关注“金科应用研院”，回复“礼包”
领取“风控资料合集”
在金融科技蓬勃发展的今天，信贷行业的风控策略日益精细化。传统的单一策略或模型已经难以满足复杂多变的市场需求。如何充分利用策略和模型的优势，实现更精准的风险评估，成为了业内关注的焦点。本文将结合实际案例，从风控策略专家的角度，深度解析信贷场景中策略与模型的决策矩阵分析，帮助读者深入理解这一主题的核心精华。
1.1 案例背景
某消费金融机构推出了一款线上个人现金分期贷款产品。其现有的风控体系主要由策略和模型构成。当用户申请贷款时，业务风控决策流程按照以下步骤进行：
策略审核：首先，根据预设的风控策略，对用户的申请信息进行规则校验。如果用户触发了某项拒绝规则（如黑名单或欺诈名单），则直接拒绝。
模型评分：如果用户通过了策略审核，则进入模型评分阶段。模型根据用户的各项特征，计算出信用评分。如果评分低于设定的阈值，则同样会被拒绝。
这种 “串行决策” 流程，即策略和模型依次进行审核，看似合理，但在实际应用中存在一定的问题。
1.2 问题分析
在串行决策流程中，策略和模型是独立且顺序运行的。这可能导致以下情况：
误拒现象：某些用户可能仅因为触发了一项风险较低的拒绝规则而被直接拒绝，而模型评分可能显示其信用风险并不高。这种情况下，可能错过优质客户。
风控准确率受限：单一的策略或模型难以全面评估用户的风险，无法充分发挥两者的优势。
1.3 解决方案
为了更有效地评估用户的风险程度，降低误拒率，提升风控准确性，我们引入了 策略与模型的“决策矩阵”分析 方法。
并行决策：策略和模型同时对用户进行风险评估，不再是串行的流程。
二维矩阵：将策略评级和模型评级组合，形成一个二维的决策矩阵。
风险分层：根据决策矩阵中的不同组合，精细划分用户的风险等级，制定相应的审批策略。
通过这种方式，可以更全面地评估用户风险，避免因单一因素导致的误判，提高风控决策的准确性。
选择外部数据通常需要考量以下依据：
相关性：数据应直接或间接与风控目标相关，能提供有价值的洞察。
准确性（有效性）与完整性：数据质量高，更新及时，覆盖全面。
成本效益：评估数据采购和维护的成本，与预期收益对比。
合规性：确保数据获取方式合法，尊重隐私法规。
其次，在选择了外部数据源之后，下一步就是对数据进行测试分析和产品对接,数据评估分析指标主要有以下4点：
2.1 决策矩阵的概念
决策矩阵是将策略和模型的评级结果交叉组合，形成的一个二维表格。横轴代表模型评级，纵轴代表策略评级，每个单元格对应一个特定的风险组合。
2.2 决策矩阵的结构示例
假设策略和模型的评级都分为 A、B、C、D、E 五个等级，A 代表风险最低，E 代表风险最高。
| 模型\策略 | A | B | C | D | E |
|---|---|---|---|---|---|
| A | — | — | — | — | — |
| B | — | — | — | — | — |
| C | — | — | — | — | — |
| D | — | — | — | — | — |
| E | — | — | — | — | — |
在每个单元格中，可以填入对应组合的坏账率（badrate）和样本占比（percent），用于后续的分析和决策。
3.1 样本数据说明
为了进行决策矩阵的分析，我们选取了某消费金融机构的实际数据，样本包含 40,000 条记录，涉及 13 个特征：
id：客户编号
overdue：逾期天数（目标变量）
score：模型评分
x01 - x10：策略相关的特征，如申请借贷平台数量、电商交易次数、运营商通话时长等。
3.2 数据初步分析
数值型特征：主要包括申请借贷平台数量、交易次数、通话时长等，反映了用户的行为特征。
分类特征：如欺诈风险等级、消费价值类型等，需要进行类型转换和编码。
对数据进行统计分析，了解各特征的分布情况，为后续的评级划分和模型构建打下基础。
策略评级的分析与实操
3.3 规则评级的原则
策略模块由多条规则组成，每条规则需要根据其特征分布和风险表现进行评级。评级划分为 A、B、C、D、E 五个等级。
评级依据：根据各特征的区间阈值、坏账率以及样本占比，划分不同的风险等级。
3.4 规则评级示例
示例 1：针对连续型特征，如申请借贷平台数量（x01）
区间划分：
[1, 3)：坏账率 5%，评级 A
[3, 6)：坏账率 10%，评级 B
[6, 10)：坏账率 20%，评级 C
[10, 20)：坏账率 30%，评级 D
[20, +∞)：坏账率 40%，评级 E
示例 2：针对分类特征，如欺诈风险等级（x06）
等级对应：
等级 A：坏账率 10%，评级 A
等级 B：坏账率 20%，评级 B
等级 C：坏账率 30%，评级 C
等级 D：坏账率 40%，评级 D
等级 E：坏账率 50%，评级 E
3.5 策略评级的确定
对每个用户，计算其在所有规则中的评级，取 最高风险等级 作为策略评级。例如：
用户某甲：
x01：B
x02：C
x03：A
x04：D
x05：C
x06：C
...
