决策引擎中的Hunter类策略又是什么？

   各位信贷行业的童鞋，对于风控决策引擎，或多或少都有听过或者见识过。如果问我，决策引擎最大的用处就是：解放开发同学的压力，减轻系统的复杂度。提到决策引擎，处处离不开大数据。
   决策引擎起源于规则引擎，规则引擎起源于基于规则的专家系统，而基于规则的专家系统又是专家系统的其中一个分支。专家系统属于人工智能的范畴，它模仿人类的推理方式，使用试探性的方法进行推理，并使用人类能理解的术语解释和证明它的推理结论。整个决策引擎的发展，伴随着近年来大数据技术的发展，海量数据的处理、分析、挖掘、决策成为了迫切需求。在传统的规则引擎基础上，数据计量、数据建模、模拟、数据可视化、冠军/挑战者（AB测试）等功能应运而生，甚至部分决策引擎加入了机器学习的功能，使原来需要数据科学家、深度建模工具的场景也变得更加亲民起来。决策引擎将“机器替代人工操作”进化到了“机器替代人工决策“的境界。而在整个风控的细分内容上，我们可以将整个风控的决策流程上分为最小特征因子、风控规则、策略集、引擎这四个模块。以下我们来介绍里面相关的内容分别是：
   一.最小特征因子：年龄性别申请时间A多头数量B多头数量二.风控规则：20<年龄<60性别==男 且 20<年龄<55性别==女 且 20<年龄<60B多头数量>5A多头数量>6三.策略集：新户准入策略集旧户准入策略集反欺诈策略集设备指纹类策略集知识图谱策略集四.引擎包括：预授信引擎反欺诈引擎提额引擎是否可营销引擎是否允许多笔借款引擎
   金融的核心是风控，风控的核心是数据，不管是传统风控还是大数据智能风控，风控数据都是风控的基础。大数据智能风控的发展历程中，三方风控数据扮演着重要的角色，当前互联网金融浪潮下大数据智能风控技术的应用已经相当成熟，三方风控数据厂商和风控数据类型丰富，风控数据涵盖基础信息、验证信息、历史信用、消费行为、履约能力、社交信息、公众信息、资产负债信息、黑/灰名单、关系信息、设备信息等（这里主要列举个人类风控数据）类型。丰富的三方风控数据从接入、测试、使用、运营都需要全流程的系统管理，只有从数据的开始接入就做好数据的全流程管理，才能够让风控数据的接入变的更加有条不紊，风控数据的风控效力尽可能大。
   而在上面介绍的策略规则中，强规则、弱规则，规则多多，并且规则间层层关联；还有一个大家鲜为听过的Hunter类策略，其作用相当于软规则策略，即不同于HC(Hard Check)和准入，具体的策略的内容有：

    Hunter类策略在具体的决策引擎中如何实现部署与设计，Hunter类策略应该占多大的权重，如何让Hunter类策略融入到具体的风控流程中，风控决策流又该如何设计才能更好的拦住高风险客群，并且如何使用决策引起进一步提高效率、减低系统压力。关于这些内容，感兴趣的童鞋们请回顾：5月9日为各位童鞋准备的这样一节专题课：《决策引擎上的决策流设计及策略架构开发》。
   本次课程会围绕着决策引擎的前身今世、特点、周边产品为大家一一道来，也跟大家介绍目前市面上常见的决策引擎的供应商，以及如何选择合适自家的决策引擎产品。以上讲解还仅仅是目前这个课程的十分之一内容，以干货实操为主打的番茄风控，在本次课程上更会基于甲方风控角度出发，从决策流的设计与开发、征信系统(也叫资信系统)、决策结果的缓存结果，并且还会从决策引擎的内部剖析等方面，为大家深入讲解策略集的位置与特征报告的调用与缓存等等问题。
   讲解完以上内容外，觉得内容就只有这些了吗？当然不止！本次课程我们更会引入最干货实操的实例跟项目，同步跟大家做决策引擎的真实演练，其中相关的实例就有：
   
   *实例1：贷前贷后客户分群、客户评级综合分析
   *实例2：Hunter策略与订单流转设计
   *实例3：邮件报表设计与Tableau可视化报表设计
   *实例4：信审审核时效与处理单量监控
   *实例5：资信、特征监控与模型监控分析
   *实例6：决策引擎规则部署

本次专题课程，老骑士的综合推荐指数绝对是：★★★★★

原创文章
…
end