模型|风控之术：策略和模型( 二 )

用反欺诈、黑名单等能找出的负面用户，好办，直接拒绝就行。用内外部数据能高效识别风险的也好办，低风险的通过，高风险的就拒绝。除了授信通过与否这个策略外，再有的就是额度和息费。
差异化也是根据风险。难办的其实就一个象限，信息薄也没有负面的客群。这其实是最主要的获客客群。
这样的客群，要尽可能细分，再差异化触达。
之所以要差异化触达，是风控很求稳，不管前端流量如何，全靠策略模型去防控风险是很危险的。相同的策略，不同的流量来源，风险差异可能都很大。
信息厚的可以预授信的客群越多越好，想方设法吸引他们来申请就可以了。信息薄的要精挑细选，让那些稍微好的来申请，对那些不好的先看看能不能让他们变成好的，能的话就再触达。
具体点：在商城买很多东西的人，让他们赶紧来借款；在商城不买东西的人，可以先运营他们来买东西；买完东西后还不能判断的人，不主动触达用户了，用户自己来了，策略模型能通过但可信度不高的，给他低额度试用就行；等他表现好了，暧昧关系稳了，就提额接着玩。
三、模型【模型|风控之术：策略和模型】模型是应用多方数据源建模拟合风险标签，从多个维度对用户风险进行预估。也可以对数据源或者数据维度单独建模，得到多个单一维度的评分，再上层融合成最终评分。子评分和主评分可以弹性地被应用于策略。
例如互金行业的三方数据就集中在多头这个维度，三方数据源就有很多家，把这些数据源的多头变量汇总在一起建模，就可以叫一个多头共债模型。对单一数据源的建模，就是定制化联合建模。
模型怎么建，一部分取决于模型团队的开发部署能力，另一部分取决于策略的应用水平。
大数据风控模型和传统评分卡模型相比，本质区别就在于特征多不多。随着模型从 LR 到 XGB 甚至深度学习的发展，一般会用上尽可能多的变量，变量维度也不予设限。
数据越多不一定效果越好，但数据越多样，越多越好这句话一般就没错。
少数头部平台有一些有效的自有数据，如京东、淘宝的电商，腾讯的社交，百度的搜索数据在信用评估里有效性都很低。
数据不自有，就要依托于第三方。尤其是多头数据，极大程度地依托于第三方征信数据服务商。于是，数据存在较大的接入成本，而数据源之间又存在一定的共性。
模型团队的开发能力，就包括三方数据源的评估能力，特征开发的能力和快速建模能力。
一个模型分肯定比多个模型分用起来更简单，精细化运营又使得业务就需要多个模型解决问题。模型可以往复杂方向设计，策略也要有能力去落实应用。
最常见的模型是 LR 评分卡模型和 XGB 模型，需要解释性强就用 LR，不需要都可以上 XGB。额度定价模型可能需要采用深度学习的解决方案。
最后，由于信贷产品的多样化和市场的多变性，策略和模型都是需要快速迭代不断调整的，往往追求效果比追求稳定更重要。策略和模型之上，要做好监控。
本文由@雷帅原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议