智能风控-策略体系

概述

风控策略是指根据不同业务场景和客群，通过一系列规则策略与模型策略的组合，对客户的风险进行判断，从而实现准入、反欺诈、授信、风险定价和催收等阶段目标，最终达成风险控制的目的。

风控策略的核心目标是将风险控制在合适的范围。但是风险并不是越低越好，应该在遵守监管政策和满足客户利益的前提下，实现收益的最大化。要想收益的最大化，因此也要了解信贷业务的利润组成，其中信贷业务的利润 = 息费收入 - 运营成本 - 坏账损失。

息费收入是金融机构的主要收入来源。但是息费不是越高越好，因为首先需要满足金融行业的政策要求，其次息费的高低会直接影响信贷产品吸引的客群质量。因此我们需要制定合理的风险定价策略给予不同客户合适的费率。

运营成本是指金融机构运营过程中产生的各项成本。运营成本主要包含有获客成本、数据成本、人力成本和资金成本等，因此需要在风险可控的前提下持续优化经营成本。

坏账损失是评估金融机构中的业务是否健康的重要指标。当然坏账并不是越低越好，需要在业务的发展速度和盈利水平之间均衡。

因此金融机构应该通过合理定价以提高收入、优化流程以降低运营成本、改进风控策略以降低风险，找到风险与收益的平衡点，从而实现收益的最大化。

方法论

规则分析方法

规则是基于特征的一系列判断条件的组合，例如男性、年龄特征，制定 年龄大于50岁且为男性 规则。

规则策略是指通过一系列规则对客户进行细分筛选，使得筛选出来的客户在风险或其他维度上与未被选中的客户存在明显差异，从而可以拒绝客户或接受规则命中的客户。当然风控规则的作用也就是准确识别出高风险人群，然后拒绝这部分用户，从而有效规避特定风险。

相较于模型，规则的优势如下：

规则能够识别出特定的风险点。
规则明确，具有可解释性。
规则的的灵活性高，可以根据风险变化对规则快速调整。

关于规则如何产生通常有两种方法：

人工。
量化。

制订人工规则

制订人工规则共分为两步：第一步就是寻找风险点。而第二步则是根据已知风险点制订人工规则。

寻找风险点
- 市场调研。指通过公开信息、同业反馈等方式进行调研，为风控策略提供可参考与借鉴的风险信息。
- 信审人员和催收人员反馈。信审人员与催收人员会审阅贷款申请人的相关资料，或者通过电话与其直接沟通，此过程容易发现异常案件。
- 关联图谱识别。关联图谱是一种基于图的数据结构，是借款人之间有效的关系表达式。通过分析关联图谱，可以及时发现复杂关系中存在的潜在风险。
- 黑产分析。指通过互联网或者线下渠道收集相关得到欺诈情报或者线索，并基于此开展专题分析。
- 实时数据监控。通过分析和监控设备指纹（IMEI、WIFI）聚集性、地点（GPS、申请中的自填地址）聚集性发现其潜在的风险。
根据风险点制订人工规则
制订人工规则是指将风险点识别的过程中的潜在风险点量化成规则。其大致过程就是设计特征和规则阈值，为了使规则具有更好的灵活性，需要考虑特征的兼容性和可塑性。

制订量化规则

人工规则的制订主要依靠业务经验和市场调查结果为依据，量化规则则是基于数据与事实。

样本选取
样本选取需要遵守代表性、充分性、时效性和排除性四个原则。其中对时效性的要求最高，需要选择使用最近的有表现的样本集，因为只有近期样本的贷后风险才能代表当前环境下真实的风险情况。
在样本集选取结束后还需要对样本集进行划分，一般划分为训练集（Train）和验证集（OOT），其中训练集用于规则开发，而验证集则用于规则效果验证。当然数据集的划分也是有其必要性，训练集保证规则有效的同时，验证集校验规则未来的适用性。
单规则的制订
单规则是指由单个特征形成的风险规则。其优点是可解释性较强，便于线上监控和调整。单规则的制订有 IV 分析法和极端值检测法两种方式：
- IV 分析法
  IV 分析法是指基于特征分箱后的结果与目标变量进行交叉统计，通过 IV 值的大小选择对目标变量区分度大的特征，计算特征每一分箱对应的逾期率，发现特征中高风险的分箱区间，从而提取有效的风险规则。
  特征分箱是指将连续特征离散化，通常选择等距分箱或决策树分箱方式进行特征分箱，不使用等频分箱是因为等频分箱会将少数极端样本与正常样本划分到一箱，掩盖可能的高风险群体。
- 极端值检测法
  极端值检测方式假定不良（bad）客户区别于其他客户，不良客户在特征上的表现集中在极端值处，即特征值越小或越大，不良客户的比例越高。基于此可以使用分位数，枚举可能的极端值将其作为阈值，然后制订单规则。
  但是使用极端值检测方式容易受到样本量小的影响而产生波动，因此需要均衡考虑规则命中率（hit_rate）和命中坏样本率（hit_bad_rate）的关系。
组合规则的制订
组合规则是指基于常识、业务经验和数据挖掘技术，将两个或多个不同特征进行组合而形成的规则。相比单规则，组合规则可以筛选出同时满足多个特征的细分人群，实现人群的精准刻画。

