风控场景全流程模型构建及运行通常

线上小额信贷经常出现的风控场景从阶段上可以划分为贷前、贷中和贷后。实践风控通常中或许还会有流量获客等场景，本次分享未展开。

贷前风控 是比拟关键的一环，关注点包括：身份核验、反欺诈危险评价、信誉危险评价、额度和费率的婚配。

贷中治理 是指在用户放款之后，对借款人的信誉危险启动跟踪和治理的环节。详细场景包括复贷准入和存量用户运营。复贷准入是指用户曾经有借款记载后再次支用的场景。存量用户运营是指对曾经放款的借款人所做的保养或治理等一系列运营优惠，比如对用户危险的再次评价、消息更新，以及新产品的推行促活等。

贷后治理 是指在用户存款到期之后的治理，经常出现的场景包括还款治理、客诉危险治理、失联预测。该环节倾向于线下的运营，模型或规定战略更多的是给运营同窗提供一些辅佐工具，不像贷前或贷中可以间接拿模型或规定来决策。

接上去详细引见各阶段场景上风控模型的搭建。

一、贷前风控

1、贷前风控的普通流程

在线上小额信贷的场景下，一个用户从进件到最终放款，普通会阅历这样一些环节：

◆准入战略：用户在进件之后或许会对其做一些准入战略，比如年龄或身份核验、反欺诈规定(如黑名单或逾期）。

◆模型前规定：过了准入战略后，用户会走到模型前的一些规定，这里普通会是一些无老本或低老本的规定。

◆授信模型：接着就会进到授信模型阶段，这里授信模型或许蕴含一组模型。

◆模型后规定：授信模型经过之后的用户或许会进到模型后规定，这些规定或许是相对较贵的规定，如征信数据。

最后给出用户评级，假设这里是多模型决策，用户评级可以经过决策矩阵给出。

这样设计关键还是基于平衡老本的思考，性能时大多会是外部数据在前，外部数据在后，构成一个老本漏斗，即曾经被前面的规定或模型拒掉的一些用户，就不会再走前面相对比拟贵的规定了。

咱们是怎样部署这样一套风控战略的？下图给出了系统交互的环节：

数据接入模块，包括外部和外部数据的接入和存储。

◆外部数据普通会间接调用业务系统的数据接口去失掉。这里会有一个老本和稳固性的折中：比如在调用复杂数据时，数据自身或许存在一些耗资源的长尾现象，但这种特色在实践决策中又会用到的话，咱们就会在必定的可接受范围内去做一些操作以平衡老本和稳固性，例如99. 99%的用户都反常前往，关于另外的极少局部用户或许做一个置空操作；

◆外部数据会调用三方的服务。这时会遇到的疑问是接入三方数据的前往时长能否在业务可接受范围，大局部三方数据前往都是比拟快的，但也有一些数据前往慢一些，在这种状况下咱们会在可接受水平内作处置，比说只要0.01%的前往时长很长，那这局部用户或许就间接做一些额外处置，比如置空等操作。假设业务上对这种缺失的容忍度极低的话，一种或许计划提早去调这个外部数据，这时就会触及老本的平衡。

特色引擎 从数据接入模块失掉原始数据，特色引擎在贷前环节关键是用于实时特色计算(有些状况下也会有离线计算，比如贷超场景中运行的特色，咱们业务中以实时特色为主关键是基于特色笼罩度的思考)。特色引擎计算实时特色后，会对模型引擎输入模型特色，对决策引擎输入规定特色。

模型引擎 关键是用来计算模型分，包括空跑模型和决策模型。二者的部署有一些差异，空跑模型可以部署为异步伐用，决策模型由于触及到老本漏斗(前文已提及)，须要同步伐用。模型分最终会输入到决策引擎。

决策引擎 里可以性能决策流和规定集。规定集中可以包括单特色规定和模型运行规定，在决策流里可以部署多个规定集。

流程图中的几个环节在业务系统中的部署方式：

◆准入战略：一局部是性能在决策引擎里的，还有一局部是在产品环节的，比如像 OCR 这些是耦合在产品流程里的。

◆模型前规定、模型后规定以及决策矩阵：是在决策引擎里部署的。

◆授信模型：在模型引擎里部署，而后把其中的决策模型分给到决策引擎

贷前罕用的风控数据包括外部和外部数据两类，不同机构用的外部数据或许会各有并重，外部数据这几类大家通常都会用到：用户基本消息、ID map数据、用户行为数据、历史借款数据、还有一些用户授权的其余数据。一切外部数据都是经过用户授权或用户自填的。其中，其余授权数据包括设施指纹消息、咨询人消息、 GPS位置消息等。咨询人是用户自填的紧急咨询人，并非通信录咨询人。

3、贷前风控罕用数据的流转环节

在贷前怎样运行这些数据？上方是一个繁难的流转环节，关键触及模型引擎局部（其真实模型引擎给到决策引擎时也有一些数据流转，图中暂未触及）。首先是在线数据的流转环节，数据经过线上的特色工厂或特色引擎实时计算，输入特色给模型引擎用于计算模型分。这份数据也会活期导到线下一份用于离线特色回溯，构建离线的模型，训练成功之后会活期更新线上模型；离线数据在特色分歧性监控中也会经常使用。

