本次谈谈罕见的三方数据维度的cut-off切分，你肯定没遇过

风险策略分析工作是风险管理的重要工作内容，其工作内容需要涉及风控领域中多个环节及细节内容，包含贷前策略调整、策略分析调优、贷中业务监控、贷后策略调整等模块内容，涉及相关模块工作细节及工作内容我们将一一为大家梳理及分享，为风险管理工作提供更好的风控思路。
贷前策略一直是风险控制的重要把关门槛，一套完整的贷前策略需要涉及的内容有很多，包含如准入策略、黑/白名单策略、多头策略、评分卡策略等内容，不同的策略部署对应不同的部署方式，贷前策略可直接影响整体业务的通过率，从而影响贷后逾期情况。
通过率下沉时我们如何处理？今天我们将分享通过率的下沉是由其他原因——外部的三方数据或者评分分数等引起时，我们该如何处理。

【案例分享】
通过率报表是风控人员日常最常用的报表之一，通过率可直接反馈现有业务情况、客群变化、规则异常等情况，以下为案例报表：

从案例报表可以观测通过率于10月17日开始存在异常波动情况，根据异常波动的日期寻找关联规则的拒绝率是否存在明显波动情况：

通过对规则拒绝率的分析数据可见存在单一规则拒绝率存在明显上涨情况，而这导致拒绝率上涨的规则正是三方信用分A<=600导致，于是我们需要着重针对此单一规则的cut-off进行分析。

Cut-off是啥？
|Cut-off是我们用来切分拒绝客群与准入客群的分割线。|
例如对于案例里的三方信用分规则，对应的是小于600分以下的客群申请统一拒绝。那600这个阈值是怎么定的？要是通过早期测试数据不充分时确定的阈值，那这个阈值合理吗？与现在业务匹配吗？如果积累到一定的数据量后，是否应该调高调整阈值呢？
想要解决以上问题，我们引入下钻分析法，本次我们采用对比历史数据与实际数据相结合测试的方法进行分析。
历史数据VS实际数据
历史有表现期的数据：选择已有表现期的历史数据进行测试，因为历史的数据可以确认实际客群的占比分布情况及逾期情况。历史的数据因为都不拒绝客群，所以每个分数段的逾期率都能实现监控。
实际数据：目前正在跑分的客群的数据情况，实际跑分的数据只有准入600分，所以实际逾期的数据中，600分以上的数据才有对应的逾期率，600分以下的没有实际的逾期率，因为600分以下全部被拒件了。
（本次报表预测逻辑：cut-off FPD30%=测试FPD30单量/实际单量）

在进行历史与实际数据对比分析后，分析可见：
实际申请订单存在分数区间下沉的情况（上图蓝色标记部分），可确认测试客群与实际客群存在差异：历史客群中601_{700分区间的客群数量占比最多，而实际客群中是501}600分区间的客群数量占比占比最多。所以如果实际客群的cut-off卡在600的阈值时，会将大部分的客群拒之门外。
但能否就直接将cut-off的分数的档位直接下调到500分呢？
答案当然也是不能直接调。
为什么？因为这里还缺少哦一个关键分析因素，调整后万一逾期率又发生大规模逾期怎么办？于是我们仍需要对这部分的逾期的客群分析其逾期率。
根据实际客群情况对策略调整后的逾期情况进行预测，避免产生进一步风险。在以上数据中，预测结果可见cut-off阈值设定在501-600分段时，FPD30%亦较测试数据逾期结果时低，且为风险可承受范围，则可将三方信用分A的cut-off调整为500分及以下拒绝处理。
（再留一个课后思考：为什么cut-off是 FPD30%也即首逾30+来预测数据呢？也就是采用测试FPD30单量/实际单量预测方式？）
最后已将这个cut-off调整的excel表格上传到番茄风控大数据平台，帮助大家理解本文中所提及的内容。

策略调整情况千变万化，规则调整也存在千亿种可能，案例分享可以提供小伙伴更多的策略调整思路，也帮助大家及时发现与案例雷同的情况，提高工作效率，后续我们将为大家准备更多的实战案例，请不要错过哟～

~原创文章
…
end