贷前风控策略审批及决策引擎——策略审批架构搭建
Posted 奥卡姆的剃刀
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了贷前风控策略审批及决策引擎——策略审批架构搭建相关的知识,希望对你有一定的参考价值。
本文是FAL量化风控全线条训练营的听课笔记,对此感兴趣的可以去关注FAL金科应用研究院的公众号、知乎、官网去了解相关内容。现将核心内容进行整理,补充一些自己的理解和总结,便于结合自己当前工作内容,提升认知。
若对风控领域感兴趣,风控相关行业分析报告、论文、竞赛数据及代码可以私我,共同交流。
本文主要讲解贷前风控产品流程& 策略审批架构搭建 & 数据源及其相关注意事项。
首先,什么是策略?
- 可以实现目标的方案集合
- 根据形势发展而指定的行动方针和斗争方法
- 有斗争艺术,能注意方式方法
如何搭建贷前策略审批架构?
- 显性条件:行业普遍存在的一些条件
- 隐形条件:与企业自身特定的实际业务相关,甚至是企业自身并不知道的,需要去挖掘探索的条件,如果没有挖掘到,可能会导致策略实施后,发生偏差。
从哪些维度考虑?
很多时候,调整部分策略效果不显著,那么最终确定策略效果的好坏因素在于以下几点:
- 客群的划分: 行业中有句话:有不能做的客户,没有不能做的客群,因为单个风险较高的客户,是一定不会做的,因为肯定会逾期或者坏账;但是从整个客群来说,会有概率分布,如果风险定价合理,好客户的利润收入可以覆盖掉坏客户的损失,那么这部分客群是可以做的,正因为客群不一样,后面的整个策略部分也会有所不同。
- 数据:策略最终落地还是依赖数据,没有数据,巧妇难为无米之炊,无法展开业务。如微粒贷有微信背书,可以在授信环节做得非常简洁、顺畅,可以很方便的展开业务。
- 策略思路:前面两个条件已具备的话,策略思路逻辑把控到位的话,基本不会太差。比如在策略中,有几百条规则,某一条规则较为宽松,我们可以设置另一条规则较为严格。
1. 策略总体目标
1.1 不同阶段的审批策略目标
-
贷前:以最小成本控制坏账
-
贷中:将贷前没有甄别出来的坏客户,在贷中进行进一步筛选;或者有一些好客户,随着时间推移,不符合要求,因此从存量客户数据中剔除;或者从存量客户中,对有价值的客户进行提额
-
贷后:在可能逾期的情况下,先于市场进行回收本金,控制资产
贷前和贷中,均作为资金池(在贷余额)的两个入口,贷前是新客户入口,贷中是存量客户入口,这两个入口都可以形成在贷,在贷都会形成逾期,逾期则由贷后进行管理,即:**2个入口 + 1个收尾,**任何资产质量(逾期情况)发生变化,都需要找准哪个模块发生异常。
1.2 贷前审批策略目标
当A策略对应的坏账率低于B策略的坏账率时,不能说A策略一定优于B策略,原因可能是对应的审批策略的成本不一样,导致A策略本身就比B策略要好。
因此,策略调优,除了规则上的调优,还有成本上的调优。
1.3 搭建策略的三个阶段
假设将客户分为ABC类三种,分别表示好用户、中性用户、坏用户:
第一阶段采取的策略类型:
- 保守型:只保留好用户(银行),比较稳健
- 开放型:好用户+中性用户(互金企业,为了快速起量),相对粗暴
第二阶段策略优化:
- 对于保守型:由于第一阶段采取稳健的策略,用户相对少一些,因此第二阶段尝试对中性客户的不断下沉试探分析
- 对于开放型:由于第一阶段采取相对粗暴策略,用户相对多一些,具有较多的贷后表现,可以更加快速区分坏用户,因此第二阶段策略上会更加收紧
第三阶段策略优化:
- 进一步细分客群:进行风险定价,即精细化风险定价,从而实现利润最大化
- 金融科技输出:将企业自身能力赋能其他企业。
第三阶段主要目的是增加利润,需要注意的是,风险定价一般不需要再刚开始的时候特别关注,只有在第三阶段开始做
2 贷前风控策略搭建归类
2.1 产品流程
2.1.1 主要步骤
-
明确审批对象:
-
对于有抵押和无抵押对象,对个人进行判断
-
对于车抵贷或者融资租赁,除了对人进行审核之外,还要对车进行核验
-
如果是小微企业,审核法人、税务等
-
-
了解市场行业审批流程
- 是线下还是线上
- 对比哪些审批流程我们缺失或者丰富的
-
评估在客群层面是否存在明显风险
- 在进件模式上,如地推、引流方式获取到的用户,其客群可能存在差异,针对这些差异,评估风险
-
明确产品目标客群的范围
- 最基本的哪些客群可做,哪些客群不可做
在评估客群层面是否存在明显风险的同时,我们也需要认识到:策略改变不了客户的风险,只是筛选符合符合要求的客户。在原本不能做的客群中,筛选一部分可以做的小客群。
另外策略可以造成逆选择,如多头借贷数量超过3个以上拒绝,那么满足进件条件的客户,其多头借贷数量肯定是不超过3个,而原始发起借款请求的客户,其多头借贷数量的数据分布可能与筛选后的客户不同。
2.1.2 案例分析
案例:A 公司计划开展小额无抵押个人信用贷款,如何搭建完整审批策略?