4、贷前授信模型实时决策流程

首先是外部和外部数据的失掉。

外部数据 数据失掉是由数据接入模块来做的，它会调用业务系统提供的各种接口，拿到数据用于实时特色计算并将原始数据存储上去用于后续离线特色经常使用。

外部数据 也是数据接入模块失掉的，只是调用的是外部服务接口，这里比拟关键的是原始数据须要完整落表存储，并且针对哪些状况下经常使用缓存、哪些状况下须要从新查问数据须要有明白的规范。

咱们在贷前关键是用的实时特色，也就是说实时从接口失掉数据，而后计算特色，特色落库并提供应模型引擎经常使用。这里遇到的关键疑问是特色耗时，咱们采取的优化手腕关键特色估量算或许融算计算。

估量算 ，关键是说提早计算，在业务系统里，有些数据是可以提早失掉到的。比如说用户一进到授信的页面或许就曾经授权失掉了设施指纹数据，然而实践到授信模型才用到这个数据，两边或许有几秒的期间咱们可以做特色估量算

融算计算 ，关键是针对比如“历史一切XX次数”这种特色，数据量或许比拟大、在计算耗时比拟长的状况下，咱们可以先算进去截止昨天24点的特色，而后实践授信中就只要要计算当天截止的新数据对应特色，而后融合之后作为最终的特色来经常使用，不过这种方式成功起来比拟复杂。

基于特色输入模型分或评级。跟特色计算相比，这里的耗时其实还好。目前咱们系统里决策模型是同步的，陪跑是异步的，这个其实关键也是出于老本的思考。

以上是贷前授信实时决策的流程，咱们如今用的关键是实时特色，但其真实一些场景上也有离线批量衍生特色的状况，即特色离线批量算，但线上实时去取之前离算离线的结果。但这种场景在纯新用户上会齐全是空的，所以咱们目前运行范围不多，关键还是实时特色以及数据笼罩度上的一些思考；还有一个就是离线回溯系统的部署，咱们在离线建模时是须要去离线跑这些特色用于离线建模的，外部特色的回溯也是有稳固性和老本的平衡，比拟现实的必需是搭建一整套的离线回溯系统，业务系统数据活期备份到这里用。但由于思考到部署老本，实践在离线回溯时，一些数据还是间接去调业务接口，但会启动一些限速，并且做比拟严厉的监控，这块各家的部署应该会有各家的特点。

针对贷前模型咱们做了一些优化尝试，第一个优化对系统的改动较大，前面两个优化关键是业务层面做的一些尝试，系统上的改动并不算大。

优化1：从单模型决策到辨别数据源类型组合决策

最后咱们是单模型决策的，可用的外部数据较少，起初随着可用数据的增多，也有一些老本方面的思考，逐渐辨别数据源，搭建一些子模型组合决策。之后在数据合规的背景下，把外部数据源和外部数据源做了拆分，以便更好地去适配外部决策流和依赖外部数据决策流的状况。

为了成功从单模型决策到辨别外外部数据源来搭建风控模型，系统上做了许多优化，这里仅列出了关键的几项，包括决策引擎和模型引擎的改动。

数据老本优化关键有两个方向：一是从业务上拆分子分模型，二是独自搭建经过率模型。经过率模型是驳回外部数据，以经过率为指标搭建的模型，用在授信模型前面，经过率模型拒绝的用户不再走前面的授信模型。

关键包括两个方面的尝试：一是部署前筛规定或模型。关键从业务角度登程去做的一些尝试，技术上会须要一些适配。前筛模型是部署在资产方的，咱们自己系统的改动并不大，关键集中在回传数据的一些规范、存储和监控上有别于咱们自己外部的模型打进去的分数的；二是对授信阶段拒绝的样本尝试做一些召回。召回模型的关键点还是在建模时的数据特色、以及样本的差异，或许会加一些拒绝推断的样本，然而加拒绝样本也是有必定危险的。风控系统上须要做一些适配，然而改动不算太大。

二、贷中治理

区别于贷前，贷中对应的场景是在用户放款之后，在这个阶段用户的状况、危险状况和贷前相比或许是曾经有了一些变动，所以须要继续地观测、灵活评价这个变动，再配合贷中可用的一些工具，对用户启动一些提额、降额、解冻额度这些操作，以及婚配一些运营的举措，以促成回款，达成业务指标。

1、贷中系统模块交互--与贷前差异

在可用工具和系统部署上，贷中和贷前的差异比拟显著。下图是一个贷中系统模块的交互，可以看出从数据接入到特色到模型引擎都会有一些差异：

数据方面： 关键还是会触及到一些离线批量打分存储的场景，首先它会参与一个贷中义务调度的模块，定时批量的去对指标客户调数据服务，去取贷中数据，调用特色引擎计算特色，调用模型引擎去打分。再就是数据接入须要跟贷前相分别的，包括存储分别和调用分别。

