某城商行与芝麻借呗的联合风控-可可解读【风控双方流程与策略与模型】

某城商行与芝麻借呗的联合风控-可可解读【风控双方流程与策略与模型】

开篇：
首先申明本人未参与该项目，是读了该项目的投稿文章，由于投稿内容曝光有限，本人尽所能根据自己经验和知识进行风控解读，同时提出个人观点，部分存在未知或者个人认知所限，尽请谅解！同时很欢迎有经验的人参与讨论。

其实已经有部分朋友已经阅读过原文，本人觉得文章写的很好，想对其进行解读，分享给朋友们。

言归正传：

项目：某头部三方数据公司基于某城商行与蚂蚁借呗的流量和风控进行合作，为某城商行提供全方位解决方案

目标：1、升级银行传统风控到标准化 2、实现高度自动化、信息化，3、提升风控识别能力

场景：银行为互联网银行，与芝麻借呗合作获客，自有开发app。

希望：高度自动化，能自主学习；实时快速放款；风控覆盖贷前、贷中、贷后全流程解决方案。

挑战：借呗提供的客户，银行没有数据，信审方案需要将蚂蚁风控模型、行方规则、模型有机结合

三方数据支持：风险名单、身份数据、设备指纹、行为数据、多头数据

行方数据、自有客户历史数据、征信数据

风控主要环节策略

1、规则设计：芝麻规则、银行规则、反欺诈规则、三方规则、其他
2、模型：反欺诈模型、信用评分模型、人行pboc模型、芝麻分模型
3、监控：根据数据表现分析实现策略调整与模型调优

重点：风控流程详细拆解

下面针对流程图内的一些节点进行讲解

芝麻规则：芝麻规则根据数据进行规则排序分为强规则严格拒绝和可变可调整规则

确定的有芝麻分，当然不会只有这个变量，芝麻信用会提供一些其他的变量，记得笔者之前接触过芝麻信用，有行业关注名单，ivs欺诈分，这些芝麻会给银行提供的，当然还会有一些新的不为人知的指标。下图是曾经芝麻信用的行业关注名单和ivs欺诈评分。之前这些数据只要在芝麻信用官网注册就可以免费的调取一段时间，目前从官网上，已经没有这些产品的介绍了，目前只看了芝麻分，接入需要持牌，且价格相对昂贵，曾经看到是4元每条。

芝麻行业关注清单规则

芝麻欺诈模型ivs

反欺诈规则: 身份验证、黑名单（手机、地址等维度包含公检法逾期等）、多头借贷、知识图谱（咨询公司自有积累数据）

反欺诈模型：反欺诈变量+行方变量=联合反欺诈模型

三方规则：实名认证、三要素验证、公安不良、学历核验、银行卡验证

PBOC规则：连三累六、最近3个月贷款审批查询次数过多等等征信报告衍生的规则，如下图部分

行方规则：授信政策行业年龄职业收入学历，内部黑名单等

反欺诈模型（咨询公司）：

整体模型描述：分数区间1-99，这个应该是直接用模型概率乘以100得到的，概率0-1正好对应0到100.根据模型的排序效果和模型决策表阈值设置为20+，大于20分的客户拒绝。拒绝11%的申请量。拒绝95%的欺诈客户。

算法为：XGBOOST

信用评分（流程图拆分两个模型信用模型+征信模型）建模整体要点：

训练集数量：8000，城商行新业务客户有限，好坏比12:1，可见坏账7.69,不低哈
测试集：2000，好坏比14:1
模型指标：基础特征、运营商特征、线上消费偏好、申请行为以及征信记录、出行行为以及设备和IP类信息六个维度
算法：逻辑回归
入模变量个数：7个
模型ks：0.45
模型psi：0.001
通过率：27%

短评：
可见城商行对信用模型算法使用还是很谨慎的，同时模型的变量个数也比较严谨，另外一个建模样本数据较小，同时可见该样本的总体坏账7.48%，也大概知晓该银行同等人群的坏账大约在7.48%左右，对于银行来说，这个数字不算低了。
另外一个该项目没有拆分验证集OOT，同时如果测试集是随机拆分的话，用测试集去验证训练集很难区分模型的泛化能力，笔者做过无数次模型的验证，往往随机的训练集和测试集评估指标大体相同，没有oot验证的可靠可信性。
Ks0.45，有人行的征信数据，达到这个水平只能说还属于正常，原文既然说比行业水平提高10%。是我要求比较高么，哈哈
也正是因为使用的lr模型和变量的个数，psi过低，也不稀奇。在行方可以接受的坏账下，通过率到了27%，目前针对行业水平本人觉得还是理想的。

额度和利率策略

额度是根据信用评分、收入、消费做的三维风险等级分布表。三维分布表把不同风险逾期概率的人进行区分、额度的给与是根据最终单元格的违约概率区分给与的。

额度里面有三个基本参数：基础额度、拖底额度、盖帽额度

额度一般计算授信分发有几下方式，

一、
基础额度+最高最低限制额度，基础额度根据额度模型等级高低进行额度高低分发，然后分发后与最高与最底额度进行比较。超过最高额度按最高额度分发，低于最底额度按最低额度分发，本文项目采用的是该种的方法。

二、
基础额度+最高最低限制额度，基础额度固定不变，一般赋予模型中的众数人群，然后最高评分等级给与最高额度，最底评分等级给与最低额度，其他的额度按违约概率对基础额度违约概率的变动比率对应调整额度的增减。

三、简单方法、单模型评分卡，直接按违约概率给与额度，授信最低分，直接给与最低额度，然后每个评分等级粗略的增加相同的额度，例如加1000，或者2000，此方法比较粗糙。显然每个风险等级变化的比率并不是完全一致的。

四、结合了前面1和2的算法

图表举例

结束语：

1、芝麻拒绝行方直接拒绝是否合理？，有一部分人群高净值客户是不怎么使用芝麻的，芝麻方没有积累数据，必然这样不太合理，虽然是芝麻引流，能知道芝麻具体拒绝原因最好了，或者行方这边掉下征信记录在做决策比较合理，行方还是很谨慎的。

2、风控流程图，包含了数据风控流程，和决策流程。这块从数据收集和成本上有进一步优化的空间，流程图信息展现有限，文中反欺诈模型验证模块拒绝是要直接拒绝的，风控流程上蚂蚁接受，行方直接开始是否预授信流程了，流程图是有待优化。

3、作为一个风控人想追究到底，当然核心的东西永远是你不了解的。

4、利率定价这块没有具体阐述，应该也是根据额度模型等级实施的不同利率，本人调研过，额度相同的人，利率相差巨大，所以额度模型并不能决定划分利率，划分利率是银行的不同风控人群的盈利分析，可以接受的最低额度，利率的最终还是指向信用风险违约概率

以上仅限本人能力所知有限，特别希望有经验的您进行指导或者纠正，谢谢
希望此文有所贡献，

另外：

其实这篇文章有专门的投稿，自行网络搜索就可查找原文，避免敏感信息的不必要影响，上文是对该文的疑点和细节凭自己之见解进行分析,读者可以读原文后再回来品味本文，哈哈哈

-行可可-