数字化风控体系中的八类数据场景模型

后疫情时代加速了金融机构的数字化转型的进程，汽车金融、消费金融、互联网金融企业纷纷加强数字化建设。同时外部环境的不确定性也在不断增加，欺诈风险及信用风险持续升级，如何更好的转危为机，更精准更前瞻的识别和计量风险？我们建议在风控数字化转型过程中，多思考信贷中相关的具体的场景业务。
今天给大家带来在数字化智能风控体系中涉及的八类具体场景，今天都稍微来谈一谈最经典的这八类场景和模型，相关内容分别是：
❤①信贷策略规则的开发与部署应用
❤②信贷风控策略&模型之决策矩阵分析
❤③信贷产品客户反欺诈模型的开发
❤④评分卡模型应用效果的监测与优化
❤⑤信贷产品之客户画像与数据分析
❤⑥贷前申请评分模型的开发与应用
❤⑦信用卡客户精准营销模型的开发
❤⑧贷后存量数据优质客户的挖掘与分析

以下分别一一阐述：
【场景一】信贷策略规则的开发与部署应用

第一个跟大家介绍的是策略同学最关注的策略内容。我们知道风控体系中有四大模块内容，分别是：政策、规则、策略、模型。

政策：是顶层要求，策略从属于政策。
策略：最主要的落地形式是规则，也可以体现为其他形式，比如运营流程优化、获客渠道优化等。
规则：是条件和决策结果的集合，即在一定条件下对应的决策结果，在业务中的具体体现为if-else组合，基于规则的决策过程类似于决策树。
模型：通过统计学习和最优化方法求解出最优参数的一种结构。最常用的是信用评分模型。

所以信贷策略规则开发的内容，主要包括的规则有：
名单类规则、标签类规则、评分类规则…
​

在策略规则的应用上，还需要根据规则类别、规则效果、数据来源、数据成本等分别对不同的规则分门别类。

【场景二】信贷风控策略&模型之决策矩阵分析

金融产品大多的风控决策流程会由策略、模型两部分构成（也有只有策略或仅有模型的决策流）。
用户进件申请先后会通过策略、模型的串行节点，并根据对应模块的策略规则、模型分数的阈值，决定用户后续授信环节的通过与拒绝。但是在这种单向评估用户的风险程度对准确率均有一定影响，为了更有效地对用户风险进行评估，现探究策略与模型的并行交叉结果，综合分析用户的风险程度，于是我们引入目前较为常用的模式：策略&模型的决策矩阵分析的分析方法。

串行决策：
​

并行决策：
​

在具体的实操案例中，我们以模型1跟策略2进行具体的举例说明：
模型1中，根据风险评分划分的客群风险得分为：A、B、C、D、E（这些风险是由低到高排序：A—高风险、B—较高风险、C—中风险、D—较低风险、E—低风险）。根据model_score区间阈值设定如下：
​

在策略2中，根据策略划分的风险等级也可划分为：N、L、H、D（风险由低到高，其中N—正常、L—低柔、H—高柔、D—刚性，取规则集rule_01-rule_10最高风险等级）， 各规则等级根据rule区间阈值设定 如下：
​

于是根据以上模型与规则的二维交叉矩阵，就能得到规则&模型的内容，我们称之为风险决策矩阵。
​

【场景三】信贷产品客户反欺诈模型的开发
贷前反欺诈模型是金融机构最常见的模型，在常见的场景中，通常通过开发反欺诈模型来预测申请进件用户的欺诈概率风险，从而辅助贷前信审环节前的风控业务决策。
通常我们通过对存量用户的贷后数据表现分析，以及实际业务理解，欺诈用户定义逻辑为首期逾期天数达到30天及以上。
目前反欺诈算法内容主要涉及内容包括欺诈策略规则、欺诈评分模型、社会关系网络等内容。
在相关的模型的训练营上，我们需要将样本拆分（训练集+验证集，抽样方法介绍，随机抽样实践。
在常规的反欺诈场景中，随机森林是用的最频繁的一类算法。
随机森林算法是由大量决策树构成的，同时这些决策树相互之间是没有关联的。随机森林在生成众多决策树的过程中，是通过对建模数据集的样本观测和特征变量分别进行随机抽样，每次抽样结果均为一棵树，且每棵树都会生成符合自身属性的规则和评分，而森林最终集成所有决策树的规则和评分，实现随机森林算法的处理效果。

【场景四】 评分卡模型应用效果的监测与优化
在模型实施之后，要产生许多报表对模型的稳定性和有效性进行监测，如：
①稳定性监测报表，比较新申请人与开发样本客户的分数分布，对模型的有效性进行监控。
②特征分析报表，比较目前和模型建立期间的所有评分卡特征的分布，对模型的有效性进行监控。不良贷款数据分析报表，评估不同分值区间的不良贷款，并且与模型建立阶段的预测进行比较，监控客户贷款质量。
另外，经过一段时间之后，经济环境、市场情况和申请者、持卡者的结构会不断变化，信用评分卡的预测能力会逐渐减弱，同时，信贷机构经营策略和信贷政策的改变也要求评分模型进行适时调整，所以，信用评分卡在建立后需要进行持续的监控，在应用一段时间（一般2～3年）后必须适当调整或重建。
​

