贷前风控策略审批及决策引擎——策略审批架构搭建

Posted 2023-04-02 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。

知乎文章

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
1. 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。

图 2 - 否决矩阵

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。