分析指定策略目标: 从需求客户中筛选风险较小的群体,并给出额度
目标分解为以下几点:
- 审批对象为个人
- 需要排除高风险人群
- 出具额度
根据上述主要的4个步骤,分别指定对应的策略模块:
1:根据明确的审批对象,指定主体策略模块,常规的审批策略模块如下:
- 个人信息验证
- 准入模块
- 欺诈判断
- 黑名单判断
- 信用风险评估
- 人工
- 授信
- 交易风险
备注:策略模块要根据产品流程来制定,每一个模块对应解决一个或多个风险点,找不到解决方案的需要预留位置
2:对应主体策略模块寻找解决方法
- 第三方数据源
- 增加进件要素获取
- 爬虫获取额外信息等
备注:外部数据源需要注意数据查得率、区分度、覆盖度、收费标准、是否稳定、数据来源等
3:根据确认的策略模块,设计审批流程
- 无费用在前
- 强风险在前,弱风险在后
- 尽可能留存信息
备注:考虑真实费用,而不是账面费用。账面费用:假设整个风控流程中使用10个数据源,每个数据源使用费用是1元,理论上,一个客户跑完整个流程费用为10元。**真实费用:**每个策略节点都会对应审批结果,而不是每个客户都会跑完所有策略节点,比如某个用户在某个策略节点会显示拒绝,那么真实费用会少于账面费用。
2 系统架构
备注:左边节点数量一般会有多个,每个决策对应一个节点。
1:确认审批流程落地方案
- 决策引擎
- 审批系统
- 征信平台
其中,决策引擎和审批系统,在做线上自动化时,是必备的环节,其他如反欺诈、人工审核系统,可以往后放。而征信平台,在使用外部数据环节时,是必备环节。
2:常规审批流程系统架构
审批策略架构搭建解决方案小结:
- 准入人群
- 确认风险点
- 寻找对应的排除方法
- 合理组合解决办法
3 数据源介绍
3.1 基本验证
-
公安核查
- 核查身份证号与姓名在公安系统内是否存在
- 人脸识别
- 公安核查内容 + 照片对比
-
活体检验
- 检验申请操作者是不是本人
-
银行卡三 / 四 要素验证
- 三要素: 银行卡号 + 身份证号 + 姓名
- 四要素:银行卡号 + 身份证号 + 姓名 + 手机号
-
手机要素验证
- 手机号码与姓名,身份证号是否一致
3.2 个人信息验证
- OCR
- 照片质量是否合格
- 识别字段质量判断
- 识别字段是否存在逻辑问题
- 人脸
- 身份验证信息不通过
- 是否为合成脸、面具脸、翻拍
- 人脸比对结果置信度
- 其他
- 卡三、四要素验证
- 运营商三要素验证
3.3 准入
- 基本
- 年龄、身份证有效期
- 行业、地域
- 关联人有逾期
- 手机号异常
- 身份证与年龄校验
- 紧急联系人手机号为虚拟号码
- 其他
- 最近申请拒绝天数
- 最近申请取消天数
3.4 准入
- 法院执行人、失信被执行人
- 司法诉讼、行政诉讼、民间欠款等信息
- 高危危险、欺诈名单
- 申请信息中身份证关联多个(>3)手机号
- 金融信贷类逾期、不良
- 逾期90天以上未还
- 金融信贷资信不佳、拒绝
- 被银行或非银行结构判定不良、信息伪冒等被拒绝
- 关注名单
- 售假、卖家套现、虚拟交易、逾期未付款
3.5 黑名单
- 基本
- 执行人与失信被执行人
- 刑事案件记录
- 当前存在民事案件且金额较多
- 高危险行为
- 欺诈分
- 信贷类不良
- 同行拒绝
- 关注名单
- 一阶联系人黑名单过多
- 维度
- 姓名 + 身份证号
- 身份证号
- 手机号
3.6 信用
- 多头借贷
- 申请人多平台记录,近7天、15天、30天
- 信用分
- 互联网标签
- 消费偏好
- 兴趣
- 银行卡信息
- 风险得分,消费能力、持卡人价值、卡等级
以上就是贷前风控产品流程& 策略审批架构搭建 & 数据源相关内容,若有错误或遗漏,欢迎补充。
若对风控领域感兴趣,风控相关行业分析报告、论文、竞赛数据及代码可以私我,共同交流。
