人行强拒规则&拒绝评分人群

关注 “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。  

经过这个月暴风雨般的行业洗礼，相信很多人都是心有戚戚焉。今天一过，将踏入众人期盼的十月份。祖国母亲的生日也即将到来。至此，祝母亲生日快乐，各位读者节日快乐。

我看那暴风雨能冲洗掉的都是污垢，留下来的一定会是行业规范和标准化的体系。不然良币一直被劣币驱赶。金融市场发生系统性风险都只是迟早的问题。

说到行业规划化和标准化，相信也是百行往后统一所有的征信机构努力的方向。而能参考最好的数据标准化产品，就不得不提人行征信数据（PBOC）。PBOC一直是各大持牌机构的必备数据源。无奈我国人口基数大。目前仍有近大半的人仍没有此份标准化的数据报告。所以针对这部分没有资质的下沉客户，互联网金融也才有机会抢占到这部分市场。

今后的金融场景，按照政策也是会更往合规和规范的方向发展。那一套合规的完整的风控流程，是怎么使用PBOC人行征信数据的。限于篇幅，本文主要涉及PBOC的拒绝类的规则。

以下将介绍两部分内容。一是 如何根据人行征信的数据做强规则变量，只要客户一触碰到具体的拒绝规则，便不能再走往下的流程。之后剩余的客群在获得授信前，才会放置一张评分卡。首次开发评分模型的读者朋友，一定需要了解贷前信用模型都是在拒绝进件之后筛选的客群。二是此张评分卡的的，即使是通过授信的客户，也不是就能全部当成建模样本，对模型用户选择也是具有一定的考量。

一·人行强拒绝规则  

整个风控的流程设计里，按照经验跟业务逻辑，将征信报告主要分为四部分内容进行解读：贷记卡情况、贷款情况、整体征信水平规则、整体综合类规则，将这四个方面的情况进行具体的阈值把控，就可以输出具体的拒绝明细。
具体充分拆分可参考如下：

1.贷记卡情况
银行信用卡，标准化的征信产品。如果有查询过自己的征信报告的同学，应该很清楚，自己的信用卡经常会出现一些贷中查询的字眼。这是银行在做一些贷中监控，分析是否有在其他平台进行多笔借款、套现或者异常刷卡等情况，从而对自己放款进行一定额度的调整。

2.贷款情况
之前有同学问过我，说车贷跟房贷有什么最好的查询产品可以参考。PBOC其实就是最好的参考资料了。基本目前所涉及到的房贷跟车贷都是上征信体系的产品。

二.整体征信水平规则
整理的规则设定一般是会设置为，是否能查询到客户的征信报告。最早的开卡的时间或者申请贷款的时间等，这一类的数据情况。

三.综合类规则
一般这个方面的内容，涉及到客户个人档案或个人信息等综合方面的信息。

二.贷前评分卡模型的样本选择  

在准入类(拒绝等)的规则把控之后，简单些的流程就进入贷前评分卡的客户分层。而客户分成的好坏决定于这张评分卡开发的效果。

在模型开发前夕，会对历史的具体的全体样本进行一次判断。看下之前强规则拒掉之后的客户剩下的基数等情况。接下来会按照以下最基本的原则再进行一次剔除：
①适用范围
②特殊进件处理
③信息缺失

①适用范围
评分卡的适用范围是针对什么样的产品进行开发的，不同期数不同渠道的进件产品如果存在较大的差异，还需要分开成不同的开发模型，所以对样本客户的选择也不同。

②特殊进件处理
对特殊客群，在较早前因为政策原因放进做测试或者后期修改过较大的策略的客群，同样需要考虑。另外对某些前期续贷、后期做DRP和贷款中途死亡等特殊案件的客群，也必须考虑其跟其他客户的差异化，对这些客户也需要做特殊处理。

③信息缺失
对信息确实较大的客户，因为系统原因造成缺失或者数据缺失，这里包括的都是缺少情况比较严重，无法修复的这部分客户，也考虑不将其纳入建模样本中。

以上就是我们除了拒绝之后，虽然进入放款阶段，但仍不能选取为建模样本的分析，大家可以参考这个标准判断自己的模型是否适用。

---------------------- --------------------- ------------------------------------- ----------------------
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！