DetRank博士说｜一文看懂风控决策引擎

今天我们来聊聊消费金融业务中的风控决策引擎系统，到底它在信贷审批环节中起到了哪些至关重要的作用。

区别于别的行业，消费金融行业的业务在线上化、实时性、风控能力等方面对企业有着相对更高的要求，在进行信贷决策时需要在较快的时间范围内评估出放款建议、额度、利率等，传统的人工方式已经无法满足业务量级和用户体验上的需求，因此需要一套高效、精准的系统来完成自动化的审批、管理等工作。

风控决策引擎可以理解为是一个数据智能决策系统，它依托于海量的数据（变量）和预设逻辑，输出对应的风险决策结果。

风控决策引擎的本质是复杂审批逻辑思想的一个载体，是信贷风险审核的一种工具。

01

海量的数据（变量）

即指大数据，它包含了所有可能会影响最终用户借还款的数据变量，按风险类别来分类主要有信用类风险变量、欺诈类风险变量、作业类风险变量等。在风控决策引擎中用户可以通过指标管理（标签或变量）对指标进行增删改查、计算等操作，下图为常见几个风险指标及其对应属性、分类等：

02

预设逻辑

这里指的“预设逻辑”是规则与策略、决策流、评分卡、模型等风控逻辑概念同程，这些不同的逻辑配置模块共同组成了信贷审批中的各个决策节点并最终影响决策结果。

规则与策略模块

规则是由条件部分与决策结果组成，其中条件包含变量、运算符、运算值、条件间关系组成，决策结果部分包括决策模式与其对应的通过标准。例如：如下规则表达的含义是当条件组1、2、3、4中任意一个被满足时，则最终决策结果为拒绝。

决策流

决策流由多个节点与节点间逻辑组成，其中节点包含开始、通过、拒绝、人工审核、策略集，节点间逻辑包括通过、拒绝、人工审核、分流。

评分卡

评分卡是对变量进行再次赋值打分的功能，实质是规则的一种变形，类似于规则的评分模式，通过将多个变量的得分进行累加即可得到一个新变量，用于评估个人的信用等级与逾期风险。

模型

从严格定义上去区分的话，风控决策引擎中模型指的是模型是一种已经被封装好的变量，用来规则与策略中指标计算。而它的另一种含义指的是模型训练平台，作为嵌套在风控决策引擎中，为实际决策生产模型标签而服务。其主要包含模型构建、模型管理、样本管理3个部分，建模人员可通过可视化或编程方式进行特征工程与模型训练，并对模型效果进行在线评估与部署。

值得注意的是，在使用决策引擎进行规则配置时，我们需要遵从如下原则并通过调整规则的优先级与决策模式来实现风控成本与风控效果的平衡。

1	有效性角度：强规则＞弱规则，例如IV很强的变量可尝试作为强规则，一旦符合规则条件就直接拒绝，或者是作为决策模式是“一票否决”的策略中的规则。
2	成本角度：无成本＞低成本＞高成本，在进行不是以数据积累为目的风控决策时，可粗暴地根据成本的高低对规则进行优先级的排序，最大化减少调用外部数据源的成本。例如准入环节中的年龄&地域验证、内部风险名单等的优先级肯定是排在外部风险名单之前的。
3	效率角度：高效率＞低效率，在考虑到内外部数据源调用时长的差异、常规变量和模型变量调用消耗算力的差异等情况后，对低消耗规则的优先级进行升级。

另外，在实际操作过程中，也不一定按照以上原则进行，真实有效的风控规则一定是经过多角度的考量不断调试验证出来的。例如针对于近期行业政策波动、数据源不稳定等情况，风控策略可能更需要从合规性角度、调用稳定性、可替代性等角度去设计，避免频繁发生因变量的值无法调用而导致整个规则与策略的失效，造成经济损失与用户体验的下降。

03

风控决策结果

风控决策引擎的最终目的还是提供决策服务，根据不同的审批阶段输出不同的决策结果，例如在准入、反欺诈环节中通常的决策结果为Pass/Reject，而在授信与定价环节中则可能会输出评分卡得分与其对应的额度、利率等其他结果。

在完成配置以上的内容后，一条可用的风控决策流就算完成了。用户可以通过在决策引擎前端平台上进行调用前的单条与批量测试，在确认无误后向开发人员提交需求，完成业务订单系统与决策引擎的接口对接，实现调用（入参请求信息）与返回（决策结果信息）的准实时。

04

其他辅助与特色功能

当然一个完整的风控决策引擎还远远不止以上功能，比如调用明细与统计报表功能，其产出的决策通过率、指标调用成功率等关键指标都可以辅助风控策略人员结合贷后真实表现数据对规则与策略进行调整优化。

再比如监控预警功能，业务人员通过预先设置告警逻辑（当决策流a调用通过率＞30%，则邮件告警）来实现对风控决策有效性的监控，避免出现短时间内大量通过情况的发生。