《信贷风控审批中的决策否决管理》
信贷风控审批中的决策否决管理
风控业务背景
信用评分模型的出现改变了传统人工信贷审批过程低效的局面,为自动化审批开启了一扇大门,从而充分发挥出规模经济的优势。但是,无论多智能的模型终归只是一个工具,它无法完全代替人来审核人,在业务中起关键作用的还是人的决策。
模型优势在于准确、客观、自动化,人工优势在于灵活、善于推理、有业务温度。因此,若能将人和模型的优势有机结合,那么就能达到“1+1>2”的效果。
目录
Part 1. 风控系统流程
Part 2. 决策否决(Override)的概念
Part 3. 决策否决的原因
Part 4. 决策否决的建议
Part 5. 否决报告记录及报表
Part 6. 否决报告对模型优化的指导
致谢
版权声明
参考资料
Part 1. 风控系统流程
当前P2P互金公司的风控流程一般可以简化为以下几个必要模块,实际风控流程则要复杂得多,包含各细节分支,比如按新客老客、获客渠道会有不同的分支去处理。一般而言,老客风险都较低,因此流程就会简略;新客风险高,审批流程就会拉长。( 新客风险识别也是一个值得探讨的命题)
图 1 - 风控流程简化版(仅供参考)- 1. 准入规则:风控系统的第一道关卡,作用是通过一些基本的检验规则,来拒绝大量不符合基本要求的进件。目的是降低审核人员的工作量和风控系统的成本。比较常见的准入规则有:年龄判断、地域限制等。
- 2. 反欺诈策略(anti-fraud):识别欺诈人群,可利用黑名单(公司内部或第三方数据公司)、活体识别、反欺诈模型等。
- 3. 政策性拒绝(policy rule):合规考虑,比如校园贷不合法,那么对于学生的申贷订单就直接予以拒绝。
- 4. 信用评分策略(credit scoring):基于信用评分模型,预测借款人逾期风险。额度模型给出借款人的授信金额;A卡用以风险定价,即给出借款人的利率、期限等。
- 5. 人工信审(audit):主要负责电话核验是否是本人、借款意图咨询、资料真实性确认、借款人背景核查等。
Part 2. 决策否决(Override)的概念
信用评分模型帮助我们批量有效地处理信贷审批流程,在某个最低评分阈值(cutoff)上,信用策略给出通过(accept)的决策,反之予以拒绝(reject)。
- 1. 分数大于cutoff:可以认为这类的借款人信用情况很好(逾期概率非常低),进件不需要经过信审人员审批,直接通过;通常这一分值经过计算后会设置的很高,能达到这一分值的借款人占比很小。
- 2. 分数在某个区间时:在这一区间的进件,都需要经过信审人员审批。
- 3. 分数小于cutoff:可以认为这类的借款人信用情况很差(逾期概率非常高),进件不需要经过信审人员审批,直接拒绝。
但在实际业务中,我们可能并不会严格按照信用评分进行决策。对于某些用户,我们可能会在人工信审中给出与信用评分完全不同的结论,这种前后决策不一致的现象,我们称之为Override(否决)。
我们一般可分为以下两种情况:
- 1. 高端否决(high-side override):对于风险评分高于最低可接受分数线(cutoff),但经过人为的、主观的审核后被拒绝(reject)的信贷申请;
- 2. 低端否决(low-side override):对于风险评分低于最低可接受分数线(cutoff),但经过人为的、主观的审核后被批准(accept)的信贷申请。
根据图2所示否决矩阵,我们又可以得到以下指标:
- 高端否决比例(high-side override ratio) = RA / (RA + AA)
- 低端否决比例(low-side override ratio) = AR / (AR + RR)
否决比例(override ratio)通常依赖于信贷产品属性,并受到很多因素制约。
