点滴风控系统

关注公众号“番茄风控大数据”，获取更多数据分析与风控大数据的实用干货。  

上次，讲到规则策略(规则策略知多少)，众所周知，决策引擎归属于风控系统的一部分。刚好这两天有位同学问到一整套完整的风控系统是怎么样的?那既然有这样的问题，本文就小谈下风控系统。如有补充，欢迎留言交流。

风控系统这个问题框架太大了，如果讲细了，每个面都能涉及到的话，估计都可以出书。我曾经在之前的文章里，就介绍过风控系统覆盖的面很广，有兴趣的可以再戳进去看看：风控应该知道的。

而这篇文章打算再从另一个角度来谈谈风控系统。

首先先谈个面，然后在面上某个小点再谈深一些。限于本人才疏学浅，篇幅有限，能介绍地也尽量输出，更干货的内容请参阅知识星球。

风控系统的鼻祖，就是为了识别欺诈风险而存在的。自古以来，支付风险就存在。而在互联网繁荣的今天本质仍是一样的，只是多了些新花样，风控系统就是通过监控交易、渠道、产品、用户，对相关数据进行实时、准实时、定时的分析、挖掘，从而识别交易风险，尽早发现欺诈，采取各种措施降低交易损失。

**先提及面——

硬件上：**

风控系统在硬件上，是应该跟业务主系统分离的。主业务系统是公司主要业务的操作、子系统的对接等功能，而风控系统主要包括决策引擎、催收系统、审批进件系统等几部分；当然另外还需要有数据系统跟它们两对接，数据系统主要是为以上两大系统提供数据支持的。

1.业务主系统： 

包括客户的贷款申请、进件端，主要的展示方式跟客户互动的有app、H5界面等。主业务系统是公司的主要的业务流转的平台。具体业务流转方式就是工作流的方式。

2.风控系统： 

风控系统是我们介绍的重点内容，下面将会介绍详细些。主要包括：

决策引擎
决策引擎只吃变量和只吐变量，它主要是为了决策的使用而架在系统上，决策引擎就是一个个规则流，都是为了公司所有的决策条件而产生。比如准入条件，如只给25以上的人放款，这些都是产品的准入条件，都是在决策引擎里发生的。

数据仓库
IT部门，把所有的数据原始数据，经过前期的数据清洗，把干净的数据放入该数据仓库里供各个业务部门调用。

审批系统
主要是对已经提交进件资料的客户，进行批核业务的一个系统，里面会展示才从业务系统过来的资料信息，一般审批员就在这个界面对客户是否批核给出意见 

3.数据系统： 

数据系统最主要的功能就是给以上两大系统提供数据支撑的；一般分为三到四层：

基础层：存储最底层的源数据，各种生成库等数据
数据访问层：主要对原始数据的操作层，具体为业务逻辑层或表示层提供数据服务
业务逻辑层：主要是针对具体问题的操作，可以理解为数据层的操作，对数据业务逻辑处理等
展示层：有些没有具体业务展示需求的这一功能就被阉割掉了

从模块上分：

反欺诈
线上消费、信贷产品、在线消费平台等在这一块都充分加强部署，在国内欺诈风险是比信用风险更有值得把控的风险

审批政策
对不同的产品都有一定的产品准时政策，规则条文；在一般的公司里，政策部门是一个比策略部门更常见的部门。有时你还不定能搞清政策跟策略的区别，特别在一些比较小的公司里，两者有些分不清。如果确实要划分界限，个人是感觉政策偏宏观，策略偏细则。

规则与模型
规则与模型的作用可以看成都是给客群分层的。我们的目的都是为了筛出高风险的过滤或者授信不同APR的产品和额度。模型与规则互相补充，相互作用。

贷中后管理
前面说的几个模块，无论是反欺诈、政策、规则和模型，大部分都是偏向贷前。在客群进入放款后，就进入了贷中贷后的管理。一般在银行卡中心，还需要有一个对客群重点关注的贷中管理，在于对客群进行调额、设置提现等。客群一旦发生逾期，就又会进入贷后部门进行催收管理。

对目前的整个风控系统来说，技术发展飞快。之前就一直说过，很多公司都慢慢在向轻资产管理转型，审批人力占大头、劳动密集型的小贷行业，传统金融行业，已经死了一大批。

而目前只有完善的人才架构，对新技术、对数据有掌控能力和使用能力的金融公司，或者借助金融科技公司的力量进行升级并积极拥抱变化的公司，才会有继续生存的可能性。

最后再总结下的几个小方面的心得：
1.风控与业务系统须分开。
2.要有风控引擎和系统，而且必须模块可拓展
曾经见过，引擎无法进行模块拓展的，后续随着新产品的上线，因为之前的业务拓展的模块过多，目前已经无法拓展了；还见识过某个系统，因为写好的接口里，后续需要调用之前合作方的服务器才能使用的。总之系统这一块，坑多，如果不踩一遍，很难理解里面的工作原理。
3. 引用软件开发里的一句话：高内聚，低耦合。意思就是说做好之后，每个模块都是独立的，但是在使用的时候，我调用你的模块或者接口，效率极快，无时延，客户体验很好。找一句让程序猿哥哥们看得懂的一句话概括就是写的代码尽可能专一的完成一个任务，且各段代码尽量模块化互相独立。

当然关于这一块系统对接，既考验公司的IT能力，又是作为一名风控人员最好能熟知一二的。因为风控跟数据打交道一定会跟系统对接，另外项目不顺背锅的时候，了解这些也有反抗的能力。

再说下点：

在本人参与过的项目，之前就处理过关于模型跟业务系统交互的时期。当时的案例背景是，模型已经开发完毕，但是规则引擎还未上线，无奈只有服务器线下跑评分的方法，再给服务器返回评分模型的值。

这里需要系统跑分稳定，每天需要有log可以查看，效率也不能太低，价格性价比还要高，最重要的是保密性要强。因为评分规则都是属于一个公司的机密内容了，一般也不会让IT人员部署，而且跑分过程都是不会直接在业务系统服务器，返回结果都是特殊处理过的。

基于此，本人最后还是赶鸭子上架上线了一套方案。这个结果的展示，我在好久之前的文章也发布过，有兴趣的可以看一下之前的文章：一套价值百万的评分卡上线策略，免费送你了

不过现在经过优化处理，效率似乎又提升了好多。这个线下部署的方法，比决策引擎的优势还在于机动灵活，可部署所有算法包括深度学习神经网络的各种高级算法，这个在决策引擎上是绝对想象不到的…

做这一套东西真是劳心劳累，加班加点完成的项目，不过没有什么东西是不能共享的，后续说不好会将整套逻辑代码方案都贡献给各位铁杆会员们。如果大家对这一套线下部署的方案有兴趣的可以跟我们留言，谢谢。

---

十年职场生涯，这个长期混迹在风控界和科技界，摸爬滚打的大叔，曾经就职于全国最大的固网运营商平台、国内最大的ERP软件公司和一家老牌的互金公司，如果你想了解他，欢迎关注 “番茄风控大数据”一起学习一起聊！