模型|风控之术：策略和模型

编辑导语：风控之本，是策略和模型。如今市场变化多端，策略和模型都是需要快速迭代不断调整的，本文作者讨论了策略和模型之间的联系。策略和模型该怎么做？作者对此进行了通俗易懂的描述，话不多说，跟着作者的思路走吧！

文章插图
风控之术是什么呢？很多人都知道，策略规则和模型呗。其实这个问题很简单，风险管理部门就是在做策略和模型，自然这就是术。大数据风控怎么做，本质就是大数据怎么用的问题，两个用法。
简单地用，是策略规则；复杂地用，是模型。
一、策略和模型的关系简单规则是策略，模型规则其实也是策略。这里我们按照惯例，把模型组和策略组的工作分开来。
1. 模型重，策略轻实际上，初进入一个领域，是不需要建模型的。政策和运营就可以进行冷启动了，做什么客群，怎么去触达，设置什么额度和息费，这些问题一开始跟模型都没关系。
另外，有些时候也来不及做模型，策略可能就会使用一些变量来做强规则或者软规则。那么，后续做模型变量筛选时，就要考虑到策略因素的影响，尽量不使用同类变量，避免策略调整对模型稳定性产生强干扰。
有时你会发现，策略往往选用区分度强的变量，而其他变量不足以让模型有一个好的表现。策略用变量毕竟只用极端，通常是这样，为了追求更好的效果，模型往往还是会什么都用。
因此，如何协调和改善模型策略构建流程，是我们需要思考的业务问题，同时也是技术问题。
一般来说，金融机构会先制定准入规则，可以是基于经验的规则，也可以是基于数据的可变规则。经验规则很少调整，可变规则则需要定期分析动态调整。
通过分析各类数据源的变量对风险的排序性，挑出其中 IV 值高风险区分性好的，设置合适的阈值作为准入标准。或者通过组合多个变量，采用决策树进行最优组合的查找，可得到多变量组合规则。这些都是可变规则。
在大数据的背景下，有时简单的规则并不能很好地区分借款人的好坏，通过建立机器学习模型减少误判越来越重要。尤其是当客群逐渐下沉，策略已经很难找出高收益客群，必须依赖模型从矮个里面拔高个。
2. 模型准，策略稳可变规则，因为用到的变量少，规则简单可解释，一般都会比较稳。即使数据发生波动，分箱处理天然就进行了缓释。
大数据模型，变量少说上百个，多则上千上万维，更不要说他们的交叉组合，可以更精准地对好坏用户区分。数据的波动基本都会反应到模型分的波动。
风控在于应用简单或复杂技术从多个视角对用户进行风险排序，策略和模型分属这两类。
二、策略策略的三板斧：客群细分、触达客户、额度息费。
我不是做策略的，但我常想，策略做的事情到底是在干什么呢？想来想去，就上面 12 个字。
客群细分说的是不同的人走的策略肯定是不一样的。那第一步就是把相同的人分在一起，不同的人不分在一起。
怎么分？用数据去分。
因为外部数据是有成本的，数据的使用原则就是先内部后外部，先低价后高价。根据可得的用户数据，可以分这么个象限。

文章插图
负面强信息强，意思是说负面行为非常明确，例如在很多平台逾期，肯定就不能做；负面强信息弱，是说负面的置信度没那么高，基本也不做；负面弱信息强，拿到了用户很多信息都没发现是坏人，肯定得做；负面弱信息弱，啥也不知道，就努力去做吧。