文章釋出于公号【數智物語】 (ID：decision_engine)，關注公号不錯過每一篇幹貨。
來源 | 互金雜貨鋪(id：hjzahuopu)
作者 | 互金雜貨鋪
本文摘要：信貸風控政策建設思路、決策引擎主要功能
适用閱讀人群：互金産品人員、互金模型人員、互金研發人員
在風控決策引擎(一)中，隻是對風控決策引擎的核心功能規則、評分卡、模型、表達式、決策流等子產品做了簡介。
大資料風控，大資料輸入決策引擎通過規則、評分卡、模型、表達式、決策流等功能子產品就能輸出理想的風控結果了嗎？
實際業務中的風控流程依靠這幾個功能子產品是無法完全達到風控目的，成熟的風控方案有一套嚴謹的政策體系，風控決策引擎要結合風控政策體系，最終才能達到風險控制的目标。
大資料風控通用流程主要為貸前、貸中、貸後全信貸生命周期風控，分别對應的評分卡有A卡(Application score card)申請評分卡、B卡(Behavior score card)行為評分卡、C卡(Collection score card)催收評分卡。評分卡的開發需要豐富的資料支撐，在信貸業務初期由于資料不充分，則不具備評分卡的開發，這時候就會選擇規則判斷進行初期的風控。
信貸通用的風控都是包含了規則和評分卡兩部分，貸前流行的風控政策流如下：
基于準入、反欺詐(黑名單)、信用評級、定額定價四部分構成，具體的信貸場景在此基礎上也會有部分調整，在自有存量客戶較大的時候，新上線信貸産品之前很多廠家都會在準入之前加入預授信政策。
無論是準入、反欺詐、授信評級中的規則還是評分卡，通常是都是通過決策引擎進行邏輯判斷，在智能風控平台之決策引擎(一)中介紹了四個常用的決策引擎功能子產品，其中決策流配置子產品就是用來配置信貸風控政策流，評分卡子產品配置評分卡模型進行封裝成規則包、規則子產品配置規則進行封裝成規則包，在通過決策流配置子產品配置風控流程。
信貸風控流程就是決策引擎對于傳入資料的組合運算，有風控政策流程就有規則的優先級運算也就有資料傳入的優先級概念，優先級制定的原則主要是從資料源、規則的強弱(強規則命中直接拒絕、弱規則需要組合判斷決策)、資料成本、效率、資料積累等方面進行考慮：
1. 自有資料源對應的規則優于三方資料源對應的的規則
自有資料源在接口請求、性能、價格等方面都優于三方資料源，如自有 的黑名單庫資料，在命中黑名單規則可以直接拒絕。
2. 強規則(強規則命中直接拒絕)優于弱規則(弱規則需要組合判斷決策)
很多決策引擎的性能伴随着規則數量的增加下降，考慮更好的利用決策引擎的資源，強規則決策優于弱規則決策。例如命中前科拒絕這種強規則，應該優于命中多頭借貸且命中逾期3次拒絕這種組合的弱規則。
3. 低成本資料對應的規則優于高成本資料對應的規則
大資料風控，資料的費用在整個智能風控中占據着較重的比列，在制定的風控政策流程的時候，低成本規則優于高成本規則。三方資料服務主要由查得、查詢兩種計費模式，其中查得是指三方資料傳回有結果進行計費；查詢是指請求三方資料，不管三方資料是否傳回結果就進行計費，是以查得對應的規則優于查詢對應的規則。
4. 效率高的規則優于效率低規則
有些規則比如規則甲隻需要一個接口A就能做出決策，而規則乙則需要三個接口B/C/E才能做出決策，因為接口的請求是需要時間，這時候就需要考慮規則效率，效率高的由于效率低的規則。
5. 需要積累資料的規則優于無需積累資料的規則
在模型冷啟動的時候，有些變量作為後期模型潛在核心變量，需要盡可能多的收集這些資料，此時需要積累資料的規則優于無需積累資料的規則。
以上的優先級原則不都是固定不變的，很多規則優先級的制定都是基于幾個原則的綜合考慮。
由規則的優先級原則，對于風控決策引擎在決策運算時的功能要求是，能夠對于決策流程命中拒絕結果後實作決策流程的決策終斷以及決策繼續，決策流程不僅可以在大的決策流上實作決策流程開關，而且也可以對小的支流某條規則實作決策流程的開關。
資料接入優先級确認，傳入決策引擎進行規則、評分卡、模型的決策，此時還需考慮資料缺失時，資料缺失太多規則、評分卡等的風控也會失靈，那此情形下的決策引擎應該怎麼處理呢？
通正常則類的政策，在命中資料缺失的時候，可以在規則中配置決策結果直接輸出缺失的結果。但是評分卡類的政策，如果在資料缺失時通過配置其得分，最後計算總得分，依據總分進行評分卡的結果決策，這樣很難保證評分卡的效果。例如評分卡中的變量豐富的時候，其中核心變量是不能允許缺失，但是如果決策引擎沒有對于的判斷機制，在核心變量缺失時，其他變量沒有缺失同時其他變量的得分較高，此時拉高了整體的評分卡的得分，最後的得分做出決策為通過，實際該客戶因為核心變量缺失需要通過人工稽核，是以在這種情形下并不能準确的判斷客戶的征信情況。那麼決策引擎應該怎麼去解決這個問題呢？
設計決策引擎産品下到規則集、評分卡的每一條決策判斷，上到規則包、模型包的決策判斷都需要進行資料資訊值的計算，在決策引擎中的規則、評分卡配置上需要具備資訊值的配置、資訊值的門檻值配置以及資訊值的決策結果配置等。決策引擎在進行規則的判斷的時候，首先應該計算的是資訊值，然後在進行政策的運算，通過對缺失值的管控，實作更精準的風控效果。
決策引擎主要的使用者是模型政策人員，風控政策伴随着業務的發生，會進行不斷地調整、疊代，同時不同的業務場景所使用的模型政策也是不同的，是以決策引擎還需要滿足模型版本管理、模型對比的功能，可以更友善使用者配置操作、支撐更多的業務場景。
模型的優化、疊代是需要豐富的曆史資料作為支撐，這裡的曆史資料可以分為兩部分：一是傳入決策引擎的中繼資料，二是決策引擎計算出來的結果資料包含規則、評分卡等資料。資料在傳入決策引擎進行計算後需要對中繼資料和結果資料進行存儲，這裡的存儲也會存在兩種方式：一是緩存，這樣可以避免同一個客戶在規定的時間内重複調用三方資料，造成不必要的成本浪費；二是存儲所有的風控資料，便于後期模型的調優、疊代，同時也可以用于貸中、貸後的管理。資料存儲的功能，更多的規劃在決策引擎的配套産品接口管理平台中，在後面決策引擎配套産品介紹中會詳細的介紹。
實際業務中，風控的結果輸出，不僅僅隻是“通過”、“拒絕”、“人工稽核”，還會有很多詳細的内容包含觸發的規則、預警的規則等，這就要求需要一個詳細的風控報告輸出，以備人工稽核的人員擷取資料，這也是決策引擎配套的風控報告産品。
以上介紹了關于決策引擎的部分主要功能和風控政策流程的建設思路，應大家的要求我會在下一章中補充介紹複雜規則、複雜評分卡的産品設計，敬請期待。
星标我，每天多一點智慧