规则评估

在制订规则后需要对规则进行合理评估。评估规则可以帮助我们从不同的角度发现规则的价值和不足。

规则效果
规则效果是规则评估的重要维度。在不同的时间窗口，规则效果评估的差异较大，则需要判断是规则无效还是客群变化引起的，必要时需要及时调整规则阈值，然后再次进行评估。
规则的效果主要体现在样本逾期率（hit_bad_rate）和整体逾期率（total_bad_rate）的倍数差异，即提升度（lift）。因此需要根据业务经验，确定提升都或者判断命中样本逾期率的值是否达到业务拒绝阈值，以确定规则是否有效。
left 为规则提升度，表示此规则对不良客户的识别能力高于随机识别的倍数。
规则的稳定性
规则的稳定性主要体现在时间窗口的规则命中率、命中量是否稳定。在训练集中命中样本较少的规则一般来说都不太稳定，有可能是随即导致的，因此需要重点验证其在验证集样本上的命中率和逾期率的稳定性。
规则的收益性
规则能够拒绝一部分不良客户，但是有时候还是会误伤一部分的好客户，另外规则本身可能有额外的数据成本，因此我们需要对规则的收益性进行评估。
规则的收益性评估是指从 利润最大化 角度出发，评估引入的规则是否能真正为业务带来利润。
规则收益性评估主要包含以下方面：
- 数据单价：规则所使用的数据源单词调用价格。
- 命中率：外部规则在放款样本上的命中率。
- 规则命中坏账率：命中放款样本上的坏账率。
- 盈亏平衡坏账率：当坏账率为此数值时，放款的收益等于成本与损失之和。
- 件均：放款金额平均值。

规则上线

规则上线是将已经制订完成且评估有效的规则在决策引擎中进行配置并发布到生产环境中。
决策引擎是一套用于部署风控规则、机器学习模型，进行风控策略实验并输出决策结果的系统。决策引擎为风控策略的快速实施带来了极大便利，其主要功能包括配置规则、决策表、评分卡、决策流、模型管理、额度管理和账期利率管理等。

在规则上线之后我们需要对已上线的规则进行及时的验证，确保规则执行与预期一致，通常从以下四个方面进行验证：

阈值是否正确
判断线上应用的规则阈值与线下制订规则时的阈值是否一致。
A/B 测试分流比例是否正确
A/B 测试分流比例也是验证项之一，如果决策引擎中 A/B 测试分流比例配置正确，那么正常情况下实际分流比例与配置比例基本一致。
规则命中率是否正常
规则命中率是触发规则与进入规则数量的比值。规则命中率异常将直接导致影响线上实际业务的风控转化率。
规则回顾
规则回顾是指对线上测试中的空跑或者 阈值实验 分流组再次进行效果评估，目的是验证规则上线后的实际效果是否得到延续。

模型策略分析方法

模型策略是基于已有风控模型制订最优决策的整体方法，已有风控模型决定了模型价值是否能够被充分发挥，直接影响信贷业务的盈利水平。
模型策略分析流程主要包含样本提取、模型策略的制订、模型策略评估、模型策略的上线与验证和模型策略回顾。