特色方面： 这是变动最大的局部。贷前咱们将实时特色给到模型，再给到决策引擎。在贷中是先把这些特色估量算并存储，经常使用时间接查问。会有很多状况造成数据存储不完整，所以会触及容错的疑问，普通会取逆序后最新的一条，并加上特色实践计算期间和查问期间差的监控。

模型方面： 包括实时模型分和离线模型分两局部。贷中也会有一些实时的模型打分给到决策引擎。离线局部会把模型分批量计算后存储上去，用于决策引擎查问。

贷中比贷前的可用数据丰盛很多，首先贷前外部数据是所有可用的，还参与了一些贷前变动类的数据，以及用户的贷中行为数据。此内在外部数据上有一些差异，会有专门适配贷中批量查问的数据源产品。相对地，贷前可以用的产品假设计划在贷中批量地去用，须要思考产品的不要钱形式，以及批量查问的数据成天性否可以承当。

3、贷中离线模型决策流程

贷中离线模型的决策环节关键还是适配离线批量计算的场景。直观看是参与了几个存储的环节，数据调用、特色计算、模型打分都是计算后先存储后查问，以及容错和监控。

4、贷中模型运行场景

贷中治理当该是一整套的体系，包括战略、模型、运营各个方面，触及的内容会很多，咱们的引见关键集中在模型工具方面。详细包括在复贷、存量用户运营场景上都会有一些贷中模型可以经常使用。下图右侧列出了一些可以经常使用的模型工具。

复贷准入环节咱们可以经常使用跟贷前相似的实时危险模型，也可以经常使用贷中用户行为模型，通常是这两种模型联合起来用。

存量用户运营环节经常使用更多的是离线批量模型，关键包括上方几类：

贷中行为模型：就是咱们通常说的b卡。

提早结清模型：这个模型关键是在贷中尽量去识别用户的提早结清行为，而后做一些针对性的运营操作，尽量提高用户的留存，参与支出。

借贷志愿评价模型：关键针对授信经过甚至有过支用的用户，而后评价其接上去一段期间的借贷志愿。

三、贷后治理

货后治理的关键指标是提高回款率，降落守约。但这块引见会比拟繁难，由于和贷前、贷中不一样，贷后的场景关键还是以运营为主，模型或规定更多的是作为工具提供一些辅佐作用。决策引擎输入的分数或评级，咱们会在贷后系统里做展现，然而实践的决策更多地还是由担任贷后的同窗来成功的。所以在系统部署方面更复杂的是贷后业务系统的开发或部署。在决策引擎和贷后系统的交互关键是会提供一些分数和评级在系统里做展现，罕用的模型工具备回款客诉、失联等模型。

贷后数据包括外部数据和外部数据，须要留意的点是数据的失掉期间和运行期间是须要婚配的。贷后可用的数据会更丰盛一些，跟贷前和贷中相比，贷后模型比拟容易做出辨别度，然而模型的运行是个应战。

2、贷后模型运行场景

贷后模型运行的场景关键是守约、客诉，及失联。比拟典型的运行有回款率预测和客诉危险预测模型：

预测曾经逾期的用户在未来一段期间内回款的概率。Y会依据贷后不同阶段有所不同，早期回款的或许性会比拟大，越到前期回款越难。在做这个模型时或许会有不同颗粒度的样本，比如用户维度、订单维度或账单维度。

针对账单或订单维度的模型，模型评价时须要先剔除掉在训练样本中曾经出现的用户，否则看到的或许是虚伪的成果。在运行方式上，贷后的不同阶段会有差异化的运营战略，以及不同的试验计划设计。

关键用于在贷后阶段去预测用户或许出现揭发的危险，以繁难贷后的共事采取一些差异化的应答方式。引发客诉的要素是多种多样的，思考到样本量，咱们仅选关键因历来建模。Y的选取时须要做一些数据荡涤的上班；在数据方面，局部数据源其实还是微危险是无关系性的，比如多头数目更大，初次借款期间更早的用户，出现客诉的概率或许也会更大；

模型运行上，还是会辨别贷前和贷后，在贷前经常使用时就须要额外关注跟危险模型的关系性，假设两种模型关系性很高的话，这个客诉模型运行起来难度会比拟大，须要平衡经过率，在模型运行上须要有一些设计。

四、监控搭建

监控方向上关键看准确性、稳固性和有效性，监控方式上会有日常监控和监控预警。这块的内容关键是技术上的搭建，不同的公司会差距会比拟大，由于大家会基于自己的业务系统或大数据环境来设计，技术选型上或许差异比拟大，然而报表的内容还是比拟通用的。上方罗列了几个不同维度的监控内容：

下图是各场景下监控的汇总，包括业务、模型、特色、数据字段以及服务接口，每个上方都会有一些监控的点，也会触及到一些预警，其揭示的机制也是不一样的。

五、内容汇总

文章首先是联合实践场景，列出了贷前、贷中和贷后可用的风控模型工具，接着引见了这些工具在风控系统重是如何部署的，以及在贷前、贷中部署上的差异，最后列出监控及预警系统通常涵盖的内容。