评分模型应用效果监控是信贷评分卡开发后最重要的工作之一。

【场景五】信贷产品之客户画像与数据分析
客户画像的维度，包括客户的基本特征、社会身份、用户生命周期、类目偏好等等。具体的标签跟上述的维度是息息相关：


最简单的客户画像是分析不同性别的群体特征，然后做特定营销。如分析广州、北京、客户的群体特征，分析90后、80后的群体特征。前面说到把人分成了一万个类，或者一千个类，然后在这个类别里面，做一个精准化推荐。
比如对于某电信公司的客户画像，我们将其分为8类，分别是：
类别一：喜欢深夜通话，多发信息，多发话给预付费用户，忙时发话少
营销手法：夜间通话套餐，短信大礼包，转为预付费，激励话音用量

类别二：多发短信，多发话给后付费用户，忙时发话少
营销手法：闲时通话弹出/激励；短信大礼包；激励话音用量

类别三：高通话量，发话网外多，有国际长途
营销手法：高价值客户大礼包，激励国际长途通话，高端资费方案

类别四：交往圈固定，多发话给后付费用户
营销手法：高机制客户大礼包，业务引荐奖励

类别五：高通话量，发话网外多
营销手法：激励话音用量，高价值客户大礼包

类别六：固网通话多，高通话量，喜欢早餐通话
营销手法：移动-固网通话套餐，晨间通话套餐

类别七: 多发短信，多发话给后付费用户，忙时发话多
营销手法：短信激励，忙时通话套餐

类别八：高通话量，喜欢深夜通话，闲时通话多
营销手法：夜间通话套餐，闲时通话套餐，通话量奖励

回归到信贷场景，当我们在讨论用户画像的时候，到底在讨论什么？比如我们通常认为的现金贷的用户画像是：
20-35岁

以男性为主
遍布全国
主要是在第二和第三产业
月收入在5000元以下

通过这些画像特征，我们可以去定位目标客群，去精准的广告投放等等；

【场景六】贷前申请评分模型的开发与应用
评分卡模型全流程开发中最经典，使用最广泛的就是贷前评分卡。
贷前评分卡，涉及的最重要的问题：
一．模型样本的选择
​

a.滚动率报表：

在具体设计评分卡的，我们某月截面数据为例，上月M3的客户在下月滚动至更差状态M4的比例为90%以上，意味着一旦客户到达M3之后，90%以上客户不会变更好，因此选取M3+作为坏定义是较为合理的。

b.账龄表：
账龄表vintage报表，指的是对不同放款月份的进行设计的报表，具体的vintage的做法可以参考：

在此案例中以201901-201908作为参考月，观察M3+%趋势，可以看出客户的M3+%趋势并未收敛。考虑到巴塞尔要求及参考同业经验，建议12个月作为表现期。

【场景七】信用卡客户精准营销模型的开发
随着移动端增长红利趋于减少，各媒体、搜索引擎的在线流量竞价不断走高。现如今，单纯的在线展示广告获客成本愈发透明，效果增长乏力。随着大数据的兴起与机器学习技术的不断提升，集奥聚合通过自身丰富的客户画像标签体系，结合业界先进的机器学习技术，突破传统广告的局限性（仅通过人为主观精心设计的统一广告页来吸引客户），实现多元优化及精准需求预测，提升各流转环节，达到精准营销。
根据模型效果制定业务策略:

【场景八】贷后存量数据优质客户的挖掘与分析
现阶段传统的信贷获客模式开始遭遇瓶颈，部分市场已趋于饱和。以信用卡为例，其作为商业银行开展消费金融业务的主要载体，近年来全行业发卡量、资产规模呈现明显放缓趋势，增速见顶。

受疫情波及，互联网金融行业的逾期风险、欺诈风险持续攀升。
疫情期间，中小企业严峻的生存压力将会传导至微观个体，部分客户将出现还款能力下降问题，特别是资质相对更差的次级客群，其受到的影响更大。而为了应对疫情，防范金融风险，金融机构收缩业务成为必然。
而对于共债风险本身就高的次级人群而言，信贷需求未减的情况下，供给却大幅萎缩，因此他们中的一部分人转而通过欺诈手段，突破金融机构风控防线、获得贷款的动力更充足。另外，由于疫情的影响，个人消费减少，资质相对较好的客户借贷需求降低，客观上减少了总体人群中优质客户的数量，导致欺诈客户的占比相对上升。

所以在竞争异常激烈的当下，贷中贷后存量的客户经营也变得格外重要。

关于以上所提及的八大类场景业务：

eg-1 信贷策略规则的开发与部署应用
eg-2 信贷风控策略&模型之决策矩阵分析
eg-3 信贷产品客户反欺诈模型的开发
eg-4 评分卡模型应用效果的监测与优化
eg-5 信贷产品之客户画像与数据分析
eg-6 贷前申请评分模型的开发与应用
eg-7 信用卡客户精准营销模型的开发
eg-8 贷后存量数据优质客户的挖掘与分析
以上这八个具体的项目案例，可关注：《SAS数据分析训练营的内容》

此次为大家为准备了以上最经典的案例。本次课程以案例为主导，带领大家一步一步由浅入入深，实操具体的sas内容。

我们知道在目前很多做分析的软件中，python是各位互金同学用得最多的语言，但相对银行的同学而言，目前使用上还是以SAS居多。

SAS在国际上已被誉为统计分析的标准软件，无论是制药、金融、保险、市场部门、政府部门等在各领域都得到了广泛的应用，它的覆盖率是完全不可被替代的。同时SAS系统具有使用灵活方便、功能齐全、编程能力强且简单易学、数据处理和统计分析融为一体、扩张性和适用性强等优点。

详细如下：
​

~原创文章
…
end