样本选取
样本选取是指选取制订模型策略所需的样本集，通常包括风控模型开发的跨时间验证集（OOT）和近期授信样本集（BackScore）。跨时间验证集需要包含订单标识、模型分和逾期标签列，近期授信样本集需要包含订单标识和模型分列。
模型策略的制订
模型策略的制订主要决定模型的组合方式和阈值。在制订方案时需要平衡转化率和坏账率之间的关系，以实现收益最大化。
模型策略应用方案可分为以下两种：
- 单模型策略
  单模型策略是指利用单一模型分进行决策，故只需要确定单一模型的最优决策点。通常单模型适用于以下场景：信贷业务开展前期，线上只有一个模型；信贷业务开展中期，虽然线上模型增多，但模型间关联性较强。
  单模型通常有以下几种制订方式：
  - 基于模型通过率和坏账率的决策点设定
    在模型通过率和坏账率之间寻找一个决策点，理想的状态是该决策点的设立可以提高通过率并降低坏账率，但是在现实中则会出现其他情况：保持目标模型通过率，降低坏账率；提升模型通过率，保持坏账率；提高模型通过率，同时降低坏账率。
  - 基于 lift 的决策点设定
    lift 表示风控模型对预测目标中不良客户的识别比例高于随机识别比例的倍数。通常情况下，lift 的值越大越好。
- 多模型组合策略
  多模型组合策略是基于两个或多个以上模型分组合生成的模型应用方案。多模型的优势在于：能够充分发挥多个模型之间的性能互补；内外部模型组合的使用能够有效降低数据成本。
  多模型组合策略的应用方式有以下几种：
  - 多模型融合准入，通常是指利用加权或者其他方式将多个模型分融合成一个模型分，再划分风险等级上线决策。
  - 多模型串行准入，通常是指将多个模型以串行的方式按照先后顺序依次决策准入，前一个模型决策通过的样本再经过下一个模型决策进行评估，以此类推，直至最后一个模型生成风险等级。
  - 多模型交叉准入，通常分为两个阶段：准入阶段，由前置模型完成；交叉阶段，由后置的两个模型共同生成风险等级。
模型策略评估
从业务角度关注新模型和旧模型之间的性能差异，通常会用到交换集分析（swap set analysis）和拒绝推断：
- 交换集分析
  交换集分析是指利用新旧模型通过和拒绝客户不一致的情况，通过分析这些不一致的客户对坏账率和通过率的影响以评价模型策略的效果。
  换出（swap out）是指新模型拒绝而旧模型通过的客群，换入（swap in）是指新模型通过而旧模型拒绝的客群。通常希望新模型能够换出更多的不良客户，换入更多的好客户，从而用好客户代替不良客户，以降低整体的坏账率。
- 拒绝推断
  如何进行合理的拒绝推断呢？最直接的方式就是利用新模型各分数段在有表现样本上的坏账率来估算旧模型拒绝样本上的坏账率。
  但是上述结果也是存在问题的，因为此时的坏账率是在旧模型通过的条件下计算出来的，而要想推断新模型的坏账率则需要进行一定的处理：Universe Test 推断；A/B 测试组推断；线性拟合推断。
模型策略上线和验证
与规则上线类似，模型策略上线确保其线上实际执行效果与预期一致，主要有以下三个方面：
- 模型阈值是否正确。
- A/B 测试的分流比例是否正确。
- 模型通过率是否符合预期。
模型策略回顾
模型策略回顾就是使用线上数据定期验证模型策略 A/B 测试的方案，最终基于比对的情况，选择适合当前环境的方案来进行决策。

额度/利率/账期策略分析方法

额度/利率/账期策略是基于产品属性或客户的某些特性制订的差异化方案。在符合监管的要求下差异化的额度/利率/账期可以保证金融机构的收益最大化。从金融机构的收益角度来看，差异化的额度/利率/账期可以保持件均额度不变的情况下，有效降低金额损失率；或者在贷后损失率不变的情况下，提升件均额度，从而提高金融机构的利润。

