信贷风险控制管理-策略生成及规则挖掘

  在信贷风险管理领域，通常有两种主要的风险控制方法，即规则引擎和风险模型。规则引擎使用一组简单的规则进行客户分类，使得不同客户群体的期望风险存在显著差异，并能够快速进行风险划分。而风险模型则使用机器学习技术预测客户的违约风险，尽管精度相对较高，但建模和上线周期较长。因此，在需要快速进行客户划分或者精度要求不高的场景中，一般会采用规则挖掘和规则引擎快速上线的方式。对于精度要求较高的场景，则会采用规则引擎粗筛＋模型精选相结合的方式进行风险决策。

 本文以某公司的“油品贷”数据为例，使用决策树算法进行策略制定。

业务背景：某打车平台和某些加油站达成合作，联合推出油品贷业务，可以给打车平台的司机提供贷款等业务，但最近发现使用油品贷的人，坏账率很高，数据高达5%，否则项目会被砍掉。

  来申请油品贷的司机本身本身已经通过了评分卡，并分为六个评分等级A-F。公司领导发现只有给等级A的客户放款才能不亏钱，现需要我们在现在的基础上制定有效的规则策略，控制坏账率。
滴滴是和很多加油站有合作的，加油站会给滴滴提供司机数据。

变量类型	最终基础变量名（还需要做上述变换）	释义
数值统计型
	oil_amount	加油升数
	discount_amount	折扣金额
	sale_amount	促销金额
	amount	总金额
	pay_amount	实际支付金额
	coupon_amount	优惠券金额
	payment_coupon_amount	支付优惠券金额
分类型
	channel_code	渠道
	oil_code	油品品类（规格）
	scene	场景
	source_app	来源端口（1货车帮、2微信）
	call_source	订单来源(1:中化扫描枪 2:pos 3:找油网 4:油掌柜5：司机自助加油 6 油站线)

 

一，首先要导入所需要的库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import tree

二，导入所需要的数据

data = pd.read_csv(r"F:\rankingcard.csv",index_col = 0)   ##导入数据

三，数据预览

3.1 查看数据基本情况

# 查看前5行数据详情
data. Head()

数据部分展示：

 3.2 查看数据基本情况

# 数据整体描述
data.describe()

 

 3.3查看数据维度

# 数据维度情况
data.shape

数据一共有50609行，19列࿰