京东风控算法工程师带你解读Action Model-精细化运营（上篇）

前言

ActionModel是未来的方向

金融业常被视为第一个将会被人工智能颠覆的行业，李开复更是做过一个大胆的预测：金融行业80%的人都敌不过人工智能。例如，基于大数据的信用评分已成为目前信用领域应用最广泛的工具，借力于大数据，信用评分从多方数据的角度出发，综合考虑了个人用户的信用表现、行为偏好、履约能力、身份特质、人脉关系等等多个维度的信息。然而，目前业界使用的模型大多只考虑了用户自身特征的影响，如消费行为、信贷行为、社交信息等。但其实在实际业务中，用户的最终表现不仅与其自身特征有关，还受到信用方决策的影响，而且同一决策对不同用户会带来不同的影响。

例如，不同渠道的用户对贷款利率（后文简称定价）的敏感度差异较大，信息越畅通的用户对价格越敏感，所以针对不同的用户需要制定不同的贷款利率。再例如，信贷额度（后文简称额度）对风险的影响可以对应到用户的违约成本和还款能力，即使是次级用户也不一定愿意为了几百块钱而违约。传统的策略在实际决策时虽然考虑了用户自身的属性，能够根据用户的风险和需求来做出决策，但仍然有赖于人工经验。Action Model则将决策和用户行为之间的相互影响考虑到最优化决策中，通过用户在不同的决策下分别有什么样的表现，从而给出最优的决策。作为一个行业难题，业界的实际应用还很少，但却是智能化必然需要迈出的一步。

业务价值

在信贷领域，Action Model能够计算出每个用户最优的额度与定价，进而让风险更可控，并且带来利润上质的提升。如果没有好的量化工具，无法量化决策对用户的影响，传统策略凭借经验给出的额度与定价很难做到千人千面。不合理的定价与额度会带来不好的后果，比如，保守的决策会丢失优质用户，并造成潜在的利润损失；激进的决策又会导致风险过高，损失的不仅是利润。

无法给出和用户相匹配的决策同样不利于培养良好的行业生态，应该对保持良好的使用习惯和信用的用户给出合适的正反馈。用户量越大，规模效应和算法对于人工规则的提升效应越大。从2018年来，我们的Action Model已完成多个版本迭代。目前，由Action Model给出额度和定价的用户，用户满意度和业务指标都有大幅提升。除了额度和定价，其他可调控的因素一样可以通过Action Model来计算出最佳的决策，比如循环方式和借款期限等。

图：决策空间中的最优点

Action Model

Action Model能够解决什么问题

大部分模型旨在预测事件的最终结果，比如今年你能赚多少钱？这个用户违约的可能性有多大？只要数据量足够，理论上说我们能够预测出一个平均值。然而，Action Model预测的是用户在不同的决策下分别有什么样的表现，比如说今年你投资股票和不投资股票分别能赚多少钱？你借给张三3000和借给他30万，他分别有多大可能性无法偿还。有了这些预测值，你就更好决定到底要不要投资股票、是否借钱给张三，以及借多少，从而给出最优的决策！这就是决策的最优化问题。

在信贷领域中，我们追求的是长远的可持续利益，额度和定价的给定，不仅需要考虑用户的风险成本和实际需求，而且需要培养用户良好的信贷习惯。给优质用户应得的正反馈可以降低其流失率，合理控制对次级用户额度和定价能够提高其违约成本、降低其违约收益。Action Model通过调整额度、定价等Action因素，使用户和信贷方之间的利益良性循环。具体怎样实现呢？首先，我们需要明确要预测的目标。假设我们以长期利润为优化目标，因为长期利润是由收益（无其他说明，均指不考虑风险的收益，需考虑用户的活跃率、活跃程度和流失率等因素）和风险共同决定的，所以我们需要把预测目标拆分成两个子目标：收益和风险。

图：不同用户长期利润和额度关系不同

可是等等，如果Action Model是在预测风险的同时加上预测收益，这个和风险评分（A卡分或者B卡分）加上收益评分又有什么区别呢？风险评分是基于用户特征对其逾期概率所做的预测，其评估的是用户的信用水平，p(B|x)（B代表违约用户）。而Action Model的风险子模型，预测的是用户在不同策略下的风险。因此，可以认为Action Model的风险模型是在风险评分的基础上，考虑了策略影响的风险 p(B|x,a)。收益评分也是一样。

实际上，引入Action的因素之后，可以重新表示风险评分。风险评分是直接用历史数据建模预测风险，也就是说它考虑的是用户在历史Action下的风险。如果将历史策略的分布用$p$