风控决策引擎系统的搭建设计指南

浏览量:28 次

归结而言,风控本质是数据,探索数据与数据之间关联关系,根据其演变规律,为业务所用。

消费金融门槛核心在于风控系统,面向C端客群线上产品线,如消费分期、现金贷及信用卡代偿等业务方向,其需实时支持大量业务自动化处理,风控系统将承担贷前、贷中和贷后风控评估、处理及预警角色,极大地解放人工处理瓶颈与效率。

优先级

风控决策引擎是一堆风控规则集合,通过不同分支、层层规则递进关系进行运算。而既然是组合概念,则在这些规则中,以什么样顺序与优先级执行便额外重要。

风控系统作用在于识别绝对风控与标识相对风险,如果是绝对风控,则整套风控审核结果便将是“拒绝”。既然结果必然是“拒绝”,则没必要运行完所有风控规则,而主要单条触发“拒绝”即可停止剩余规则校验。因为所有规则运行,是需要大量时间、金钱与性能成本。所以,整套风控决策引擎搭建设计思路,基于规则优先级运算注意要点如下:

自有规则优先于外部规则运行

举例说明:自有本地黑名单库优先于外部黑名单数据源运行,如果触发自有本地黑名单则风控结果可直接终止及输出“拒绝”结论。

无成本或低成本规则优先于高成本规则运行

举例说明:借款用户身份特定不符合风控要求,诸如低于18岁用户,则可优先运行。而一些通过对接外部三方征信风控规则,需支出相关查询费用,则靠后运行。此外,在外部三方征信规则中,命中式收费风控规则(如黑名单与反欺诈)又可以优先于每次查询式收费风控规则(如征信报告)运行。

消耗低性能规则优先于高性能消耗规则运行

举例说明:直接基于用户现有属性数值,如当前用户民族是否非少数民族,则可优先运行。而一些风控规则,需借助爬虫接口,且需待将爬取到数据经过二次加工与汇合之后,再对汇合总值进行判断,如手机运营商账单中月总通话分钟时长,则此类风控规则应后置运行。

可调整

风控核心思路是基于大量真实样本数据,将逾期用户身份、行为与数据特征进行提炼,从概率学角度上进行剔除,从而保障到剩余用户群逾期概率处于一个相对较低区间。而对数据提炼与作用过程,将使用到“参数”定义。“参数”决定了区间和上下限范围,一条风控规则通常作用于某一数据类型,依据此数值是否满足“参数”定义范围,得出是否可通过风控结论。

由于风控最终还是数据“喂出来”结果,而非主观臆断设限,故而,随着数据样本与内容不断发展,必然将会涉及到一些动态调整,后期可能会发现原本设定“参数”过于严谨而导致审核通过较低,或者是设定得过于宽松而导致逾期率较高等。所以,整个风控决策引擎搭建设计思路,基于可调整与可维护注意要点如下:

非刚需与必要风控规则,能够“开关化”

举例说明:一些必要风控规则,如用户银行4要素验证是否一致性,这是必要规则,就无需可开关。而一些如校验用户芝麻信用分是否高于500分,则可做成“开关”。待该规则上线后,可通过分析此项规则触发率得出是否合理判断。因为芝麻信用分是否可作为决策依据将主要取决于业务方向与用户群体,因为理论上芝麻信用分高低主要与用户在芝麻信用体系内数据绑定维度多与少相关,并不一定绝对反映用户信用程度。

风控规则上“参数”可调整与灵活配置

举例说明:很多风控体系通常会加入对手机运营商校验,所以有一些风控规则,诸如校验用户手机号使用时间长度是否大于6个月。其中“6个月”便是所定义参数,此处最好可调整与配置。因为去验证用户稳定性,是否用“6个月”,还是用“3个月”长度更合适?具体合理参数是需要通过数据分析结论进行得出,如果由于定义“6个月”长度要求而发现其他一些手机使用时长虽然短一些,并未与用户是否逾期形成直接必然因素,那么可将该参数放松调整到“3个月”。

记录与统计

风控最终到底是“跑出来”,所以,整个风控系统对所有不同风控规则触发需进行有效记录与统计,以便后期可支持数据分析与风控模型调整相关工作。

具体记录与统计内容,主要如下:

触发具体风控规则

举例说明:通过两种不同视角进行记录,一是用户与订单层面,记录其所触发明细规则;二是风控规则层面,记录某条风控规则具体触发率。例如接了多家三方征信反欺诈服务,通过比对这几家触发效果,将反欺诈触发率较高风控规则可前置执行。

风控规则所要求“参数”与其参数字段下具体数值

举例说明:规则定义方向,参数定义标准。其中,包含相符与不相符都要进行记录,即便此次风控规则并未触发,如果后期发现逾期率较高,则可通过反推此风控规则并结合逾期用户数据特性,可判断是否需调整此“参数”。

数据源内容

举例说明:某些风控规则是通过二次数据解析与汇总进行,但原始数据需要进行保存,诸如手机账单通话明细数据,此部分数据一是可作为风控规则使用,二是未来可用作于催收与贷后管理。

建模

风控体系简单与复杂,视业务模式开展而定。如果是固定额度与固定费率式产品业务定价,则风控体系更多是规则集合。但若是有延伸提额功能模块,与可根据用户前端不同输入项数据,而输出与之相匹不同额度与费率产品,则此时需要模型化。

风控建模需借助于函数定义,此外也可以借助评分卡机制进行补充。而评分卡模式在另外一方面也作用于系统审核与人工信审,譬如高于X评分订单申请,系统直接通过;处于X与Y之间评分,则需人工审核,甚至通过电话联系;而低于Y评分,则系统直接拒绝。

归结而言,风控本质是数据,探索数据与数据之间关联关系,根据其演变规律,为业务所用。消费金融与信贷领域准入门槛在于风控,越是高额度产品,对风控要求越高。整个业务市场,如果按照风控由简到难展开,则依次可以是:Payday Loan现金贷→信用卡代偿→消费金融→高额度信用贷……

#专栏作家#

朱宇迪,人人都是产品经理专栏作家。魔都某公司产品总监,在金融系统搭建、金融社交平台及理财投资产品应用领域均有丰富积累,完整前后端实践经验,擅长差异化竞争与全局视野,并对产品规划与落地执行有着独特见解。

本文原创发布于人人都是产品经理。未经许可,禁止转载。

 
®关于本站文章™ | 若非注明原创,默认 均为网友分享文章,如有侵权,请联系我们™
㊣ 本文永久链接: 风控决策引擎系统的搭建设计指南