等待久矣，年终总结系列—风控策略报告总结来袭

序言：
在金融信贷产品场景中，风控始终是整个产品流程的重心，风控模块的体系架构与决策效果直接影响到产品的业务收益。本文通过信贷产品的年终工作总结形式，介绍下风控策略与模型的开发、应用等内容，主要通过以下几个维度进行分析与展示，分别为策略规则、评分模型、决策矩阵、风控指标等。最后，结合本文介绍要点，在课程的最后还有一个具体场景案例的可以进行实操解读，进一步帮助大家提升对策略的认识。可谓有实操有数据，关注番茄风控祝您成长！
up.up.up

1、策略规则
在产品风控体系中，根据开发方式与应用角度的不同，可以分为策略与模型两个模块。其中，策略可以理解是一个规则集合，信息维度越丰富，阈值划分越精细，策略规则应用效果越好。若根据规则应用节点进行区分，规则类别可以包括信息准入、要素核验、欺诈识别、客户分层、风险评级、额度授信、产品定价等。
某金融机构风控部门整年在策略规则的研发方面，上线应用的规则分布如下图1所示，根据规则决策结果的风险等级区分，规则共分为刚性、高柔、低柔三个类别，风险由高到低，若用户命中刚性规则的阈值直接拒绝，若仅命中高柔或低柔规则的阈值可进入后续环节。由图中数据分布可知，低柔类别规则占比相对较小，其原因是规则识别高风险主要集中在刚性、高柔规则的使用。

【图1 策略规则开发情况】

策略规则的开发，离不开有效数据源的获取，一方面来自产品流程生成的数据，如基本信息、联系人信息、设备信息等；另一方面来自三方征信机构引入的数据，如银联交易、多头信息、电商消费、交通出行等信息。通过多个维度数据标签的数据挖掘与分析，可以开发出多种类别的规则。表1为产品策略规则集的部分规则样例，包括不同类型不同纬度的规则。
​
【表1 策略规则示例】

通过整年的策略规则开发与线上部署应用，规则效果的同步监测是一项很重要的工作，包括规则命中率的高低、评级效果的好坏等，同时进一步需要分析规则阈值划分是否合理、流程应用性价比等。图2为产品整年所有用户在风控流程决策中，不同类型规则命中等级的分布情况。由图中信息可知，命中规则最高风险为D类刚性规则结果的用户占主要部分（约为82%），这是由于信贷产品特点属性、业务综合收益策略等综合决定，未命中D/H/L（刚性/高柔/低柔）任何规则等级的占比仅为2%，这些用户的风险表现较低，在当前信贷产品的用户群体中，可以属于优质用户，因此在通过风控审批后的授信环节，其额度也是相对较高。
​
【图2 规则命中情况分布】

策略模块由多个规则组成，每类规则的命中情况也是不尽相同，汇总各类规则命中率top10的分布情况如表2~4所示。从中不仅可以了解不同类型规则的应用效果，而且可以为重点监测和优化某些规则提供参考。

【表2 刚性规则命中率top10】

【表3 高柔规则命中率top10】

【表4 低柔规则命中率top10】

2、评分模型
根据个人分期信贷产品的场景特点，评分卡模型的应用主要集中应用于贷前环节。本文假设的金融机构风控部门在过往一年中，根据用户贷前多个维度的信息数据，共开发完成6个模型，其中5个为不同数据维度下的子模型，然后将其作为变量特征再集成训练出最终总模型，即A卡申请评分模型，结构示意如图3所示。每个模型通过设置阈值，或交叉组合均可生成多个策略进行部署应用，但在进件风控流程的模型环节，A卡模型结果定义为申请用户的模型综合评级。

【图3 模型结构体系】

模型评级结果划分为5类，分别为A、B、C、D、E，风险由低至高。在风控流程决策中，模型命中E等级的用户说明具有很高风险，多数情况下会直接拒绝；命中A等级的用户说明风险较低，授信额度相对较高。图4为整年所有申请用户在风控流程的评分模型决策中，命中不同模型等级的分布情况。由图中信息可知，各类模型等级的用户群体占比较为均匀，在模型维度上可以较为明显的进行群体分层。
​
【图4 模型评级分布】

3、决策矩阵
决策矩阵是采用策略与模型结果交叉决策的机制，实现申请用户信用风险在策略与模型环节并行评估的目的，从而提高对用户风险识别的准确率。决策矩阵应用的原理示意如图3所示。
​
图5 决策矩阵应用流程】

用户申请进件时，先后通过风控体系的策略、模型环节，同步产生策略与模型评级结果，通过评级结果构成二维决策矩阵，然后以设定的拒绝组合策略进行决策，实现最终风控审批的效果。决策矩阵的结构如表5所示，高风险用户主要集中在模型&策略对应的EE、ED、DE、DD等组合，低风险用户则主要集中在模型&策略对应的AA、AB、BA、BB等组合。
​
【表5 决策矩阵结构】

图6为整年所有申请用户在风控流程决策矩阵结果的分布情况，从中可以看出，在不同模型等级（A/B/C/D/E）中，命中规则最高风险为H类的用户占比较大，基本保持在80%附近，而未命中任何等级的占比约为5%，对于命中D类刚性规则的用户，由于这些群体的风险较高，在风控流程的模型环节前已经直接拒绝。风险较低用户群体主要集中在模型评级A与B模块，具体为规则评级L类与未命中类。
​
【图6 决策矩阵分布】

4、风控通过率
在产品业务流程中，风控通过率是一个非常重要的指标，直接决定着产品的综合收益。因此，风控通过率的设定需要考虑多个因素进行权衡，例如流量成本、数据成本、违约率、催收率等指标。在产品经营过程中，风控与运营人员要经常关注产品风控通过率指标的波动，并通过数据分析其原因以及业务效果。风控通过率=风控通过人数/申请进件人数。
图7为新老用户的风控通过率分布，由图中数据可知，新用户的风控通过率趋势虽然有一定波动，但整体上在连续时间窗期间保持较为平稳（保持6%~12%）。而老用户由于风险相对较低属性，风控通过率明显比新用户高出多倍，但随着时间周期推移，前期风控通过率较高（约为80%附近），后期年底逐渐降低，其时间节点必然在产品业务策略中有所调整。
​
【图7新老用户风控通过率】

图8为不同渠道的风控通过率，可知渠道app（android）的风控通过率明显低于其他渠道，在风控流程中app（android）渠道采取的风控决策包必然相对其他渠道决策包更严格些。除了渠道app（android）以外的其他渠道风控通过率差异不大。不同渠道的流量好坏、价格成本、贷后表现等维度，会综合决定风控通过率的高低。因此，对于不同渠道流量的风控通过率，要定期进行监测，并根据贷后表现等数据进行策略调整与风控优化。

【图8 各渠道风控通过率】

5、实操案例介绍
现根据前文所述风控重要模块“决策矩阵”为切入点，介绍下信贷场景风控策略与模型的决策矩阵效果分析，并通过SAS编程语言进行实现，具体具体的数据集与代码文档。
​
本文所涉及到的代码与数据集详细内容，欢迎移步至本周的番茄风控的第二次的【星球打榜作业】，本次作业我们也将在本周内公布：

以上内容，参考至：
番茄风控的知识星球社区番茄风控：《第一期SAS数据分析训练营》。

关于本次内容更详细的部分，可关注知识星球社区，学习文章中所提到的数据集与代码内容，感谢关注~

~原创文章
…
end