额度/利率/账期策略的制订
额度/利率/账期策略是设定借款人的授信额度方案，而额度策略又可以分为：
- 单一额度策略。对于首贷用户可以设置相同的额度；而对于复贷用户，可以随着贷款次数逐步增加额度。
- 单因子额度策略。将单个维度数据作为额度差异化的依据，基于信用评分模型给出的风险等级给出差异化的额度。
- 多因子额度策略。将客户更多维度数据作为额度差异化的依据，使用多项数据组成额度矩阵根据用户的风险等级和还款能力组合出最适合的额度。
策略评估
策略评估即对比使用前和使用后的真实贷后差异，如在件均不变的情况下，观察能够降低多少的坏账率。
策略的上线与验证
在明确策略的 A/B 测试方案后，需要在决策引擎中配置相应的方案，设置分流比例等其他参数，确保及时、准确地分布。
为了确保策略上线后的实际运行情况与预期一致，需要从以下三个方面进行验证：配置是否正确；A/B 测试分流比例是否正确；件均额度是否符合预期。
策略回顾
在策略的 A/B 测试方案线上稳定且有贷后数据表现时，需要及时进行策略回顾。因为即使同一风险等级，在有额度差异的情况下，坏账率也会存在显著差异，因此需要从利润最大化的角度来选择最适合的方案。另外随着信贷市场的变化，也需要重新定制新的 A/B 测试方案，如此才会适应市场变化，满足客户需求。

`A/B` 测试

A/B 测试也可以被成为冠军挑战者实验，是指在同一时间、同一对象上测试多种方案，并通过分析找到最优的方案。也就是说需要提前式设计多种方案，然后对同一客群的不同客户应用不同方案，分别记录每种方案对应客户的使用或转化指标，最后通过分析选择出最优的方案，并确定是否要推广到全部流量中。

方案设计
A/B 测试方案设计主要包含：确定实验组和对照组的内容；流量分配。
在金融风控领域，A/B 测试主要用来验证新旧模型或规则的效果是否存在显著差异，即实验组对应新模型策略，对照组对应旧模型策略。在流量分配方面，因为新模型策略的实际效果未知，因此一旦出错容易造成资金流失。最终在流量分配方面，实验组会获得少量流量，对照组会获得较多流量。
测试结果分析
A/B 测试结果分析主要基于两部分：
- 实验有效性判断，主要包含：判断测试的样本量是否达到所需的最小样本量，从而可以尽快可能地避免两类统计（无效判断为有效，有效判断为无效）错误的发生；判断样本的有效性，即判断采用 A/A 测试结果得到两组之间是否存在显著差异，若不存在显著差异，则任务测试效果有效。
- 测试结果的比较，在对测试有效性判断之后，就可以对结果进行比较，通常会比对实验组和对照组的结果，判断他们之间是否存在显著差异，从而判断新旧方案在业务方面是否有显著提升。
注意事项
- 流量分配，要保证同时性、同质性、唯一性和均匀性。
- 上线后的数据验证，确保实验组和对照组指标符合预期，否则需要排查和修复异常并重新开始测试。
- 多测试同时展开，不是同时开展一个测试，在确保其他变量可控和流量可分的情况下，可以开展多个测试。

策略体系搭建

风控策略体系的搭建是指贯穿营销、贷前、贷中和贷后的完整策略体系架构，因此需要在各个阶段设置合适的风控策略，灵活运用规则和模型的组合，才能做到有效的风险控制并取得收益最大化。

营销阶段

营销策略是指在营销获客阶段执行的策略，用于排除高风险客户，选择高响应客户，以达到降本增效的目的。
从客户的类型来划分，营销可以分为针对纯新客的营销和存量客户的营销。纯新客是指没有在本金融机构完成借款的客户，金融机构可以获取的客户信息较少；而存量客户是指在本金融机构已经存在借款记录的客户，金融机构可以获得的信息较为丰富。
从客户的来源来划分，可以分为已有名单的客户和第三方导流的客户，虽然客户的来源不同，但是基本的营销策略类似，都是排除高风险客户，然后选择高响应客户，最后针对高响应客户进行营销和接下来的授信。

排除高风险客户
排除高风险客户可以采用以下措施：
- 黑名单。此部分数据来源于营销名单中的黑名单和逾期客户的黑名单。
- 风险规则。
- 流量筛选模型。
选择高响应客户
排除高风险客户之后，可以进一步对营销概率更高的客户进行筛选，选择高响应客户可以采用以下措施：
- 高响应规则。
- 营销响应模型。