- 对于小额大量的产品,由于订单进件量非常大,否决比例就会很低,因为此时若对大量订单再进行人工审核需要花费昂贵的人力成本,这时候就要充分发挥模型的优势;
- 对于大额少量的产品,这时候模型的优势就不明显,就要加强人工审核的比例,毕竟每一单都是大量的钱,必须对每一笔都慎重。
这也是大数据风控和传统风控之间的一个差异点。
Part 3. 决策否决(Override)的原因
既然评分卡模型是在成千上万个样本中学习得到的模式,相比于人工决策更加真实客观,那么为什么还需要人工介入呢?主要有以下原因:
- 政策性规则:由于之前国家或公司政策性规则里并没有这一条,后续发生调整。
- 模型非万能:模型并不能涵盖所有的情况,因此在某些情况下模型会发生错误判断。任何模型都不能做到100%的可靠。另一方面,可能模型开发时所构造的特征信息不够全面,对于个例的调研不如人工灵活。
- 欺诈风险:最主要还是防范白户风险,由于缺少历史不良记录数据,反欺诈环节可能未覆盖到,而信用评分环节又给出较高的分数,此时就需要人工信审来进一步确认。
Part 4. 决策否决(Override)的建议
低端否决是在从"劣质"人群(低信用分)中捞回,如果人工判断有误(或者有意放水),那就会导致资产质量下降,引入更多坏账;而过多的高端否决则会导致"优质"人群(高信用分)流失。
因此,我们一般会控制否决比例,以模型决策为主,人工信审为辅,不应本末倒置,从而导致审批效率低下,回到原始时代。
那么,怎样的否决分布才是合理的呢?在灰色地带(cutoff附近),代表模型给出的决策模棱两可,那么否决比例会比较高。但如果模型是具有排序性的,那么离cutoff越远,好坏的界限就应该越清晰,否决比例也应该越低。因此,否决分布呈现cutoff处高,而往低分段和高分段呈现衰减趋势,如图3所示。注意,实际否决分布并不一定服从正态分布,而且最大否决比例也是因各家而异。
图 3 - 合理的否决分布Part 5. 否决报告记录及报表
人工否决时,需要详细记录否决原因(override reason code),便于追溯案件和可解释性,这将是一块宝贵的数据。另一方面,否决报告也将约束规范信审人员行为,降低操作风险(operation risk)。例如,内外勾结,联合骗贷。
设计否决报告日志,可考虑落实到日期、否决原因、产品线、订单号、借款人、模型编号、信用分、信审人员。其中否决原因可由信审主管组织大家头脑风暴,确定否决原因的大类、小类以及其他(为应对新出现的事件)。
图 4 - 否决报告日志同时,我们也需要周期性统计否决原因分布,形成报表。
图 5 - 否决统计报表Part 6. 否决报告对模型优化的指导
风控模型在迭代过程中总会遇到瓶颈——我们该如何寻找优化思路?
如果我们的模型足够好,那么人工否决比例就会很低,也就是说两者的一致性会很高。从这个角度看,模型优化的思路可以从否决样本上去寻找。
例如,人工信审给出一批借款人的信用卡账单消费地点与平时生活地点并不一致,那么我们就有理由怀疑账单造假。因此,我们将在反欺诈模型中加入“消费地点与平时活动地点是否一致”的特征来提升模型。
致谢
感谢参考资料中的作者,尤其是《现代信用卡管理》的作者——陈健老师。本文主要是一些阅读笔记,仍有理解不到位之处。
版权声明
欢迎转载分享,请在文章中注明作者和原文链接,感谢您对知识的尊重和对本文的肯定。
原文作者:求是汪在路上(知乎ID)
原文链接:https://zhuanlan.zhihu.com/p/81152807/
??著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处,侵权转载将追究相关责任。
参考资料
现代信用卡管理_百度百科
以上是关于贷前风控策略审批及决策引擎——策略审批架构搭建的主要内容,如果未能解决你的问题,请参考以下文章