策略评级：取最高的 D 级。
模型评级的分析与实操
3.6 模型评级的原则
模型评分根据用户的综合特征计算，评分越高，风险越低。将评分区间划分为等级：
评分区间：
[0, 400)：坏账率 50%，评级 E
[400, 450)：坏账率 40%，评级 D
[450, 500)：坏账率 30%，评级 C
[500, 550)：坏账率 20%，评级 B
[550, +∞)：坏账率 10%，评级 A
3.7 模型评级的确定
根据用户的模型评分，确定其模型评级。例如：
用户某甲，模型评分为 465，落入 [450, 500) 区间，评级为 C。
4.1 决策矩阵的生成
将策略评级和模型评级组合，计算每个组合的坏账率和样本占比。
坏账率矩阵（badrate）：
| 模型\策略 | A | B | C | D | E |
|---|---|---|---|---|---|
| A | — | 14.52% | 17.80% | 21.51% | 27.03% |
| B | — | 25.21% | 32.28% | 37.24% | 41.39% |
| C | — | 35.29% | 41.16% | 42.25% | 44.96% |
| D | — | 41.67% | 47.48% | 52.12% | 54.43% |
| E | — | 75.00% | 61.12% | 68.88% | 80.00% |
样本占比矩阵（percent）：
| 模型\策略 | A | B | C | D | E |
|---|---|---|---|---|---|
| A | — | 1.56% | 13.37% | 1.88% | 0.56% |
| B | — | 0.87% | 29.84% | 6.53% | 1.26% |
| C | — | 0.09% | 14.04% | 4.02% | 0.70% |
| D | — | 0.03% | 15.75% | 5.95% | 0.82% |
| E | — | 0.01% | 1.74% | 0.87% | 0.14% |
4.2 决策矩阵的解读
高风险区域：模型和策略评级均为 D 或 E 的组合，如 DE、EE，坏账率高达 60%以上，应直接拒绝。
中风险区域：模型评级较低（C、D），策略评级较高（B、C），此类用户坏账率在 40%左右，需要进一步细分。
低风险区域：模型和策略评级均为 A 或 B，坏账率低于 25%，可优先通过。
4.3 子级矩阵的应用
对于中高风险区域，可以进一步细化，例如：
模型 D - 策略 D 组合：
统计规则 D 级数量，发现当规则 D 级数量大于等于 2 时，坏账率超过 50%，可设定为拒绝。
模型 D - 策略 C 组合：
统计规则 C 级数量，发现当规则 C 级数量大于等于 7 时，坏账率接近 50%，也可设定为拒绝。
通过对子级矩阵的分析，可以更精准地制定风控策略。
决策矩阵的应用场景
风控审批：根据决策矩阵，确定审批策略，对不同风险组合的用户采取通过、拒绝或人工审核等措施。
信用评级：为用户分配信用等级，指导授信额度的制定。
客户分群：根据风险和价值，将客户进行分类，实施差异化管理和营销。
应用效果与注意事项
提升审批准确率：综合策略和模型的优势，降低误拒率和漏判率。
精细化风险管理：对不同风险组合采取有针对性的措施，提高风控效率。
完善策略与模型体系：定期评估策略和模型的效果，及时优化评级标准和阈值。
业务通过率衡量：在制定拒绝策略时，需要权衡风险控制和业务发展，确保整体通过率在合理范围内。
策略与模型的决策矩阵分析，为信贷风控提供了一个全面且精细化的评估工具。通过将策略和模型的评级结果综合考虑，能够更准确地评估用户的风险，提高审批决策的科学性和有效性。
在实际应用中，需要持续关注数据的变化，定期更新评级标准和阈值，确保决策矩阵有效反映当前的风险状况。同时，需平衡风控与业务发展的关系，在风险可控的前提下，最大化业务收益。
希望本文的分享，能够帮助读者深入理解策略与模型的决策矩阵分析方法，为实际工作提供有益的参考和借鉴。
本次内容节选自：知识星球-大咖课第4期 长按海报，扫码了解详情！
FAL长期对外征稿，邀请各大风控人士加入我们，在风控圈分享你的经验与知识👉征稿，快到碗里来，有稿费那种！
感谢您看到这里
微信公众号对话框回复“小福利”
领取粉丝专属优惠券