贷前阶段

贷前策略是针对客户的信贷申请制订的策略，用于拦截逾期概率高的客户，并对客户匹配合适的产品。贷前策略主要包括风险准入策略、反欺诈策略、信用评估策略和贷前额度策略。

风险准入策略
风险准入策略是判断借款客户身份是否符合当前业务准入条件的策略。风险准入策略可以降低非目标客户带来的风险，其主要是依据信贷产品定位和政策要求制订，主要包含身份信息认证、基础信息准入、黑/白名单策略和其他准入策略。
- 身份信息认证。
  身份认证信息包含身份证信息认证、人脸比对认证、银行卡四要素认证和运营商三要素。
- 基础信息准入。
  基础信息准入是判断借款人是否符合当地的信贷政策，以验证客户身份是否符合法律法规和相关的政策要求。基础信息的准入可以归纳为：年龄准入；贷款用途准入；地域准入；行业准入。
- 黑/白名单策略。
  黑名单包含金融机构拒绝放款的客户，主要包含有历史严重逾期客户、存在欺诈行为客户、存在违法行为客户和恶意投诉客户。
  白名单是金融机构将资产信用良好的客户单独整理出来的名单，与黑名单相比，白名单是命中即通过。
- 其他准入策略。
  金融机构根据自身的风险偏好，根据历史记录得出的一些简单、可靠的判断准则纳入风险准入策略。
反欺诈策略
反欺诈策略是为了防范恶意客户采取欺诈行为谋取利益的策略，目的是通过对欺诈行为的识别，遏制欺诈风险，及时止损。
目前应对欺诈风险的有效措施包括反欺诈规则和反欺诈模型。
- 反欺诈规则。
  反欺诈规则的优点：能够有效遏制特定的欺诈行为；可解释性强，应对欺诈手段可以快速调整。
  常见的反欺诈规则如下：
  - ID 关联异常。例如身份证号、手机号、银行卡号和设备号存在一对多的异常关联。
  - App 操作行为异常。例如操作时间过短或某些操作之间的时间间隔过短。
  - 位置行为异常。例如短时间内 GPS 移动距离过大。
  - 安装高风险类 App。例如安装作弊类、欺诈类、赌博类等 App。
  - 移动设备异常。例如设备有 root 记录、安装有模拟器等。
  - 交叉验证信息不一致。例如 GPS 定位地址、工作地址、居住地等地址信息对比不一致。
  - 特殊手机号。例如虚拟手机号。
  - 特殊银行卡。例如虚拟银行卡。
  - 紧急联系人异常。例如借款人和其他借款人有相同的紧急联系人。
  - 团伙欺诈特征。例如相同公司、相同地址等。
  - 社交关系网络风险。例如一度/二度联系人申请比例过高。
  - 疑似撸贷。例如短期内多次提前还款然后再次立刻借款。
  - 身份欺诈。例如同一人像却对应不同的证件。
- 反欺诈模型。
  反欺诈模型是通过机器学习算法将客户各个维度的数据特征与欺诈行为建立关联关系，并给出欺诈的概率。
  反欺诈模型的优点：可以充分利用弱特性；对抗性好，可增加欺诈成本。
  常见的欺诈模型包含有监督学习和无监督学习。
信用风险策略
信用风险是指客户在有偿还意愿的前提下因偿还能力不足或其他原因而产生的风险。即为了防范正常客户因偿还能力不足导致逾期风险而制订的策略，其目标就是合理评估客户的偿还能力，保证客户能在借款到期时能够及时履约。
目前有效的信用风险策略包含：
- 信用风险规则。
  信用风险规则侧重客户的资产负债情况，如收入水平、负债水平、借贷信用历史等。其优点在于：识别准确性较高；可根据业务变化及时调整。
- 信用风险模型。
  信用风险模型是将客户多维数据特征整合，利用机器学习算法训练得到，通常采用有监督学习方式。
贷前额度策略
贷前额度策略是为新客户授予初始额度的策略。信贷产品的设计共分为两类：一类是对客户单次授信单次借款的模式，另一种则是对客户授予额度并可以多次支用的的循环额度模式。

贷中阶段

贷中策略是针对在贷客群制订的一系列策略，用于降低在贷客户风险，提高在贷客户价值。
当申请人通过了贷前审核，成为金融机构的客户，因此我们希望客户可以持久和更多的使用我们的信贷产品，为了持续带来营收、最大限度留住客户、延长使用期限，随着时间的变化，客户的还款能力可能发生变化，因此金融机构要及时做出调整，这体现了贷中策略的重要性。
贷中策略主要针对的是使用循环额度模式的信贷产品。

