 白名单策略
  金融机构开展信贷业务时，有一批客户的风险是相对可控的，因此对该批客户授信贷款时，机构相对信任也就是内部名单，即白名单。
  一般业务上经常用的白名单有以下两种业务场景：
  

  • 在自有数据的前提下，机构想要开展信贷业务，前期可通过白名单控制入口。
  • 业务开展中期，部分客户分进件走特殊审批流程。
  即白名单可以定义为，通过机构内部的现有数据判断出好客户，或者经过一系列规则挖掘分析出好客户，由其组成就是白名单列表。
  
  如何获得白名单：
  
  • 与外部机构合作联合建模得出评分。
  • 内部数据探索。
  • 引入外部数据匹配，即工作单位、学历、社保信息等。
  作用：
  
  • 控制放量节奏。
  • 降低风险。
  • 提高审批通过率。
  • 协助调整贷前策略。

• 黑名单策略
  黑名单即还款能力、还款意愿、借款目的等不能满足正常客户标准的名单列表。
  黑名单来源一般有自建和外部引用两种。
  
  黑名单自建一般可扩展为身份证号、手机号、联系人手机号、邮箱、设备ID、IMEI、银行卡号等。
  

• 规则阈值cutoff如何设定
  对于风控策略而言，如何从大量的规则维度中找到核心风控指标，不仅要基于数据分析结果同事也要具备风险识别敏感度。
  
  风控指标的拒绝线划分被很多人认为是拍脑袋的决定，但是其中有严谨的分析逻辑，其分析方法如下：
  评分模型尤其是主流基于线性 Logisitic 算法的评分模型，对于一些边际评分区间的风险，通常是无法精准的预估，其势必会造成一些风险去见被低估。如果不通过一些规则维度的补充，很容易因为模型风险发生不必要的损失。
  
  这里以年龄作为示例，年龄规则使用单变量模型初步分为5组区间，希望结合评分分数找到年龄规则这个核心策略的合理拒绝线。
  

  • 通过评分找到风险被低估的区间。

  首先将年龄和评分卡进行交叉矩阵分析，观测不同交叉区间里的用户违约概率。

  • 评估拟拒绝人群的收益/风险比

  虽然经过评分与年龄的交叉对比，发现年龄存在两个待确定的高风险拒绝区间。但实际上还是需要结合年龄区间人群的实际收益与风险进一步考虑。如果高风险客户可以带来高收益，对于策略来讲是可以接受的。

• 通过率下降/上升的调整策略
  通过率和逾期率是一对权衡指标，业务初期维持较低的通过率可以保证很好的客群进入，但随着业务规模扩大和风控样本积累，此时就需要在风险容忍度内提高通过率，以保持收益的最大化。
  
  那风控的通过率忽然降低，策略人员该如何应对呢？
  

  • 寻找通过率下降的时间点或时间段

  风控策略稳定后，通过率一般会稳定在一定范围内，通过监控每日通过率指标发现T-1、T-2 时的通过率明显下降，首先通过监控报表迅速定位到具体时间点或时间段。

  • 判断策略节点主次要拒绝影响

  上一步确定时间点或时间段后，下一步就是聚焦到策略节点，通过对比数据分析，寻找拒绝率的波动差。

  • 从节点聚焦到节点规则层深度分析

  完成节点的聚焦分析，定位到引起通过率下降的主要原因节点A，接下来就是分析节点A 内包含的所有规则拒绝情况。

  • 具体规则分析

  在上一步确定具体规则是引起通过率下降的规则后，那该步就是具体策略规则的分布上。

  • 分析指导决策

  通过一系列的聚焦发现，进件客群的变化是引起整体通过率下降的核心因素。

  
  而在实际业务中并不会因为通过率的突降就进行策略规则的调整，更多的是通过发现，结果进一步细分为两个参照要素：进件渠道的进件量分布和最大进件渠道的准入拒绝分布。

• 逾期率上升的调整策略

  • 确定存量客户还是新增客户的逾期率上升

  通过分析新增客户和存量客户的Vintage 报表对比可以发现是新增客户的资产变差所引起。即可以确定需要调整的策略规则是贷前规则。

  • 多维度分析，找出主要的影响规则

  该步骤的主要概括就是通过分析不同的规则变量，找出对目标影响最大的维度变量。 这里主要提供两个思路：

  • 自上而下地按照A 类策略调优方法，从贷前策略节点到节点里的规则集，再细分到具体规则，逐步分析出影响最大的规则变量。
  • 自上而下地将所有规则变量与目标变量拟合分析，通过IV 降序排序，找出影响最大的规则变量。
  • 指定策略调增方案

  通过前一步的数据分析，发现贷前规则里的某个规则是导致逾期升高的主要原因。
  最优的策略调整思路是：从坏客户中挑选出最坏的一批客户，且这批客户的占比较少，然后被拒绝。

• 信用多头策略
  金融机构对于客户的还款能力的评估是十分重视的，而在体现客户的还款能力的众多指标时，多头借贷就是一项核心指标。
  
  多头借贷是指客户向两家或两家以上的金融机构提出的借贷需求。
  按类型可以分为银行类多头借贷、非银类多头借贷。按时间跨度可以分为7天、14天、30天、60天、90天等。除了统计申请次数外，还会统计申请机构数、申请最大间隔天数、平均每月申请量等。
  
  由于多头借贷可以比较有效地衡量客户的还款能力，因此在反欺诈评估上基本都会使用多头借贷数据。
  
  多头借贷在策略上一般作为一条策略规则、一个拒绝维度参数到整体的风控流程中。不同机构、不同信贷产品、不同场景，对于多头借贷的拒绝划分线都是不一样的。如何在当下的场景中找到合适的多头借贷拒绝线，对于策略人员来说是最核心的任务。
  

• 评分卡策略的应用

模型与策略