《信贷风控审批中的决策否决管理》

Posted 2021-02-20 cx2016

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《信贷风控审批中的决策否决管理》相关的知识，希望对你有一定的参考价值。

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。