贷中支用策略
客户在获得授信之后，可能在贷中发生多次支用行为，但是客户的资质是在持续变化，因此每次支用时都应当检查客户的风险情况。
- 支用风险规则。
- 支用风险模型。
贷中额度策略
对在贷客户进行风险评估，重新确定客户的授信额度并加以调整，以提升客户满意度，提高客户价值。对于低风险客户，最直接激励的方式就是调额。而对于高风险客户最有效控制损失的方式就是降低额度。
对于贷中额度的调整可以从以下方面入手：
- 风险规则。对于潜在风险较高的客户，应该禁止调额，可以通过类似贷前和贷中支用的风险规则进行拦截。
- 使用规则。额度使用率较低的客户没必要进行调额，可以通过制订规则将这部分客户排除。
- 贷中行为模型。

贷后阶段

贷后模型主要针对的是逾期客户的一系列策略，用于提高催收效率，提升催收回款率。
常见的催收还款方式有：

短信。
电话。
电子邮件。
上门催收。
法院诉讼。

按照渠道催收可以分为内部催收和委外催收，内部催收即金融机构安排内部员工催收，而委外催收就是委托三方机构或人员来催收。

根据逾期持续的时长，催收可以被划分为早期催收、中期催收和晚期催收三个阶段，具体时间是根据金融机构的产品形态和回款率衰减情况设定的：

早期催收。早期催收阶段是整个催收管理流程中最为重要的一个阶段。该阶段的逾期客户的特点：逾期客户量很大；还款率较高。其中风险等级较低的大部分客户并非恶意拖欠，可能是忘记还款日期或者临时资金短缺，一旦提醒就会立刻还款。
中期催收。中期催收阶段的客户风险较高，相较短期逾期客户，还款率大幅降低。在此阶段应对各个风险等级的客户加大催收力度，多采用电话催收方式。
晚期催收。在晚期催收阶段的逾期客户数量已经大幅减少，但每个逾期客户的还款率都极低。一般来说逾期至晚期催收阶段的客户没有还款意愿或还款能力。此阶段应该关注风险等级较低的客户，对于风险等级较高的客户可以委外处理或资产转让。

另外还可以将需要催收的客户进行等级划分，采用催收规则和催收模型结合的方式：

催收规则。根据客户的行为制订规则，以识别逾期后难以催收的客户。
催收模型。根据客户的贷中和贷后行为，建立催收模型，可以很好地预测客户在一定时间内是否还款，同时根据模型预测的还款概率，可以轻松的进行风险等级划分。

监控、预警和异常处理

风控策略在制订并上线部署之后，其执行的准确性和稳定性对信贷业务至关重要。

监控

为了能够在第一时间内发现风控策略的问题，因此需要全面的动态监控，可以从贷前转化监控、贷后逾期监控和资产监控三个维度进行监控

贷前转化监控
贷前转化监控是对客户从激活 App 到放款的整个流程中各个环节转化率的变化进行监控。转化主要涉及激活 App、注册、进件和放款环节，根据信贷业务流程将其归纳之后可以分为产品转化（激活 App 到进件）监控和风控转化（进件到放款）监控。
- 产品转化监控
  产品转化监控一般是指对客户从激活 App 到申请借款之前的转化率进行监控。通过产品转化监控可以发现客户在使用产品过程中出现流失的主要环节，然后可以优化对应步骤从而提升产品效能和优化体验。
  产品转化监控主要包含激活量、注册量和进件量等指标，时间周期可以是天、周或月等。必要时可以增加实时监控。
- 风控转化监控
  风控转化监控是指监控客户从进件到放款的转化率，涉及到的有规则策略、模型策略和人审策略等。
  风控转化监控的对象主要包含规则命中率、模型通过率、机审转化率、人审通过率和风控转化率等，时间周期一般以天、周、月和小时为主。
贷后逾期监控
贷后逾期监控是指对放款客户的逾期率进行相关指标进行监控。其可以及时的反应风控策略的有效性，发现市场风险的变化，以利于及时制订和调整风控策略，保证风险持续可控。
在针对不同的信贷产品，其贷后逾期监控的指标有所不同，因此在设计监控方案时应根据新老客户、不同渠道客群等分别监控，对于监控指标的设计可以考虑以下几点：
- 统计样本的口径。
- 统计的表现时间范围。
- 统计的对象。
- 统计的数值。
- 监控的更新周期。
资产监控
资产监控是指在一个周期内（一般是月或者季度）内对信贷业务放款量、放款金额和贷款余额等指标进行监控。其可以看到各个阶段的放款实际情况，从而控制放款节奏。资产监控包含有交易量监控和资产余额监控。
- 交易量监控
  交易量监控主要关注信贷业务的实际放款情况，监控周期一般以日为单位，监控指标有不同渠道的放款金额、放款量、平均放款额度、平均期限和预计全月放款额度等。
- 资产余额监控
  资产余额监控主要关注的是贷款余额变化，监控周期一般以周为单位，监控指标有贷款余额、未到期余额和逾期余额（可以分为不同逾期天数的在逾金额）等。

