編輯導語：風控之本，是策略和模型。如今市場變化多端，策略和模型都是需要快速迭代不斷調整的，本文作者討論了策略和模型之間的聯系。策略和模型該怎么做？作者對此進行了通俗易懂的描述，話不多說，跟著作者的思路走吧！

風控之術是什么呢？很多人都知道，策略規則和模型唄。其實這個問題很簡單，風險管理部門就是在做策略和模型，自然這就是術。大數據風控怎么做，本質就是大數據怎么用的問題，兩個用法。

簡單地用，是策略規則；復雜地用，是模型。

一、策略和模型的關系

簡單規則是策略，模型規則其實也是策略。這里我們按照慣例，把模型組和策略組的工作分開來。

1. 模型重，策略輕

實際上，初進入一個領域，是不需要建模型的。政策和運營就可以進行冷啟動了，做什么客群，怎么去觸達，設置什么額度和息費，這些問題一開始跟模型都沒關系。

另外，有些時候也來不及做模型，策略可能就會使用一些變量來做強規則或者軟規則。那么，后續做模型變量篩選時，就要考慮到策略因素的影響，盡量不使用同類變量，避免策略調整對模型穩定性產生強干擾。

有時你會發現，策略往往選用區分度強的變量，而其他變量不足以讓模型有一個好的表現。策略用變量畢竟只用極端，通常是這樣，為了追求更好的效果，模型往往還是會什么都用。

因此，如何協調和改善模型策略構建流程，是我們需要思考的業務問題，同時也是技術問題。

一般來說，金融機構會先制定準入規則，可以是基于經驗的規則，也可以是基于數據的可變規則。經驗規則很少調整，可變規則則需要定期分析動態調整。

通過分析各類數據源的變量對風險的排序性，挑出其中 IV 值高風險區分性好的，設置合適的閾值作為準入標準?；蛘咄ㄟ^組合多個變量，采用決策樹進行最優組合的查找，可得到多變量組合規則。這些都是可變規則。

在大數據的背景下，有時簡單的規則并不能很好地區分借款人的好壞，通過建立機器學習模型減少誤判越來越重要。尤其是當客群逐漸下沉，策略已經很難找出高收益客群，必須依賴模型從矮個里面拔高個。

2. 模型準，策略穩

可變規則，因為用到的變量少，規則簡單可解釋，一般都會比較穩。即使數據發生波動，分箱處理天然就進行了緩釋。

大數據模型，變量少說上百個，多則上千上萬維，更不要說他們的交叉組合，可以更精準地對好壞用戶區分。數據的波動基本都會反應到模型分的波動。

風控在于應用簡單或復雜技術從多個視角對用戶進行風險排序，策略和模型分屬這兩類。

二、策略

策略的三板斧：客群細分、觸達客戶、額度息費。

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？想來想去，就上面 12 個字。

客群細分說的是不同的人走的策略肯定是不一樣的。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？用數據去分。

因為外部數據是有成本的，數據的使用原則就是先內部后外部，先低價后高價。根據可得的用戶數據，可以分這么個象限。

負面強信息強，意思是說負面行為非常明確，例如在很多平臺逾期，肯定就不能做；負面強信息弱，是說負面的置信度沒那么高，基本也不做；負面弱信息強，拿到了用戶很多信息都沒發現是壞人，肯定得做；負面弱信息弱，啥也不知道，就努力去做吧。

用反欺詐、黑名單等能找出的負面用戶，好辦，直接拒絕就行。用內外部數據能高效識別風險的也好辦，低風險的通過，高風險的就拒絕。除了授信通過與否這個策略外，再有的就是額度和息費。

差異化也是根據風險。難辦的其實就一個象限，信息薄也沒有負面的客群。這其實是最主要的獲客客群。

這樣的客群，要盡可能細分，再差異化觸達。

之所以要差異化觸達，是風控很求穩，不管前端流量如何，全靠策略模型去防控風險是很危險的。相同的策略，不同的流量來源，風險差異可能都很大。

信息厚的可以預授信的客群越多越好，想方設法吸引他們來申請就可以了。信息薄的要精挑細選，讓那些稍微好的來申請，對那些不好的先看看能不能讓他們變成好的，能的話就再觸達。

具體點：在商城買很多東西的人，讓他們趕緊來借款；在商城不買東西的人，可以先運營他們來買東西；買完東西后還不能判斷的人，不主動觸達用戶了，用戶自己來了，策略模型能通過但可信度不高的，給他低額度試用就行；等他表現好了，曖昧關系穩了，就提額接著玩。

三、模型

模型是應用多方數據源建模擬合風險標簽，從多個維度對用戶風險進行預估。也可以對數據源或者數據維度單獨建模，得到多個單一維度的評分，再上層融合成最終評分。子評分和主評分可以彈性地被應用于策略。

例如互金行業的三方數據就集中在多頭這個維度，三方數據源就有很多家，把這些數據源的多頭變量匯總在一起建模，就可以叫一個多頭共債模型。對單一數據源的建模，就是定制化聯合建模。

模型怎么建，一部分取決于模型團隊的開發部署能力，另一部分取決于策略的應用水平。

大數據風控模型和傳統評分卡模型相比，本質區別就在于特征多不多。隨著模型從 LR 到 XGB 甚至深度學習的發展，一般會用上盡可能多的變量，變量維度也不予設限。

數據越多不一定效果越好，但數據越多樣，越多越好這句話一般就沒錯。

少數頭部平臺有一些有效的自有數據，如京東、淘寶的電商，騰訊的社交，百度的搜索數據在信用評估里有效性都很低。

數據不自有，就要依托于第三方。尤其是多頭數據，極大程度地依托于第三方征信數據服務商。于是，數據存在較大的接入成本，而數據源之間又存在一定的共性。

模型團隊的開發能力，就包括三方數據源的評估能力，特征開發的能力和快速建模能力。

一個模型分肯定比多個模型分用起來更簡單，精細化運營又使得業務就需要多個模型解決問題。模型可以往復雜方向設計，策略也要有能力去落實應用。

最常見的模型是 LR 評分卡模型和 XGB 模型，需要解釋性強就用 LR，不需要都可以上 XGB。額度定價模型可能需要采用深度學習的解決方案。

最后，由于信貸產品的多樣化和市場的多變性，策略和模型都是需要快速迭代不斷調整的，往往追求效果比追求穩定更重要。策略和模型之上，要做好監控。

本文由@雷帥 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議