预警

风险预警是在监控指标变化超过合理阈值时进行报警，主要包含有贷前转化预警和贷后风险预警。风险预警可以通过企业微信、电子邮件、短信、飞书、钉钉、电话等方式进行报警。

贷前转化预警
贷前转化预警一般是指某一时段内的转化率指标值超过预警阈值，而预警阈值需要根据业务的实际运行情况进行设置，可以根据产品、渠道等拆分。
贷后风险预警
贷后风险预警的触发条件是到期日的风险指标超过预警阈值。预警阈值可以设置为过去某一段周期内平均值的 120% ，当实际值的变化波动超过 25% 时会触发预警。

异常处理

风险监控和预警只能通知在风控流程中发生的异常以及所处的阶段，而异常处理则是根据预警针对性的分析异常并给出对应的解决方案。
解决方案需要根据具体原因来确定，一般可以分为临时性解决方案、根本性解决方案和防止复发性解决方案。在没有找到根本原因时一般先采用临时性解决方案，而后基于数据、事实的分析找到真正原因，并根据真正原因制订对应的方案从根本上解决问题。

转化异常处置
转化异常处置通常是某时段的转化率突然升高或降低，因此需要分析对应原因并给出解决方案。
转化异常处理目前可以分为以下几个方面：
- 统计问题。确认各项指标的统计逻辑和数据报表是否正常。
- 产品异常。产品流程变更导致客户进件流程异常等。
- 规则策略问题。检查相应日期是否有规则调整且调整是否符合预期。
- 模型策略问题。检查相应日期是否有模型调整且调整是否符合预期。
- 数据问题。检查规则或模型使用的数据是否异常，包含三方数据和自有数据。
- 客群变化。在其他环节都没有问题的时候，判断是否为客群变化导致的异常。
贷后逾期异常处置
贷后逾期异常处置的情况通常是根据某日的贷后逾期率大幅提高，因此需要分析对应原因并给出解决方案。
贷后逾期异常处置的分享原因分析维度和处置方案如下：
- 统计问题。首先检查当日逾期率计算逻辑是否正常、报表数据显示是否正常、样本量是否满足统计显著性需求，以排除统计问题。
- 产品异常。检查客户还款或产品是否遇到其他问题。
- 风控策略问题。检查放款当日是否有策略调整。
- 催收问题。检查当日是否有催收策略调整或者催收人员管理问题。
- 客群或市场问题。若上述问题均未发现异常，则需要对客群进一步拆分以分析原因。

术语介绍

坏账
坏账是指金融机构发放的贷款未能按预先约定的期限、利率收回，并且很大程度上被认定为将来也无法收回。
转化率
转化率是指在一个统计周期内，完成某过程的次数与参与该过程的总次数的比值。转化率主要有下列三种：
- 机审转化率：在一个统计周期内，风控系统自动审核通过的订单与申请订单数的比例。
- 人审转化率：在一个统计周期内，信审人员审核通过的订单数与进入人工审核阶段的订单数的比例。
- 风控转化率：在一个统计周期内，放款订单数与总申请订单数的比例。
有/无监督学习
机器学习包含有监督学习、无监督学习和强化学习。
- 有监督学习从有标记的训练数据中推导出预测函数。有标记的训练数据是指每个训练实例都包括输入和期望的输出。一句话概括就是：给定数据，预测标签。
- 无监督学习是从没有标记的训练数据中推断结论。最典型的无监督学习就是聚类分析，它可以在探索性数据分析阶段用于发现隐藏的模式或者对数据进行分组。一句话概括就是：给定数据，寻找隐藏的结构。
- 强化学习关注的是软件代理如何在一个环境中采取行动以便最大化某种累积的回报。一句话概括就是：给定数据，学习如何选择一系列行动，以最大化长期收益。

引用

个人备注

此博客内容均为作者学习所做笔记，侵删！
若转作其他用途，请注明来源！

概述

方法论